TRIZ ，在AI 時代即將重構的創新工具：從高門檻知識工具到創新驅動引擎

#AI時代來臨，TRIZ 的應用進入新階段

   TRIZ（Theory of Inventive Problem Solving）自1980年代起即在全球工程與創新領域廣泛推廣， 作為一套歷經超過 40 年全球推廣的創新方法論，過去以其穩定的創新系統架構與強大的問題解決能力，在工程技術創新領域享有極高聲譽。其工具體系完整，從早期的矛盾矩陣、發明原則、物理矛盾、理想解到擁有嚴謹邏輯架構的功能分析、技術系統進化趨勢到ARIZ等進階工具，構成完整的創新問題分析與解決框架，滿足從創意開發到解決核心技術問題的需求。

 然而，回顧過去數十年在世界各國跨國企業的實施經驗發展，讓我們發現到，TRIZ 長期面臨的挑戰始終不脫離三大瓶頸，分別是：

學習門檻高、知易行難、應用成本高。

  

基礎工具知識需超過百小時培訓時間(從LV1~LV3, 24+32+108 共164 hrs) ，並且要能真正熟練，除了這些工具知識以外，更需要累積數年專案實務經驗，因此TRIZ工具即使具備強大創新應用潛力，這使得TRIZ 難以大規模普及，例如中小企業，尤其是在非工程背景或資源非常有限的企業中，也因此TRIZ工具用人才過去長期以來僅普遍存在於大型跨國企業或少數高階技術開發團隊中。

關鍵字：AI, TRIZ, Innovation, AI輔助創新, AI_LLM_For_Innovation

#AI_LLM崛起，打破 TRIZ 工具知識的學習門檻

 

隨著大型語言模型（LLM, 如 ChatGPT、Claude、Gemini 等）的應用普及，TRIZ 的工具知識正在迅速被「語意提示（Prompt Engineering）」所替代。透過結構化提示描述設計，TRIZ 工具不再需要靠人工死記與手動分析，而是能由AI LLM 強大的資料收集處理與分析和生成的能力，快速推導出如矛盾問題模型、可能的理想解方向、發明原則以及更進一步結合ARIZ應用於解決困難問題流程等生成內容。

此一變革使得 TRIZ 學習門檻驟降，例如包括：

 1. 初學者可透過TRIZ工具提示模組與AI互動學習，從做中學，快速上手，縮短TRIZ工具學習曲線的使用方式。

 2. 中階使用者可透過根據根據專案任務需要設計的創新流程，使用AI整合提示包組合，協助產品技術研發相關人員快速完成創新輔助任務。

 3. 專案顧問則可依據自身產業經驗、分析問題類型並設計TRIZ工具對應問題解決的工作流，加上其他工具，整合成專案級的客製化 AI 輔助創新流程。

TRIZ 工具正從「需要理解與掌握」的學科，轉化為「可以調用與應用」的模組，這是目前TRIZ 在 AI 時代所觀察到最關鍵的進化。

 但 AI + TRIZ ≠ 萬靈丹，#TRIZ應用仍需專案經驗支撐

即便 AI LLM 能迅速給出結構化創新建議，受限於AI LLM應用能力限制以及顧問專家對於TRIZ工具理解程度所給予的結構化提示描述，目前 TRIZ 工具的應用依然需依賴領域知識與專業技能的判斷力。若缺乏下列要素，TRIZ + AI 工具依然難以產生實效，包括但不限於例如：

1. 企業內部需求問題脈絡解析能力

2. 相關對技術需求與市場動態的理解

3. 熟悉 TRIZ 工具的實務應用顧問或內部專家引導

4.  再來就是能根據專案需求整合多種不同工具組合設計的使用能力

5. 能整合專案資源與判斷專案可行性的跨域能力

換句話說，TRIZ + AI 加速創新引擎，但創新領航者仍是具備應用經驗的專家或顧問。

#TRIZ應用模式的轉型：從工具學習轉向專案導入

過去TRIZ學習模式從企業和TRIZ專家合作模式觀察發現主要可以分為三類：  

1. 純工具知識培訓：工具知識式學習（課堂講授，理論先行）

2. 企業內部專案模式：企業專案邊做邊學（即學即用，以戰代訓）

3. 專家專案輔導模式：混合式模式（先學工具再實作應用）

 但在 AI 驅動的創新時代，#TRIZ教育模式將發生以下轉變：

 1. 工具知識式學習將逐漸被 AI LLM 模型內化的提示包組合取代  

2. 專案即戰力的邊做邊學模式將成為主流 

3. 知識型顧問轉型為AI提示模組設計師與專案策略整合者  

這一轉型也促使 TRIZ 創新顧問角色重新定義 —— 不再只是教學工具知識，而是設計 AI + TRIZ + 專案流程的整合式創新解決方案。

#TRIZ在AI時代的價值重構：從工具學習到創新驅動引擎

結語：TRIZ 在 AI 時代的意義不再是「學多少工具」，而是「能否有效結合 AI 與TRIZ應用，為企業創造實質專案的創新成果」。AI 解決了 TRIZ 推廣的最大瓶頸——知識工具學習負擔，讓更多人能用得起、用得快。但要能做到誕生創新成果，能不能用得對、用得準，仍需應用經驗與工具方法流程使用設計的融合能力。

因此，未來的創新人才與顧問將不再僅限於 TRIZ 的「教學者」，而是 TRIZ+AI 的「流程設計者、資源整合者、價值實現者」。這場變革不僅是創新工具層的革新，好比是工業革命時代的知識蒸汽機，驅動創新思維與產業應用的進行根本性重構。

下一階段，將預見創新教育與應用焦點將會出現在：

A. TRIZ工具模組的語意化提示優化

B.  AI輔助的TRIZ應用工作流設計

C. 導師/顧問制的企業創新推進模式

 

這將是一場從「創新工具訓練」走向「創新生產力引擎」的徹底變革，也唯有那些能徹底掌握TRIZ工具知識應用在AI LLM上的人，將會帶領企業穿越AI帶來的未知，創造新的成長曲線。

#AI輔助創新

#AI_LLM

#TRIZ_TOOLS

2025© 汪周禮@智合創新
AI輔助創新：AI+TRIZ+NPD+設計思考+專利迴避設計+提示工程描述設計的創新應用整合流程設計專家

AI輔助創新成功經驗：半導體專利技術挖掘、技術風險分析、新能源AI產品技術應用專案開發、創新式專利迴避設計

如需 DEMO，歡迎與我們聯絡
service@iiiinnovation.com

TRIZ實作系列 1 - TRIZ 工具僅是起點，培養系統思維脈絡與問題建模能力才是應用關鍵

TRIZ 工具僅是起點，培養系統思維脈絡與問題建模能力才是應用關鍵 

過去參加研討會時，曾經有人問我：

「TRIZ 有那麼神嗎？真的可以幫企業解決研發難題嗎？」

 

我說：「真的可以，但，別神化。」

 

關鍵字：TRIZ, 創新, 問題模組, 系統思維, 技術脈絡

本文長2800多字，閱讀時間約15分鐘。

TRIZ 是一套強大的創新工具，但它不是解方的終點。

我長期協助企業進行創新產品技術開發，解決困難問題，深知TRIZ 當然是一套有邏輯嚴謹、可系統操作的方法工具。但如果你對工具一知半解、只想看案例、只想模仿操作流程、不懂如何正確使用，卻忽略背後的技術系統脈絡思維與不會解析問題本質，那就很難體會TRIZ應用關鍵—問題建模能力，那 TRIZ 很可能對你來說只是個複雜表格的工具代名詞！

甚至有可能，不但沒幫上忙，還可能讓你一團霧水，甚至用不明就裡的使用發明原則誤導決策，導致失敗，最後認為TRIZ沒用，而束之高閣。

TRIZ 應用的關鍵在於：正確使用問題建模

要能體會TRIZ大用，首先要挑戰解決困難技術問題開始，這個解決困難問題並非僅僅提供創意或概念方案，而是要能進一步找出POC方案，再篩選出具體實施方案，但這一步非常難，如果本身沒有熟悉的技術領域不容易突破，但突破這一層後，就可以踏入產品開發架構設計，甚至根據新產品開發的經驗，進一步了解如何解析商業模式、根據需求開發出適合技術核心的商業模式了。然而根據我多年解決技術問題、新產品開發問題與輔導商業模式開發設計的經驗來看，TRIZ應用的關鍵核心在於正確的使用問題建模！

 

⸻

🎯 案例學習 ≠ 有效複製

脫離系統思維與技術脈絡，TRIZ 很容易失靈

 

這幾年我觀察到一個常見現象：

很多人學 TRIZ，是從看案例開始。他們會說：

 • 「這個案例用了矛盾矩陣第 39 對 20，所以我也可以這樣套用。」

 • 「那家公司用標準解 1-2-1 解決了設計問題，我也試試看。」

 

問題來了——

你知道他為什麼選這個工具嗎？

你知道背後的技術背景、工程參數選擇的條件是什麼嗎？

你知道參數與問題模型的對應本質是否一致？

 

如果不知道，那麼你只是表面模仿，沒有真正理解。

模仿的失敗往往不是工具用錯，而是背景不同，導致效果完全相反。

 

在我過去遇過的案例中，常常看到他人模仿失敗往往不是因為工具用錯，而是背景不同、技術條件與使用工具的方式很有可能會讓效果完全不同！

 

⸻

 

工具不是主角，系統思維的技術脈絡才是靈魂

 

TRIZ 最大的價值不在於它有多少張表、多少個發明原則或標準解。

而是：

TRIZ幫助我透過系統性的結構化方式思考描述問題，重構思維框架建立正確的問題模型，選擇適合的思維模式推導出最適合的創新策略。

 

這其中的關鍵步驟，不在工具本身，而在於：

 1. 否理解問題的技術本質？這不是問你知不知道問題痛不痛，而是問你是否知道正確選擇技術系統範圍與限制！

 2. 否正確建構出問題模型？確認系統技術範圍與限制後，確認適合的問題模型以及正確而嚴謹的建立問題模型，例如矛盾在哪？哪一種矛盾層次，相關參數是否可量化或轉換為其他定性描述或結構化的方式組合？

 3. 是否知道什麼時候該用哪個工具、又有哪些工具不能用？我們知道因果鏈CECA挖掘問題很好用，但系統過於複雜的時候，並非適合所有場景，例如多系統層次整合的問題，這時候如何適當的結合其他工具發揮，就很重要！

 

這些TRIZ應用關鍵能力，完全無法靠「看案例」學會，只能靠你在熟悉系統化的技術思維脈絡中實際應用與反覆推演，或可推知一二而學會。

 

TRIZ 的三層操作結構：你在哪一層？

三層 TRIZ 應用架構：

🔧 工具操作層：  懂工具 → 工具操作有效性評估

 

📊 問題建模層：  建構正確模型 → 產生優質方案組合

 

🏗 技術脈絡層：  對接應用背景 → 精準設計架構系統方案策略

───────────────

我通常會把 TRIZ 的應用分成三個層次：

1. 工具理解層，這一層主要是熟悉triz解題工具，了解不同工具的使用範圍與限制，進一步能根據實際情況設計出適合的就提工具組合與應用流程。 這裡我會使用流程設計有效性指標來評估。

2. 問題解析與問題建模層，這一層非常重要，如何選擇並放在適當的應用流程位置，能決定未來概念方案的有效性、方案品質與方案數量。 這裡我會使用問題解析和建模有效性指標來評估。

3. 最後就是技術系統脈絡思維，也可以說是在具體特徵銜接系統架構設計的關鍵，這個需要深入理解技術背景、應用情境場域，否則很容易錯判系統範圍，造成系統分析過於複雜而無法精準鎖定應用有效區間而導致無法使用triz工具或使用失敗。 這裡我會使用系統架構分析模組來進行評估。而這也是最重要的應用技能，決定triz工具是否能應用，但這往往難以透過案例學習，需要透過長期的實務操作經驗累積。

 

TRIZ三層操作架構，你在哪一層？

第三層（技術脈絡層）是最關鍵也最困難的，因為這不僅需要 TRIZ 的工具理解，更仰賴你對技術領域的深刻認知與實戰經驗以及應用技巧組合。

 

⸻

 

TRIZ 不能解決的三種情境

 

 1. ❓問題定義不清楚

如果你還在說「我覺得這是個問題」，那 TRIZ 幫不了你。TRIZ 處理的是明確技術問題，不是模稜兩可的痛點。

 

 2. 🧾沒有具體技術參數可操作

TRIZ 的工具多半需要具備從定性分析到量化或結構化的分析條件，例如「壓力 vs 強度」、「成本 vs 效率」。如果你連這些基本參數都理解不明確，就很難進入工具選用階段。更何況使用複雜參數組合所建立的問題模型矩陣了！

 

 3. 🧪脫離實際工程背景

很多創新方法在白板上都看起來很美好，但一旦離開現場、缺乏脈絡、沒有工程背景經驗，就會像是拿著精密手術刀卻不知道該切哪裡或是手中拿著筷子卻無法在宴會餐桌上夾起任何美食。空談創新方法、缺乏現場經驗，只會讓 TRIZ 成為紙上談兵。

 

⸻

 

我在企業實務中的 TRIZ 操作心得

 • 專利迴避設計：在協助客戶做專利迴避設計時，我從不先選工具，而是先搞清楚客戶實際需求、技術限制與市場競爭定位下的應用範圍。

 • 研發技術人員卡關：當發現技術人員用問題模型解不了問題，我會回頭檢查：是不是問題描述出問題？是不是選擇的問題模型根本無法對應系統特徵和需求？

 • 技術專家說問題無解：我也遇過不少「技術專家」說：「這問題沒法解」，但我用不同的解題流程組合對應的建模方式（例如極限模型或矛盾問題模型矩陣）找出突破點。

 

這些都不是工具本身多厲害，而是是否能夠理解深度工具、建構正確問題模型、設計出有效的解題流程與選擇適合解題策略。

 

⸻

 

結語：TRIZ 要落地，請帶著「現場智慧」操作

 

TRIZ 不是魔法，更不是萬靈丹。

TRIZ是你在理解技術、正確建構模型、根據需求選擇策略後的高效率創新輔助系統工具組合包。

 

當你真正進入技術問題現場，理解技術背後邏輯與技術限制，再用 TRIZ 工具做搭配時，你會發現它就像打開了系統盲點的一把鑰匙——不是關鍵本身，但能引導你找到關鍵。

 

TRIZ 是打開創新盲點的鑰匙，不是答案本身，卻能指引你找到關鍵。

 

⸻

 

📌 你也遇到 TRIZ 落地困難的情況嗎？

 

💬 歡迎留言交流

你是否也曾遇過 TRIZ 落地困難？歡迎分享你的經驗，或是私訊我討論~

讓創新真正發生在研發現場，而不只停留在白板上。

 

作者：汪周禮

TRIZ實戰專家創新顧問

自2008年起，累積將近17年TRIZ應用輔導企業產品技術與商模創新實務操作經驗，協助企業成功獲得多項創新成果，累積創造超過19億(接近20億)新台幣經濟價值(客戶自評)。

2025© 複製或轉發請來信取得授權

智合TRIZ 創新專家 實戰培訓課程 2025 Q4 

智合創新 TRIZ工具實戰應用培訓班 (一年一班)

https://www.iiiinnovation.com/product-page/%E6%99%BA%E5%90%88triz-%E5%9F%BA%E7%A4%8E%E5%9F%B9%E8%A8%93%E8%AA%B2%E7%A8%8B-2020

智慧財(IP)技術迴避設計：數位轉型企業必修

 

2025.04.21 汪周禮

開源協議風險與技術迴避設計：AI數位轉型企業不可忽視的必修課

在企業數位轉型與 AI 落地加速的當下，開源技術成為不可或缺的推進力量。然而，許多企業在享受開源所帶來的便利與效率時，卻忽略了其背後潛藏的法律與技術風險。

對企業而言，開源並不是免費的萬靈丹。若未建立正確的開源風險觀念與技術應對能力，開源反而可能成為阻礙商業創新的絆腳石。

不只是法律風險，更是技術整合風險

開源協議的風險不僅是法律層面的授權爭議，更關鍵的是隱藏在開發流程中的技術風險。許多開源協議如：

• GPL（General Public License）：高度傳染性，要求衍生作品同樣開源，若誤用恐導致整體商業產品授權被迫開放；

• LGPL（Lesser GPL）：傳染性降低，但仍需注意靜態與動態連結的使用方式；

• MIT / BSD / Apache：較為寬鬆、允許商業應用，但仍存在專利條款或聲明義務。

實際上，多數企業的風險不是來自於協議本身，而是來自於「技術整合時的依賴關係未察覺」：

• 無意中引入了 GPL 授權的函式庫；

• 因套件轉包導致使用者未察覺授權變更；

• 混合使用商業軟體與開源模組，導致專利授權與開源義務衝突。

這些複雜依賴與交叉使用，使得開源協議風險分析變得不僅是法務部門的事，更是軟體技術設計的挑戰。

技術迴避設計：真正的風險穿越能力

面對高傳染力的 GPL 類協議，企業除了避開使用之外，更應該具備「技術迴避設計（Avoidance Design）」的能力。這不只是修改架構那麼簡單，而是透過深度理解協議條款與技術系統依賴，重新設計可替代架構與資料流動機制。

我曾在過去於蒙恬科技（PenPower）負責開源風險迴避設計專案，該專案整合了：

• 法務律師的協議解釋與合規審查，

• 工程人員對實作細節與依賴樹的掌握，

• 技術架構師的系統重構與模組切割能力，

三方合作下，才能打造出真正能避開授權限制、合法且穩定可用的商業應用架構。

這樣的協作過程不僅讓產品「合法可用」，更是提升企業軟實力與研發獨立性的關鍵。

AI + 開源時代的挑戰加劇

AI 時代的開源應用更加複雜：

• 大型語言模型（如 LLaMA、Stable Diffusion）雖標榜開源，但多數附有「不可商用」條款；

• 開源模型的訓練資料未明確授權，潛藏侵權風險；

• 模型推論雖不觸碰原始碼，但輸出結果是否算為衍生作品仍具灰色地帶；

• 許多企業使用開源工具包（如 Hugging Face、Transformers），卻未意識到其依賴鏈中的授權交叉風險。

這些都意味著，AI 的導入不能只是「好用就上」，而是必須先問能不能用、該怎麼合法用，然後再問怎麼技術突破地用。

現有工具的不足與未來方向

雖然目前已有如 SBOM（Software Bill of Materials）等工具可協助掃描使用元件、加速比對開源授權，但在實際商業應用與技術判斷層面，作用仍有限。

因此，我們建議企業應從以下方向著手：

1. 強化 OSPO（Open Source Program Office）制度：不只是合規管理部門，更是開發階段的參與者，協助設計開源友善架構。

2. 建立風險地圖與可視化依賴模型：搭配 SBOM 資料，進一步結合商業目標與合規風險建模。

3. 設計開源協議迴避設計流程：將技術替代設計模組化、系統化，作為標準化研發流程一部分。

4. AI 模型風險評估架構：針對訓練資料、權重參數與推論過程，設計合規評估機制與責任切分框架。

結語：開源，不只是開始，更是考驗技術實力的關鍵

開源世界的本質，是分享與自由，但若要轉化為企業價值，就需要具備能「合法使用」、「合規迴避」、「技術突破」的綜合能力。

我們正處於一個AI+開源交疊的新時代，而能否在風險中前行、在限制中創新，將決定企業能否真正掌握未來。

開源不是避風港，而是技術創新的試金石。

未來知識學- 在 AI 輔助創新的時代需要的能力

2025.04.21 汪周禮

在 AI 輔助創新的時代，什麼能力才不會被取代？

解決問題、迴避設計與創新能力，將成為未來知識學的核心

---

在過去，專業知識與技術能力是個人成長與企業競爭力的核心。但隨著 AI 技術的快速演進，我們正在進入一個全新的時代：大量流程化、重複性、低認知的工作，將被 AI 迅速取代。

製造、程式撰寫、資料分析……這些技能過去或許門檻高、價值高，但如今只要掌握幾個工具，每個人都能用 AI 實現原本需要團隊才能完成的任務。那麼，我們該怎麼在這個「AI 隨手可得」的時代中不被邊緣化？

答案是：認知能力的升級與認知技能的重構。

世界經濟論壇(WEF)近日針對2030年職場核心技能提出未來職業報告，該報告指出2030年，預計將有六成職場技能將會被取代，以及2030年最重要的十大核心技能，其中認知技能(2,3,4,7,8,10)共6項，前10占比超過50%！

Full report: https://reports.weforum.org/docs/WEF_Future_of_Jobs_Report_2025.pdf

#AI, #AI輔助創新, #未來知識學, #認知能力, #2030職場技能

---

🔺 認知能力金字塔：AI 時代每個人都必須培養的三層技能

當技術執行逐漸交由 AI 處理，人類的價值將轉移到思考的層次。我們整理出 AI 輔助創新時代的三大關鍵認知能力，形成一個思維升級的金字塔模型：

1. 解決問題能力：找到「對的問題」才是關鍵

多數人在遇到問題時，第一直覺就是「馬上解決」。但這往往導致解決的只是表層現象，而非真正的根因。

在 AI 助力下，我們可以快速分析資料、建立情境模型，但若缺乏「挖掘本質」與「重新定義問題」的能力，就會誤用資源、錯失機會。

✅ 關鍵技能包括：

• 問題拆解與邏輯建構

• 問題樹與假設模型建立

• 情境分析與再定義

🧠 工具輔助建議：

• 使用 ChatGPT 建立問題分析流程

• 讓 AI 幫你模擬不同問題路徑下的潛在因果關係

---

2. 迴避設計能力：設計一個「不容易出錯」的方案

真正有價值的設計，不是找到一個解法，而是找到一個經得起現實條件考驗的解法。

這層能力強調風險意識與周延性。你要能在設計前就預見問題，在設計中消除風險，最終讓方案在變動條件下依然能運作。

✅ 關鍵技能包括：

• 解法風險分析（如 FMEA）

• 邊界條件推演與限制參數管理

• 使用 TRIZ 技術矛盾/物理矛盾進行迴避創新

🧠 工具輔助建議：

• 用 AI 找出過往類似設計失敗案例

• 輔助建立風險矩陣與備援機制

---

3. 創新能力：需求對齊與價值重構的能力

創新不等於靈光乍現，而是一種能動態對齊市場需求、重構資源與價值的認知能力。

這是一種策略性的視角，需要你具備「看穿變化本質」的洞察力，能夠透過重新定義問題與資源配置，在現有限制下創造出差異化解法。

✅ 關鍵技能包括：

• 對需求的動態建模與再定義

• 創造差異化價值主張

• 商業模式思維 × 技術應用思維的整合

🧠 工具輔助建議：

• 利用 AI 協助進行價值主張設計與使用者旅程圖分析

• 生成多個創新原型並驗證可行性

---

🧠 認知能力的養成，才是「未來知識學」的核心

在未來，重點將不再是**「知道什麼知識」，而是「能不能用對認知方法去創造有價值的知識」**。

這種從知識記憶 → 知識結構 → 知識創造的轉變，是一種嶄新的學習觀，也是一種職場永續競爭力的保證。

而這三層金字塔的能力，本質上正是未來知識學的三個核心支柱：

1. 知識解析力（解決問題）

2. 知識轉換力（設計迴避）

3. 知識創造力（價值創新）

---

🚀 小結：AI 正在重新定義「人才」的價值

當 AI 可以寫程式、製造產品、甚至自動設計介面，那麼真正難以取代的，是有能力「問出對的問題、設計不出錯的方案、提出有競爭力的新解法」的人。

未來不是沒有工作，而是對「認知力強」的人才需求暴增。

現在，就是你重新思考學習與工作方式的時刻。

---

📌 你目前的學習與工作，是否正在培養這三種能力？

💡 如果想了解如何導入這套能力培養架構到企業訓練、AI導入或創新流程中，歡迎聯絡與我交流(service@iiiinnovation.com)

下一篇文章我會談談——如何設計一套針對這三層能力的 AI 輔助創新訓練系統。

 生成式AI混亂的啟發 - 找出去蕪存菁的文章特徵點

網路透過文字傳遞思想，但文字作為思想載體還是會失真，但至少是目前我們擁有的。

從2008到2012年專利技術分析超越四萬件專利，後面沒在算了，專利分析累積從文字擷取技術特徵與特徵參數的能力，轉換到閱讀文章速度更快也更簡單，這個技術特徵對應到文章就是所謂的觀點，而參數就是觀點的細節具體描述。

如果一個技術方案的技術特徵與特徵參數組合豐富，我們就知道這個發明肯定有東西，同理，在看一般網路文章也可以用這種方式快速篩選。

基於上面的道理，我們看一個人文章就知道，當文章把很多觀點透過文字傳遞，如果文章觀點豐富，容易觸動共鳴而引人深思，就知道這個人很厲害，是個飽學之士蘊藏智慧。

但是觀點少也不見得不好，主要在於啟發性，這同樣也可以套用到專利審查要件中的創造性或非顯而易見性 (inventive or non-obviousness)要件，特別是美國專利審查基準的非顯而易見性要件，是目前我研究過全球最豐富的且完整的創造性要件，至少有超過20個不同的切入角度。如果符合創造性要件的思維模式，這樣的文章內容也是可以的。

念書找知識點，技術分析找特徵點，而寫文章找觀點或認知點切入，一篇文章多達十多種認知點，就是非常有價值的內容了，也讓人深受啟發。

根據我的觀察，#AI文章的認知點很少 ，因為生成技術的關係，通常都是順著一個觀點延伸出知識點，而人類寫文章受經驗知識與智慧影響，越厲害的人可以植入很多不同觀點形成文章的特徵點，繼而引發共鳴，啟發思想。

目前教育或許應該是時候開始培養學生能夠分析文章、論文或技術的能力，藉此作為建立初步的系統思維和分析思維的能力基礎。

補充：

學識累積知識點，經驗累積觀點，而認知層次的認知點可以塑造出不同的認知角度，而知識點之間交互作用看邏輯、相關、層次與架構。

2025.04.14 汪周禮隨筆

文末附上使用五種評估指標利用CHATGPT分析網路文章

CHATGPT分析專利 - 提取專利技術物理矛盾

hashtag

#CHATGPT分析專利]

CHATGPT越來越能夠精準分析專利技術，並從專利中提取出 hashtag#物理矛盾問題模型！

TRIZ問題模型有六大類，常見的就是IF THEN BUT 描述格式，IF THEN BUT的描述格式常見有兩種：
1. 技術矛盾問題模型
2. 物理矛盾問題模型

以往物理矛盾問題模型描述正確建立具有一定難度，一般TRIZ專家也不見得能很精準且快速地從專利資訊中擷取出來。

然而技術矛盾則相對非常簡單，也很容易提取，但是技術矛盾對於解決技術問題的效益遠低於物理矛盾，特別是軟體領域，根據專案經驗成果，軟體領域的技術方案需要從物理矛盾的角度出發，產生的技術方案相對具有技術應用價值!!

[hashtag#CHATGPT分析專利]

CHATGPT越來越能夠精準分析專利技術，並從專利中提取出 hashtag#物理矛盾問題模型！

TRIZ問題模型有六大類，常見的就是IF THEN BUT 描述格式，IF THEN BUT的描述格式常見有兩種：

1. 技術矛盾問題模型
2. 物理矛盾問題模型


以往物理矛盾問題模型描述正確建立具有一定難度，一般TRIZ專家也不見得能很精準且快速地從專利資訊中擷取出來。


然而技術矛盾則相對非常簡單，也很容易提取，但是技術矛盾對於解決技術問題的效益遠低於物理矛盾，特別是軟體領域，根據專案經驗成果，軟體領域的技術方案需要從物理矛盾的角度出發，產生的技術方案相對具有技術應用價值!!

CHATGPT的加入讓以後研發壓力越來越輕了!

--

在解決方案的價值層面來看，能夠解決物理矛盾的技術方案基本上都有申請專利的價值，技術矛盾則不一定。

所以對研發來說，解決物理矛盾才會有更好的效益，但是難度也更高。

hashtag#CHATGPT
hashtag#專利
hashtag#IF_THEN_BUT
hashtag#PROBLEM_MODEL

---

hashtag#有困難的技術問題或產品問題難以解決？
歡迎找我聊~

service@iiiinnovation.com