當AI已不可阻擋，知識產權人如何在浪潮中站穩腳跟？

相信每個朋友都注意到，不論是朋友圈里的長文、還是手上的技術交底書，AI的痕跡已經像空氣一樣彌漫在文字世界中，但總感覺少了一些人味。

AI已經無處不在的既成事實，知識產權從業人員也無法例外，而且更加密切相關，我們從事的工作很大一部分正是AI擅長的地方。

反映到專利領域，這股浪潮沖擊得更為猛烈。即使企業對代理機構禁止使用AI，也幾乎無法阻止發明人在提交交底書之前用AI優化技術方案的表述，或者將零散的實驗數據編織成一段邏輯自洽的發明描述。AI帶來的效率提升是數量級的，一份過去需要兩周打磨的專利說明書初稿，AI可以在幾分鐘內生成一個看起來相當像樣的版本。這種效率差距，使得任何全面禁止的指令都顯得蒼白無力。

更讓管理者感到棘手的是，AI的使用幾乎無法被追溯。發明人用大模型研究了一個技術問題，模型基于訓練數據給出了建議，發明人據此調整了方案。這個過程中，原始信息被模型消化后，就像廢塑料回收切碎后重新熔鑄，原來的形態痕跡已經完全消失在模型的參數海洋中。你無法從最終輸出中還原這段話是AI寫的這一事實，正如你無法從一個塑料制品中辨認出它曾經是哪個廢舊瓶子。

這種不可追溯性反過來進一步加速了AI的滲透。翻譯領域已經率先經歷了這一變革，許多企業已經默認代理機構使用AI輔助翻譯，價格也因此出現了結構性的調整。專利撰寫領域正在步其后塵。可以合理預見，在不遠的將來，假設代理師和發明人使用了AI將成為行業的默認前提，如同今天我們默認所有文檔都是用電腦而非手寫完成的一樣。

因此，我們必須直面一個現實，在技術上全面禁止發明人和代理師使用AI，既不現實，也不明智。真正的問題不是能不能用AI，而是用了AI之后，會帶來什么風險，我們如何管理這些風險。

一、AI寫的專利能被檢測出來嗎？現實比想象中骨感

面對AI撰寫的普及化趨勢，很多企業和機構的第一反應是：能不能開發一種檢測工具，像查重軟件一樣，標記出哪些內容是AI生成的？

這個想法很自然，但遺憾的是，目前的技術現實給出的答案相當悲觀。

目前AI文本檢測主要依賴四條技術路徑。第一條是困惑度與突發度分析：人類寫作用詞更不可預測，長短句交替變化大，而AI生成的文本則傾向于選擇概率最高的詞匯組合，句式節奏高度均勻。GPTZero等工具即以此為核心信號。第二條是分類器方法：通過在大量人類與AI文本的標注數據上訓練BERT、RoBERTa等模型來識別差異，Turnitin采用的就是這種思路。第三條是零樣本檢測：如斯坦福2023年提出的DetectGPT，利用AI文本傾向于處在模型對數概率局部極大值附近的統計特征進行判斷。第四條是水印技術：在AI生成文本時嵌入統計上可檢測的信號，例如偏好使用特定詞匯子集，Google DeepMind的SynthID-Text即屬此類。

這里面最大的問題假陽性，此外，人工的適當干預會使得識別準確率快速下降。而且專利文本具有幾個讓AI檢測格外困難的固有特征。權利要求書使用高度標準化的法律語言，這種刻意的公式化和重復性，恰恰是檢測器標記為疑似AI的統計特征。專利文本刻意最小化語言多樣性以確保法律精確性，這與AI輸出的統計特征高度重合。筆者做過很多測試，專利領域的AI檢測假陽性要高得多。

現有AI檢測工具在專利文本上的可靠性低，大量人工撰寫的專利文本會被誤判為AI生成，而經過編輯的AI生成專利文本要難以被準確識別。此外，市場已經出現了很多讓AI內容人性化的工作，針對檢測的方式做調整。假設把AI寫的文字當成用水果刀切開的西瓜，每片都非常整理，AI人性化工具會把這些刀切的西瓜轉化為像手掰開的西瓜那樣不均勻。

基于檢測的治理路徑，在專利領域不具備可行性。調研未發現任何主要專利局使用或公開計劃使用AI文本檢測工具來篩查專利申請中的AI生成內容。各專利局的AI應用方向集中在檢索輔助和流程優化，而非內容檢測。

二、各國專利局怎么看AI撰寫的專利文件？

既然檢測不可行，那各國專利局對AI撰寫的專利文件到底持什么態度？這里需要區分兩個層面的問題：一是AI作為發明人的資格問題，二是使用AI作為撰寫工具的合規問題。

全球主要專利局已形成一項核心共識是AI不能成為發明人，但AI輔助完成的發明可以獲得專利保護。這一共識通過DABUS系列案件在全球各主要司法管轄區得到了司法確認。美國聯邦巡回上訴法院、英國最高法院、EPO上訴委員會、日本知識產權高等法院、韓國法院、中國國家知識產權局，無一例外地駁回了將AI系統列為發明人的嘗試。

但在這個共識之下，各國在具體的政策框架、披露要求和審查標準上存在顯著差異。

美國USPTO經歷了一次重要的政策轉向。2024年的指南曾試圖引入Pannu要素測試來評估人類對AI輔助發明的顯著貢獻，但該指南已于2025年底被完全廢止。新指南將AI明確定義為工具，與實驗室設備、計算機軟件同等對待，不再對AI輔助發明適用特殊標準。在披露義務上，USPTO沒有設置通用的AI使用披露義務，但當AI使用對可專利性具有實質影響時，例如影響了發明人資格的判斷，必須向USPTO披露。代理人不能將審查責任委托給AI，必須親自核實所有AI起草內容的準確性。

歐洲EPO通過2025年《審查指南》新增條款明確：無論文件是否借助AI工具準備，當事方及其代理人對專利申請和向EPO提交文件的內容負有全部責任。EPO不要求披露AI使用情況，但對技術公開的實質要求極為嚴格，如果數學方法和訓練數據集的公開不足以使技術效果可再現，則構成公開不充分。T 0161/18號判決確立了缺乏AI訓練數據細節可構成公開不充分的先例。

一個關鍵問題：如果寫出來的專利本身合格，但被發現完全由AI生成，法律上如何定性？

這是一個目前尚無明確判例的灰色地帶，但可以從現有法律框架中推導出答案。從各國的政策導向來看，AI撰寫專利文本本身并不構成專利無效的獨立理由，各國專利局普遍不禁止使用AI起草專利文件。真正的法律風險集中在兩個層面：一是如果AI實質上生成了技術方案而人類未形成法定意義上的構思貢獻，則觸發發明人資格問題，可能導致權利歸屬鏈條斷裂和專利無效；二是如果AI撰寫導致了內容上的實質缺陷，虛假引證、不充分公開、權利要求缺乏說明書支持等，則通過現有的無效理由呈現后果。換言之，法律關注的不是誰執筆，而是誰構思和寫得對不對。至于用AI寫還是完全純手工撰寫，專利局似乎并不在意。

也許未來撰寫也像食品領域一樣，會出現“純手工撰寫”的專利。

三、AI時代的泄密問題

當發明人將一份包含核心技術方案的交底書輸入到消費者版AI工具時，會發生什么？主流消費者級大模型，包括ChatGPT會默認會將用戶輸入用于模型訓練和改進。這意味著你輸入的技術方案會被拆解為數據特征，通過訓練過程永久性地融入模型的神經網絡權重中。

這個過程類似于將廢舊塑料回收后切碎、熔融、重新造粒，原材料的形態已經完全消失，你無法從最終產品中辨認出原料的來源。但那些技術特征確實已經成為了模型知識的一部分。當其他用戶在相關技術領域提問時，模型完全可能將之前攝取的技術細節以重新組合的形式輸出給第三方。而這一切，原始輸入者永遠不會知道。

特別值得警惕的是，許多企業用戶存在一個危險的誤解：以為付費訂閱就等于數據安全。事實上，個人付費訂閱購買的是性能，不是隱私。很多模型提供商只有企業版和API層級才提供明確的不訓練保障、零數據保留。對于消費者個人充值的賬號，找出退出訓練的按鈕比找視頻包裝袋上的生產日期難得多，一般用戶也沒有那個意識。

目前尚無法院明確裁定向公共AI平臺輸入信息是否構成破壞新穎性的公開披露，但這里面存在一個風險，就是用戶向大模型輸入的內容是否有可能被認為是向第三方公開？筆者注意到學術界已經有一些爭議。

另一個常被忽視的風險是很多大模型產品的分享對話功能，安全研究人員發現超過70,000條共享對話可被搜索引擎檢索。如果發明人在使用AI過程中無意中分享了包含技術方案的對話，這些內容可能已經被搜索引擎索引，構成了明確的現有技術。

即便不考慮新穎性問題，將商業秘密輸入消費者AI工具也直接損害了采取合理措施維持保密性這一商業秘密保護的前提要件。2023年三星事件是最廣為引用的警示，工程師將機密芯片測試序列和會議紀要輸入ChatGPT，數據被按政策保留在OpenAI服務器上且無法追回。2024年West Technology Group v. Sundstrom案中，員工使用AI工具記錄保密會議已引發商業秘密侵權訴訟。

更深層的威脅來自AI的推斷能力。隨著AI工具更準確地從公開材料推斷專有流程，機密信息可能被認定為容易確知的，從而喪失商業秘密保護資格。這意味著，即使你的技術方案沒有被直接泄露，AI通過整合公開信息推斷出相似方案的能力，也在不斷侵蝕著商業秘密的護城河。

如果專利申請資料在提交前就被輸入到大語言模型并用于訓練，訓練完成后模型擁有了比最終公開的專利文本更多的信息，那些被你在正式申請中有意省略的實施細節、被你作為商業秘密保留的參數范圍、被你策略性地模糊處理的關鍵環節，都可能成為模型知識的一部分。這些信息雖然不會以原文形式出現，但可能通過其他用戶的提問被間接輸出，構成一種潛在的公開。

這種風險的嚴重性在于其不可控和不可逆。一旦數據進入模型訓練流程，就像墨水滴入清水，你永遠無法將其完全取回。

四、AI幻覺需要每一行遞交給官方的文字都需要人類把關

AI撰寫的另一個系統性風險是幻覺。大模型以極高的自信生成看似合理實則錯誤的內容。在專利領域，這種風險的后果尤為嚴重。

審核AI的難度遠大于審核人。人類犯錯往往有可預測的模式，拼寫錯誤、格式遺漏、某個引用忘記更新，這些形式問題容易發現。但AI的錯誤恰恰相反：形式上完美無瑕，邏輯上卻可能存在致命缺陷。AI可能編造一篇不存在的現有技術文獻，卻配上看起來完全真實的期刊名、卷號和頁碼；可能描述一個在化學上根本無法合成的化合物，卻用專業術語將其包裝得無懈可擊；可能將兩個互不相關的技術特嫁接在一起，形成一個違反物理常識但文字上讀起來自然流暢的技術方案。

因此，一個不可妥協的底線是，遞交給任何官方機構的正式文件，每一個字、每一個引用、每一個技術參數都必須經過人工審核。這不是效率問題，而是職業責任問題。

五、企業針對AI需要分級管理

面對AI不可阻擋的滲透，企業IP部門需要的不是要么全禁、要么全放的極端選擇，而是一套精細化的分級管理框架。核心原則是認清AI的優勢和風險，對不同類型的IP工作進行差異化管理，在效率提升和風險控制之間找到精確的平衡點。

1. 識別低風險、高收益的AI應用場景

有相當一部分IP工作天然適合AI介入，因為輸入到模型的內容本身就是公開信息或即將公開的信息，泄密風險極低，而效率提升顯著。這些場景包括：

已公開或已申請專利的翻譯。輸入內容已經是公開信息，AI能獲取的最多是你的翻譯策略和偏好。審查意見答復中的分析工作，AI非常適合分析審查意見、歸類駁回理由、整理先行技術引用。但策略決策和論證邏輯必須由人工主導，因為每一份與審查員的通信都成為永久記錄，縮窄性修改將永久禁止通過等同原則主張被放棄的范圍。專利無效分析和競爭對手專利研究，分析競爭對手的公開專利、進行無效檢索、研判技術發展趨勢，這些工作處理的都是已公開的信息，是AI大展身手的理想場景。專利分析與布局研究，針對競爭對手的防御專利研究、阻礙專利布局策略分析等，輸入內容基本是公開的專利文獻和市場信息。

2. 對撰寫和查新進行分級控制

對于涉及未公開技術方案的查新和撰寫工作，企業應建立明確的分級制度：

絕密級別嚴格禁止輸入任何外部AI工具，包括企業版云服務。僅可在完全物理隔離的本地私有化LLM環境中使用AI輔助，數據不離開組織網絡。此類專利的撰寫費用應當體現其安全保障的附加成本。高度機密可在經過安全評估的企業版云服務中使用AI輔助，但需確保供應商具備零數據訓練的合同保障。

改進型專利、防御專利可以在符合企業安全策略的AI工具中使用。基于公開信息的布局專利、外圍專利可以更靈活地使用各類AI工具，包括專用專利AI平臺等，這些工具在安全性和領域適配性上顯著優于通用LLM。

3.正式文件的人工審核零容忍

所有遞交給專利局、法院或其他官方機構的文件，必須逐字逐句經過人工審核，重點關注引證真實性、技術方案可實施性、術語一致性和權利要求的戰略合理性。

4. 構建可持續的AI治理框架

企業需要讓每一位可能接觸AI工具的員工，不僅是專利工程師和代理人，也包括研發人員，了解不同AI服務層級的數據處理方式差異。消費者版、團隊版和企業版之間的隱私保障存在天壤之別，這種認知差距可能導致災難性后果。

建立AI使用記錄制度。記錄何種AI工具用于何種任務、輸入了何種類型的信息。這不僅是合規需要，也是在未來面對審查或訴訟時證明企業盡到了合理注意義務的關鍵證據。

更新保密協議和員工手冊。明確覆蓋AI工具使用場景，對違反AI使用規范造成的泄密后果做出明確約定。

簡單的一刀切禁令不可持續，也不利于企業從AI中獲取價值。與其試圖逆潮流而行，不如正視現實，建立務實的管理框架，提供安全的AI工具作為替代方案，建立清晰的使用指南和分級體系，通過流程設計將風險控制在可接受范圍內。

在AI深度融入創新流程的時代，企業IP部門的角色正在經歷根本性轉變，核心不在于與AI為敵，而在于駕馭AI，在效率提升與風險控制之間，找到那個精確的、屬于你的企業的平衡點。