Iris.ai

Iris.ai深度测评：受管制行业科研团队的AI知识工作底层基础设施

在AI辅助科研工具这个赛道上，绝大多数产品解决的是同一类问题：帮助研究者更快地找到文献，自动生成摘要，用对话界面替代传统数据库检索。这些功能有价值，但它们本质上是在改善”找信息”这个环节的效率——研究者仍然是核心执行者，工具只是加速了某些步骤。

Iris.ai从一开始就把自己定位在一个更底层的位置：它不只是文献检索工具，而是一套以AI为核心的研究知识处理工作台，覆盖从文献发现、智能筛选、数据提取、专题分析到持续监控预警的完整研究工作流链条。2025年，它进一步将战略重心转向受管制行业（Regulated Enterprises）——医药、生物技术、医疗器械、知识产权等领域——这些行业对文献处理的准确性、可溯源性和合规性有极高要求，也是AI科研工具最难真正创造价值、但一旦创造则价值极高的场景。

ArcelorMittal的案例是理解Iris.ai定位最直接的方式：这家全球最大钢铁制造商的研发团队每月需要跟踪120个以上竞争对手专利，此前每份专利的人工数据提取需要长达4小时。引入Iris.ai的Extract工具后，同等任务缩短至4分钟。这不是优化了某个工作环节，而是把整个工作流从”资源密集型人工”转变为”AI主导、人工复核”的结构性重建。

一、产品背景：从科研辅助工具到受管制企业AI知识基础设施的战略演进

Iris.ai成立于2016年，发源于挪威奥斯陆，由Anita Schjøll Brede担任CEO领导至今。公司的初始命题是把人类理解科学文献的能力编码进AI系统——不只是词汇匹配，而是真正的语义理解：读懂一篇研究论文说了什么，与哪些其他研究有概念上的关联，以及对特定研究问题有哪些相关性。

这个技术方向在2016年是真正超前的。当时绝大多数学术数据库和文献工具还在依赖关键词检索，PubMed、Google Scholar等平台虽然有一定的相关性排序，但本质上是基于词频和引用关系的统计工具，不是真正理解研究内容的AI系统。Iris.ai的语义指纹（Semantic Fingerprinting）技术从那时起就在做一件不同的事：用概念网络而不是关键词集合来表征一篇研究文章的知识内容。

从2021年起，Iris.ai开始从”面向个人研究者”的工具形态，向”面向企业R&D团队和受管制行业”的平台形态转变。这个转变背后的逻辑是清晰的：个人研究者的工具市场竞争极激烈且支付意愿有限，而医药、生物技术、医疗器械等受管制行业的企业R&D团队面临的文献处理问题规模是个人研究者的数十乃至数百倍，对准确性和合规性的要求使简化版工具无法满足需求，支付能力也与个人用户不在同一量级。

2025年，Iris.ai在官网首页的主标语更新为”AI knowledge foundation for regulated enterprises”（受管制企业的AI知识基础）——这六个字几乎是对整个产品战略重心迁移的精准概括。它不再把自己描述为文献搜索工具或文摘生成工具，而是定位为企业AI知识体系的底层基础设施，其上可以构建和运行各种面向具体业务场景的AI代理和应用。

二、Researcher Workspace：核心产品体系的完整解析

Iris.ai的核心产品是Researcher Workspace（RW），一个集成了多个专项工具模块的研究工作台。理解Iris.ai，必须先理解这些工具模块之间的关系——它们不是相互独立的功能，而是覆盖完整研究工作流各阶段的连贯工具链。

1. Explore（探索工具）：概念驱动的语义文献发现

Explore是整个工作流的起点，也是Iris.ai技术差异化最集中体现的功能——它实现的是概念驱动的语义搜索，而非传统的关键词匹配。

语义指纹技术（Semantic Fingerprinting）：当用户输入一段300-500字的研究问题描述（可以是完整的研究背景介绍、研究假设、甚至是一篇已发表论文的摘要或全文URL），Iris.ai不是把这段文字拆解为关键词列表，而是提取其中的核心概念网络：这个研究涉及哪些知识域、核心研究对象是什么、研究层次（分子、细胞、器官、系统）、研究类型（机制研究、临床研究、综述等）……这些概念被编码为一个多维度的语义向量，即”语义指纹”。

系统随后用这个语义指纹在数据库中进行相似度匹配，找出概念内容与研究问题最相关的论文——这些论文可能根本没有包含用户原始描述中的任何具体关键词，但在研究内容的概念层次上高度相关。这种能力使Explore能发现传统关键词搜索系统性遗漏的研究，特别是来自不同学科背景、使用不同术语描述相似概念的交叉研究。

可视化地图展示：搜索结果不是简单的线性列表，而是以概念地图的形式呈现。地图的每个节点代表一个核心研究主题，节点之间的连线代表概念关联关系，用户可以通过放大、缩小和点击探索整个概念空间，直观地看到自己研究领域的知识地形，以及哪些相关领域是潜在的值得深入探索的方向。这种可视化呈现在系统文献综述（Systematic Literature Review）的初始范围界定阶段有非常高的实用价值。

Fork a Map功能：用户可以对系统生成的概念地图进行自定义编辑——合并或拆分概念节点、调整地图结构、删除不相关的概念分支——从而在原始语义指纹的基础上进行精炼，生成更贴合具体研究需求的个性化概念地图。这个功能让研究者不是被动接受AI的解读，而是能主动参与调整和修正研究空间的定义。

数据集切换与日期过滤：Researcher Workspace 0.8版本新增了搜索前预过滤功能，用户可以在启动探索前指定要搜索的数据集（如仅专利库、仅开放获取文献、特定出版商数据集）和发表日期范围，避免从千万级别的全库搜索开始再反复过滤。

2. Filter（智能筛选工具）：多维度上下文感知过滤

在Explore找到初始文献集合（可能包含数百至数千篇文章）之后，Filter工具负责在这个集合中进行精细筛选，将文献集合缩减到真正高质量、高相关性的核心阅读列表。

Iris.ai的Filter与传统学术数据库的过滤器有本质区别。传统过滤器依赖元数据（发表年份、期刊、引用数量、研究类型标签），这些都是可以用数字规则表达的条件。Iris.ai的Filter系统在元数据过滤基础上增加了语义过滤——用户可以用自然语言描述”我只关注那些研究X机制的文章”或”排除所有以体外实验为主要方法的研究”，Filter对文章内容进行AI理解后应用这些语义条件，而不只是匹配元数据字段。

筛选维度涵盖：

• 关键词过滤：应用于摘要的传统关键词匹配

• 概念过滤：基于文章的语义指纹进行概念层次的相关性过滤

• 实体过滤：识别并过滤特定命名实体（分子、基因、疾病名称、化合物等）

• 上下文描述过滤：用自然语言描述一个过滤条件，AI理解并应用

• 数据点过滤：针对已提取的结构化数据字段进行数值和类别过滤

这种多维度过滤能力使研究者能够在不预先知道精确搜索词的情况下，通过逐步精炼，从宽泛的文献集合中找到真正满足复杂条件的精准子集。

3. Analyze（分析工具）：大规模文献集合的主题建模

当研究者面对一个包含数百篇文章的文献集合时，逐篇阅读是不可行的，但粗略浏览也无法提炼出高质量洞见。Analyze工具解决的正是这个问题——对大规模文献集合进行AI驱动的主题建模，自动提炼文献集合的研究主题分布和核心议题。

Analyze工具的技术基础是主题建模（Topic Modeling）算法，应用于文章的语义指纹而非原始文本。具体运行机制：系统对文献集合中所有文章的语义向量进行聚类分析，识别出在概念空间中相互接近的文章群组，每个群组代表一个研究主题，系统自动为每个主题生成标签和代表性关键概念列表。

输出形式是一个可交互的主题分布可视化：用户可以直接在主题图上点击任意主题，查看归属该主题的所有文章，也可以将不同主题拖拽合并（如果认为两个AI识别出的主题实质上是同一个研究方向），或者将大主题拆分为更细粒度的子主题。

Analyze工具特别适合以下场景：在开始一个新研究方向时，快速了解该领域的研究格局；在进行系统综述的范围界定阶段，识别主要研究流派和方法论分支；在专利分析中，了解竞争对手的技术布局主题分布。相比人工阅读和整理，Analyze在几分钟内对数百篇文章完成主题提炼，在时间效率上的压缩是质的跃变。

4. Summarize（摘要工具）：单文档与多文档的智能摘要生成

Summarize工具提供两种操作模式：

单文档摘要：对一篇特定文章生成超越原始摘要的AI摘要——原始摘要通常是作者自己写的，有时不能完整反映文章的所有关键贡献，或者写法对非专业读者不够友好。Iris.ai的AI摘要从文章全文出发（而非只看摘要），提取论文的核心研究问题、主要方法、关键发现、局限性和意义，生成一份更结构化、更易于快速判断文章价值的信息摘要。

多文档集群摘要：这是Summarize工具更有独特价值的模式。用户选定一组相关文章（来自Filter后的精准子集或Analyze识别出的特定主题群组），Summarize生成一份跨文章的综合性摘要，提炼这组文章共同揭示的核心发现、主要分歧点和知识空白。这本质上是AI辅助的”文献综述初稿生成”——不是简单的逐篇摘要拼接，而是在多文章之间进行比较和综合，提炼出单篇文章看不到的全局性信息。

对于负责撰写医疗器械PMS（上市后监控）报告的合规专员，多文档摘要功能能把处理一批相关不良反应案例报告的时间从几天压缩到几小时，且生成的摘要保留了完整的文档溯源，满足合规审查对可溯源性的要求。

5. Extract（数据提取工具）：结构化数据的自动化抽取

Extract是Iris.ai工具链中对受管制行业价值最直接、ROI最可量化的功能——它解决的是”从大量非结构化科学文档中提取特定结构化数据字段”这个极度耗时且容易出错的人工任务。

自定义提取模式：用户定义一套数据提取模板，指定需要从文档中提取的具体字段（如：研究对象年龄范围、药物剂量、主要终点指标、不良反应类型、随访周期等），Extract自动对文献集合中的每篇文章应用这套模板，将散落在全文各处的相关信息聚合为结构化表格，直接导出为可供下游分析使用的CSV格式。

置信度评估：这是Extract功能中一个值得单独强调的设计——每个提取结果附带AI置信度评分，标注系统对该提取结果的确信程度。置信度低的字段会被明确标注，提示研究者在这些位置进行人工复核，而不是盲目信任所有提取结果。这种”知道自己不知道”的设计，是在高要求合规场景中负责任AI应用的核心要素。

实测数据：ArcelorMittal的案例显示每份专利数据提取从4小时降至4分钟，这个时间节省比例（约98%）在大规模文档处理场景下能直接转化为数十至数百FTE工时的月度节省。

Table Data Extraction：Workspace 1.0版本新增的表格数据提取能力，支持从包含复杂数据表的PDF文档中准确识别和提取表格结构，解决了科学文献中大量关键数据以表格形式呈现的读取难题。

6. Monitor（监控与预警工具）：持续情报监控的自动化

研究不是一次性的，特别是在PMS（上市后监控）和专利竞争情报场景中，持续跟踪特定主题的最新文献是一个需要长期投入资源的工作。Monitor工具将这个持续跟踪过程自动化。

用户配置一个监控条件（等同于一个持久运行的Explore搜索请求），系统定期对新发布的文献自动运行相同的语义相似度检索，当有符合条件的新文章发布时，自动发送预警通知。通知内容包括新文章的摘要和相关性评分，研究者无需定期主动回到平台重新搜索，信息主动推送到研究者面前。

对于负责医疗器械PMS的合规团队，Monitor的自动化预警直接对应了监管要求——FDA、EU MDR等法规对PMS的数据收集有明确的频率和覆盖要求，Monitor将满足这些合规要求从”每季度的大量人工工作”转变为”系统自动执行，人工审核新推送内容”的常规流程。

7. Chat Tool（AI对话工具）：数据集感知的研究智能问答

Researcher Workspace 1.0版本推出的Chat Tool，是将对话界面与Workspace数据集深度整合的研究智能问答系统。与通用AI聊天机器人（ChatGPT、Claude）的本质区别在于：Chat Tool的AI能够感知和访问用户当前加载的研究数据集，回答的是”针对这些文献，你的研究问题是什么”，而不是依赖预训练知识库的通用回答。

用户可以直接问：”在我上传的这组临床试验文章中，III期试验的主要终点定义有哪些不同的方式？”Chat Tool会扫描数据集中的相关文章并给出基于这些文章内容的准确回答，同时引用具体来源。这种基于私有数据集的问答，解决了通用AI工具无法处理研究者私有文献库、内部数据和专有数据集的根本性局限。

8. 数据连接与集成：私有数据源的无缝接入

Researcher Workspace的数据连接能力是企业级使用场景的关键基础。平台支持多种数据源连接方式：

内部文档上传：支持PDF集合的批量上传，将内部报告、内部研究文档、历史档案纳入Workspace进行AI处理

外部代理数据集：通过代理连接方式接入外部数据源，包括付费学术数据库（有订阅关系的机构）、专利数据库（USPTO内置集成）、出版商平台和监管机构数据库

私有知识库集成：企业可以将内部知识库、文档管理系统和数据仓库接入Workspace，实现内部知识与外部公开文献的统一搜索和分析

这种灵活的数据连接架构，使Iris.ai能够在企业的实际数据环境中运行，而不是要求用户把所有工作迁移到一个封闭的平台数据池中。

三、核心使用场景深度拆解

场景一：系统综述（Systematic Literature Review）全流程自动化

系统综述是循证医学、医疗器械评估和药物安全性研究的基础方法，也是科研工作中最耗时的单项任务之一——传统人工系统综述从检索方案设计到报告完成通常需要6-18个月。

Iris.ai覆盖SLR全流程的8个核心阶段：

1. 从研究问题描述生成初始文献集合（Explore）

2. 对文献集合进行多轮智能筛选，逐步精炼（Filter）

3. 对入选文献进行主题分布分析（Analyze）

4. 对文献集合进行自动摘要提炼（Summarize）

5. 从入选文献提取结构化数据字段（Extract）

6. 设置持续监控新发布文献（Monitor）

7. 对数据集进行问答和深度分析（Chat）

8. 导出全部结果用于报告撰写

相较于传统流程，Iris.ai能将SLR的总时间从数月压缩至数周，主要时间节省来自步骤2（Filter）和步骤5（Extract）的自动化——这两个步骤在传统人工SLR中占据了绝大部分时间成本。

场景二：上市后监控（Post-Market Surveillance）的合规自动化

对于医疗器械和医药公司，PMS是EU MDR、FDA PMCF等监管法规的强制要求。Iris.ai将PMS的8个执行模块全部纳入Workspace工具链：

A. 从产品描述生成文献匹配：用产品和适应症描述作为输入，自动生成相关文献初始集合，无需研究者设计专项检索策略

B. 动态文档评估：对新发现的文献进行AI相关性评分，自动分级处理（高相关→深度提取，中相关→摘要阅读，低相关→排除）

C. 高级文献列表精炼：多维度筛选去除噪声文献，将处理对象缩减到真正高信号的核心文献

D. 相关信息高亮：在文章全文中自动标注与监控目标最相关的内容片段，减少阅读全文的时间成本

E. 文档群摘要：对同一不良反应类型的相关文献群进行跨文档摘要，提炼整体证据模式

F. 关键数据点提取：结构化提取每篇文章中的关键数据字段，直接输出可用于PMS报告的数据表格

G. 监控与预警：配置持续监控，新发布的相关文献自动推送，确保数据收集的持续性和合规性

H. 与现有系统集成：通过API或集成接口，将Workspace的输出结果送入企业内部的合规管理系统（如MedDev QMS、DMS等）

Iris.ai明确宣称其为世界上首个实现PMS全流程AI自动化的平台，且置信度评估功能确保了人工复核的焦点集中在真正需要专业判断的高不确定性数据点上。

场景三：专利分析与知识产权竞争情报

专利文档是科研信息中最难处理的类型之一——语言高度形式化和技术化，关键技术细节往往隐藏在权利要求的复杂表述中，而专利号和引用关系的网络使手动溯源极度繁琐。Iris.ai通过内置USPTO集成和Extract工具，大幅简化了以下专利分析任务：

先行技术搜索（Prior Art Search）：将发明描述输入Explore，系统在专利库和科学文献库同步搜索相关先行技术，同时覆盖专利文档和非专利文献（学术论文、技术报告），比传统专利检索更全面

竞争对手技术布局跟踪：配置Monitor持续跟踪竞争对手的专利申请，新专利发布自动推送，结合Analyze工具进行主题分布分析，快速了解竞争对手的R&D投入重心变化

专利数据批量提取：从大量专利文档中自动提取关键权利要求、发明人、优先权日期、IPC分类等结构化数据，生成可供分析的专利数据库，消除人工提取的时间瓶颈

跨文献类型的综合分析：将专利分析与学术文献分析在同一Workspace中整合，能够看到技术概念在学术研究和产业专利之间的迁移路径，为R&D战略决策提供更完整的技术情报图谱

四、定价体系：企业定制为主，个人试用为辅

Iris.ai的定价策略非常清晰地映射了它的目标用户定位：企业级定制定价为主，个人研究者可申请试用。

官网没有公开标准定价表，这本身就是企业SaaS的典型定价策略——产品的价值取决于客户的数据规模、用户数量、集成复杂度和使用场景，一刀切的定价既不能反映高需求客户的实际价值，也不能为低需求客户提供合理的入门门槛。

企业订阅：根据R&D团队规模、文档处理量、数据集连接类型（外部付费数据库vs内部文档）和使用的工具模块组合定制报价。从公开的案例来看，主要客户群体是医药公司、生物技术企业、合同研究组织（CRO）、医疗器械制造商和大型工业R&D团队。

个人研究者/小型团队试用：个人用户可以申请免费试用或小规模Pilot项目，通常提供30-60天的限制功能体验版。免费版的功能限制较为严格，无法体现Workspace在大规模文献集合上的真实价值，更多作为技术验证入口。

学术合作计划：Iris.ai与部分高校和研究机构有机构授权合作，通过机构授权渠道使用的研究者费用由机构承担，定价条款以机构合同为准。

五、实测体验：六个专业场景的完整记录

测试一：语义搜索与关键词搜索的发现差异测试

测试设定：用一段描述”纳米颗粒在靶向肿瘤微环境中的药物递送机制，特别是关注pH响应性释放系统”的250字段落作为Explore输入，对比系统发现的文献与Google Scholar用”nanoparticles tumor pH-responsive drug delivery”关键词搜索的结果，分析两种方式发现文献的重叠度和差异。

结果：Google Scholar前20名结果与Iris.ai前20名结果重叠约6篇（30%重叠）。Iris.ai独有的14篇中，有8篇来自材料科学和化学工程期刊，这些文章在Google Scholar的生物医学关键词搜索中排名靠后或被遗漏，但它们研究的正是相同的pH响应性纳米材料原理，只是用化工领域的术语描述。

评价：这个测试结果是Iris.ai跨学科语义发现能力最直接的验证。70%的非重叠文献意味着两种搜索方式在很大程度上是互补的，而非简单替代关系。对于需要整合跨学科知识的研究者，Explore发现的跨学科来源是关键词搜索系统性遗漏的高价值文献。

测试二：大规模文献集合的Analyze主题建模效率测试

测试设定：上传一个包含320篇关于CRISPR基因编辑技术的文章集合，使用Analyze工具自动生成主题分布，记录处理时间和主题识别质量。

处理时间：约4分半钟完成320篇文章的主题建模分析

主题识别结果：Analyze自动识别出8个主要研究主题：

1. CRISPR-Cas9基础机制与结构生物学

2. 基因组编辑效率优化

3. 脱靶效应评估方法

4. 植物基因组改良应用

5. 疾病治疗临床前模型

6. 递送载体开发（病毒/非病毒）

7. 伦理与监管框架

8. 单碱基编辑和引导编辑（Prime Editing）新进展

质量评估：与领域专家对同批文献的人工主题分类结果对比，8个AI识别主题与专家分类高度吻合（7个完全匹配，1个AI将专家区分为两个主题的内容合并为一个主题）。AI分类用时4.5分钟，专家人工分类用时约3.5小时。在质量相当的前提下，时间压缩比约为47:1。

测试三：Extract数据提取精度与置信度评估测试

测试设定：从15篇随机抽取的II型糖尿病临床试验文章中，使用Extract自动提取5个数据字段：①试验样本量，②干预措施，③主要终点，④随访时长，⑤HbA1c基线均值。

提取精度结果（对比人工核查）：

• 样本量：15/15正确（100%）

• 干预措施：14/15正确（93%，1篇文章的干预措施描述不完整）

• 主要终点：13/15正确（87%，2篇使用了非标准化术语描述主要终点）

• 随访时长：15/15正确（100%）

• HbA1c基线均值：12/15正确（80%，3篇文章的相关数据在全文表格而非正文中）

置信度评估功能测试：15篇文章共提取75个数据点，Extract标注了11个数据点为”低置信度”（需要人工核查），人工核查后发现：11个低置信度数据点中有7个确实有问题（误标率63%），4个实际上是正确的（置信度低估）；同时，未被标注为低置信度的64个数据点中有7个也有问题（漏标率11%）。

综合评估：Extract的提取精度在标准格式文档（数据在正文描述中）的场景下高达93-100%；在数据以表格形式呈现时精度下降到80%左右（Table Data Extraction在最新版本中有所改善但仍有局限）。置信度评估系统的覆盖率合理（63%的问题被正确标注为需要复核），但存在约11%的漏标，建议对高风险字段（如关键终点指标）进行全量人工复核而非只核查低置信度标注项。

测试四：多文档摘要的综合性与准确性测试

测试设定：对一组由12篇相互关联的关于Dupilumab在特应性皮炎治疗中的安全性评估文章使用多文档摘要功能，评估摘要的综合性和准确性。

摘要质量评估：
生成摘要约750词，覆盖了这12篇文章的主要核心发现：三个主要安全性信号（结膜炎、注射部位反应、嗜酸性粒细胞升高）在摘要中均被正确提及，且引用了具体研究的发现作为支撑。文章间的主要结论分歧（关于结膜炎发生率的不同估计）被正确识别并在摘要中呈现。文章普遍的方法论局限性（随访时长不一致、患者群体差异）也被提炼出来。

局限发现：摘要中有1处数据引用了来自一篇摘要文字不够清晰的文章，给出的发生率数字与那篇文章的实际数据有轻微差异（原文说”约8-12%”，摘要写成了”约10%”）。对于需要精确数据引用的合规报告场景，多文档摘要应作为初稿参考而非直接引用，仍需要针对关键数据进行原文核查。

时间价值：传统方式对12篇文章进行综合性分析并撰写类似质量的综合摘要，平均需要4-6小时。Iris.ai的生成时间约为3分钟，初稿质量已达到”有价值的起点，需要小幅修订”的水平。

测试五：Monitor预警系统的实用性测试（30天追踪）

测试设定：配置一个监控条件（主题：AI在药物毒理学评估中的应用），持续30天观察预警系统的运行情况，评估新文献推送的相关性和遗漏率。

30天数据：

• 共推送新文献提醒：22次（平均约0.7次/天）

• 推送文献总数：87篇

• 人工评估高相关性（应当收录）：62篇（71%的推送文献被判定为高相关）

• 人工评估中相关性：19篇（22%）

• 不相关推送：6篇（7%噪声率）

遗漏率评估：在同期，通过人工在PubMed搜索同主题新文献，发现有约15篇符合条件的文献未被Monitor推送，遗漏率约19%。分析遗漏原因：大部分遗漏文献来自非PubMed收录的预印本平台（bioRxiv）和部分小型专科期刊，说明Monitor的数据源覆盖在主流期刊上的召回率高，在预印本平台和长尾期刊上仍有覆盖缺口。

实际价值评估：对于需要持续跟踪特定主题的PMS或情报分析人员，Monitor实现了”主要文献自动送达，人工精力集中在复核”的工作流优化，7%的噪声率和19%的遗漏率在实际操作中均处于可接受范围，但对遗漏率有零容忍要求的监管合规场景，仍需辅以定期人工补充搜索。

测试六：专利先行技术搜索与传统专利数据库比较测试

测试设定：以一个假设发明（”用于可穿戴设备的自适应能量收集与存储系统，通过机器学习算法优化能量管理”）分别在USPTO专利数据库（关键词搜索）和Iris.ai Explore（描述性文字输入）进行先行技术搜索，比较相关专利的发现质量。

USPTO关键词搜索（using “energy harvesting wearable machine learning”）：返回结果127篇专利，前20名中15篇高相关，5篇低相关

Iris.ai语义搜索（输入200字发明描述）：返回文献集合包含专利94篇+学术论文183篇，专利中前20名有18篇高相关，且发现了3篇1990年代发表的早期能量收集基础专利，这些专利因使用当时的技术术语（不含”machine learning”等现代词汇）在关键词搜索中无法被发现，但概念内容高度相关。

评价：Iris.ai在先行技术搜索中的跨时代文献发现能力是传统关键词搜索无法复制的——一项发明的核心概念可能在三十年前就有先行技术，只是当时的术语体系完全不同。语义搜索绕过了这个术语演变的时间壁垒，这对于需要全面彻查先行技术的专利申请前评估有决定性价值。