无法分类的AI专利

专利体系从诞生之初就与工业紧密绑定。这话可不是随便说说的——1883年《巴黎公约》的全称《保护工业产权的巴黎公约》就是铁证。在那个蒸汽动力主导一切的年代，几乎所有工业产品都看得见摸得着。给火车和纺织机上的新发明分门别类，自然不费什么力气，毕竟它们是两码事。

接着，人类经历了电气革命和信息革命，产品形态也从实打实的硬件，一路滑向虚拟的软件。电气世代好歹还有收音机、电视机这些实物；到了信息世代，软件成了主角，而且这趋势还在加速。眼下，AI爆发了，几乎所有产品都变成了某种服务。

世代由硬向软的转变，给专利领域带来了一个颇为棘手的问题：AI专利已经没法好好分类了。原因很简单——分类的初衷，是更好地管理知识。好比植物分类，靠着“门-纲-目-科-属-种”这套参照系，才能把植物学知识整得井井有条。对专利来说也一样，管理现有技术和企业无形资产，都需要一个清晰的标尺。

在蒸汽和电力时代，这个标尺很明确：不同用途的硬件产品。锤子和咖啡壶，一看就知道不是一类。即使这种分类做不到数学般精确，只要硬件是主角，它就是好用的。

可一旦软件成了主角，尤其是当创新点落在软件上时，分类就开始让人头疼了。某种意义上说，给这类专利分类，几乎失去了意义。而现在的AI专利，创新点基本都在软件上。

举个例子。一项自然语言处理的专利，应用场景可以是手机、汽车、家电、甚至任何设备的聊天功能。因为创新在软件，硬件的分类基准就失效了——这项专利不再是某个产品的专属，而成了通用功能。

有人可能会说，那就按发明的本质来分呗。比如上面那个专利，发明点是对马尔可夫过程做了改动，那就按这个改到来归类。这想法不错，但实操起来几乎行不通。原因有三：第一，负责分类的人未必有鉴别发明点的能力；第二，真正有数学创新的专利凤毛麟角，估计低于1%，大部分是场景应用或现有技术的组合；第三，专利权利人在申请时，往往会刻意隐藏真正的创新点，只呈现应用场景。看看OpenAI的申请就明白了——100%是应用场景和交互过程描述，至于模型本身，只有泛泛举例，真正权重完全不提。所以，“按发明点分类”理论上可行，实际上只是纸上谈兵。

回顾这波深度学习浪潮（从90年代到现在），本质是计算机工业进步和应用数学共同推动的。计算机提供了更快的通用图灵机和存储；数学提供了一种自下而上的通用方法，能从海量数据中发现模式。这两个条件决定了，AI创新发生在数学层和物理层之间——更偏向数学层。

从专利法角度看，数学领域的创新通常不具备专利资格。但有了计算机工业的加持，这些创新用在各种生产生活场景里，才勉强获得资格，同时也带来了分类难题。因为一方面，数学层的创新没法当分类基准；另一方面，应用层的创新又过度依赖场景，而场景是无限的，同样无法做基准。

或许，一个可行的办法是借用AI领域常用的做法——把整篇专利转化为向量空间里的一个矢量，然后根据矢量之间的距离，来判断哪些专利更接近。

/*本文完全由人类写就*/