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
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。