该人工智能工具是基于科学出版物与专利的配对进行训练的。图片来源：IB 摄影/Alamy 投资者和技术转让办公室竭力寻找商业前景良好的研究，试图在其达到专利申请阶段之前识别出这些研究。现在，一个机器学习工具旨在通过评估科学论文的“专利特征”，来加速这一过程——在任何交易、专利申请或分拆公司显现其商业潜力的几个月或数年前。这是许多提供相似能力的工具之一。这个工具被称为翻译准备指数（TRI），对论文的标题和摘要进行了语言分析。然后，它测量论文的词汇与之前已与专利配对的出版物的相似度。该方法由澳大利亚悉尼的数据分析公司学者联盟的研究人员开发。这项工作以预印本的形式发布在arXiv上，并尚未经过同行评审。学者联盟的共同创始人、计算社会科学家保罗·麦卡锡表示：“这是一种新的研究分类或排名方式。” 该工具估计一篇论文使用“专利语言”的概率。他说，挑选赢家。研究人员用20610篇科学论文训练了TRI，其中9431篇已与专利匹配。将标题和摘要输入到五个分类器中，表现最佳的模型在将与专利相关的论文排名高于与之相似但未与专利相关的论文时，成功率为78%。最终被专利引用的论文中出现“原型”、“设备”和“设计”等词汇的频率比未在专利中被引用的论文要高。TRI仅分析标题和摘要，因此不直接评估论文的基础数据或结果。为了测试TRI的最高排名论文是否与其他商业活动的标记相关，如合著者是否有行业关系以及作者是否曾经申请过专利，研究人员查看了西澳大利亚大学（UWA）在珀斯的作者所写的100篇最高TRI排名论文。2019年至2026年间发表的论文，显示出这些标记的可能性比随机样本要高：100篇论文中有83篇有行业相关的合著者，34篇至少涉及一位曾申请过专利研究的UWA相关作者。麦卡锡说，结果是团队目前正在与几所大学测试TRI。量子与资本主义相遇：如何将对技术的长期投资与商业速度相结合。麦卡锡不建议仅仅基于该工具的结果作出投资决策，因为这是一个概率排名。然而，他表示这可能有助于发现“意外的瑰宝”。伦敦的早期阶段深科技投资公司Empirical Ventures的共同创始人本·迈尔斯表示，这个工具可能对希望决定哪些想法值得进一步支持的学术界和资助者有用，尤其是在这些想法还不够成熟以供投资者支持之前。但专利技术不一定总是具有商业可行性——因此，任何对此的衡量将始终无法完美满足投资者的需求。分拆公司侦察员TRI是几种研究侦察工具之一，旨在识别有前景的科学。这些工具中的一些正在研究机构中被采用，以帮助识别一旦获得支持可能成为可行商业的发现。其中一个名为Haystack的工具，是为位于纽约州伊萨卡的康奈尔大学的技术团队构建的，能够每年扫描多达13000篇论文——这对康奈尔的技术转让团队来说太多，无法手动检查，开发这一工具的马特·马克斯说，他是该大学的副教务长，负责创业、创新和外部参与。