近日,由IEEE(电气和电子工程师协会)的年度报告——2015专利实力评鉴(Patent Power Scorecards)出炉,EMC、IBM、微软、西部数据、VMware分别排前5位。
2015 IT公司专利实力排名
IEEE专利实力评鉴是一年一度的综合分析,由《IEEE SPECTRUM》杂志发布。自2007年开始发布,到2015年11月30日共发布了9期榜单。
它通过对全球范围内6000多家领先的商业企业、学术机构、非营利性组织和政府机构专利组合的基准测试,IEEE给出其实力指数,评估谁拥有最宝贵的专利组合。专利实力评鉴完全按照组织所在的行业来进行分类评比,每次发布17个榜单:航空航天和国防、汽车及零部件、生物医药、化学、通信/网络设备、通信/网络服务、计算机设备和存储、计算机软件、计算机系统、电子产品、医疗器械、科学仪器、半导体设备制造、半导体制造、综合型企业、政府机构、大学/教育/培训。
这里我根据IEEE数据,总结出IT公司(涵盖IEEE 17个分类中的三类:计算机系统、计算机软件、计算机外围设备与存储)前20名。如下表:
独特的排名方式
需要指出的是,IEEE的专利实力排名,跟我们通常想象的排名方式有很大不同。通常,我们会以专利数作为公司的专利实力排名。而IEEE专利实力评鉴榜单,综合考量了专利组合的数量和技术价值,由于采用了技术加权后的专利组合规模作为衡量依据,专利实力评鉴可以较全面准确地评价某个组织的技术实力。
专利综合实力是对专利数量及专利成长性、技术影响力、技术原创性和技术通用性进行组合运算后的综合性指数,其计算公式为:专利综合实力(Pipeline Power)=上一年度授权专利数量(Number of Last Year’s Patents)×专利增长指数(Pipeline Growth Index)×校正后的技术影响指数(Adjusted Pipeline Impact)×技术原创指数(Pipeline Originality)×技术通用指数(Pipeline Generality)。
2015年排名前5位的公司各项数据如下:
更多信息,可以访问:http://spectrum.ieee.org/static/interactive-patent-power-2015
排名指标分析
从以上的数据可以看出IEEE对专利实力的几个关注点:
1. 专利增长指数。如果专利增长指数大于1,则表明该组织的专利活动量正在增长中。如果专利数增长很快,对排名的帮助很大。例如,EMC和VMware,专利数量从绝对值来看并不算多,但是增长指数都在1.5以上,所以排名比较高。这一点可以理解为,IEEE看重专利增长反映出来的企业创新活力。
2. 技术影响力指数。校正后的技术影响力指数,用于衡量某组织的专利组合对后续技术发展的影响力。其计算方法为:首先计算技术影响力指数基础值,再根据自引率对技术影响指数基础值进行校正,以消除极端自引的影响。如果自引率超过行业平均值,则该企业的专利技术影响力要适当调低。同样是EMC和VMware,校正后的技术影响力指数分别超过为1.7和2.5,对其排名贡献很大。
3. 技术原创性指数。技术原创指数用于衡量某组织专利组合所引用的技术领域宽泛程度。通常来说,改进型发明倾向于参考来自单一领域的现有技术,而原创型发明则倾向于参考多个不同领域的技术,进而形成新的发明创造。各家公司在这项指数的表示大于或小于1,浮动不大。
4. 技术通用性指数。用于衡量引用某组织专利组合的专利技术的领域宽泛程度。技术通用性指数越大,意味着某组织专利技术的通用性越好,对后续技术创新的影响范围越大。VMware、西部数据和EMC的技术通用性指数都比较高,对排名贡献很大。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。