专利体系植根于工业，这点从《巴黎公约》的全称《保护工业产权的巴黎公约》即可看出。《巴黎公约》缔结于1883年，在那个时代，“工业”尚处于蒸汽世代，几乎所有工业产品都是实体化的。在此前提下，对专利进行分类并不是一件困难的事情，因为有明确的实体产品可以作为分类依据，例如火车和纺织机分属于不同的领域，关于它们的不同的创新可以自然地分为不同的种类。
在蒸汽世代之后，人类又经历了电气革命和信息革命，将人类带入了电气世代和信息世代。在电气世代，绝大多数产品仍具有实体形态，例如收音机、电视机等；在信息世代，软件逐步取代了硬件的地位，在产品中占据越来越重要的比重，并且随着计算机技术的发展，这一趋势在加速进行。目前，人们似乎处于一个AI爆发的年代，几乎所有的产品都是（软件）服务。
随着人类世代不断由硬向软进化，一个在专利领域的困难已经很明显地出现了：AI专利已经无法被分类了。
正如对植物进行分类是为了更好地管理植物学知识，对专利进行分类的原始目的是为了更好地管理专利信息-尤其是它们作为现有技术被检索的时候更是如此；另一方面，在企业内进行无形资产管理的时候，很自然地需要一定的标准/维度对它们进行标定。
类似于希尔伯特空间内的任意向量可以有一组正交基矢（最简单的此类基矢可以是三维空间的x-y-z轴）进行展开那样。对植物进行分类有着较为明确的“基矢/基准”-从高到低的“门-纲-目-科-属-种”。对蒸汽和电力世代的人类产品，对其进行分类也有比较明确的“基矢/基准”-即不同用途的（硬件）产品本身。锤子和咖啡壶是两种不同用途的商品，不论从形状和使用场景来看都是如此，因此，将涉及锤子的发明和涉及咖啡壶的发明分为两类是自然且合理的。需要指出的是，在进行这种植物分类和硬件专利分类时，所使用的“基准”当然不能达到数学意义上的精确，但当产品中硬件成份居多的时候，这种分类的确是易于进行和理解的。
但是，当产品中软件成份占据主导，尤其是当专利创新点主要凝结在软件部分的时候，分类就变得难以进行。从某种意义上说，对这类专利进行分类是毫无意义的。而在如今的AI专利中，几乎所有创新点都在软件而非硬件上。
举个例子，一个自然语言处理领域的创新技术方案（专利）。从应用场景上来说，它可以用于手机/车辆/家用电器…任意一种终端设备上的聊天功能。因为创新点在于软件部分，故这个专利的实体（硬件产品）维度的分类基准已经不存在。这个专利并不是某个产品的专属功能，而是一种通用功能。
或许有人认为，可以按照发明的本质部分来对其进行分类。如果上一段讨论的自然语言领域的专利的发明点在于对马尔可夫过程做了某些改动，那么就可以以此作为分类基准。这种想法是好的，但不具有实际可操作性。原因在于：第一，进行分类的人多半不具有此种“鉴别”真正发明点的能力；第二，真正具有数学创新点的专利比率极小，笔者估计这个比率大约低于1%，目前绝大多数AI专利属于场景应用型/现有技术拼凑型；第三，AI专利的权利人在申请专利的时候，往往了隐藏真正的“创新部分”，而仅呈现应用场景-关于此点，只需看一下OpenAI申请的专利就可以理解。这些专利100%为应用场景和交互过程描述，但是关于模型仅有通用和泛化的举例，GPT究竟是什么样子的（尤其是其权重）在专利申请中根本未被涉及。基于以上，“鉴别出AI专利中真正的发明点并按照真正的发明点进行分类”仅是一种理论上可行的想法。
回顾此次深度学习的浪潮（大约自上世纪90年代起至今），从本质上说是由计算机工业的进步+应用数学所驱动的。前者提供了速度越来越快的通用图灵机和存储单元，而后者提供了一种自下而上的通用方法（这里笔者不将其称为算法），基于此方法可以发现大量数据中潜藏的模式。这两个条件决定了本次深度学习浪潮（也就是目前AI所使用的主要方法）的创新发生在数学层和物理层之间-整体上更偏数学层。
从专利法角度来说，数学领域的创新一般不具有/欠缺专利适格性；但这种创新在计算机工业的加持下应用于生产生活的各种场景，才给了此类AI专利以适格性，同时，亦对此类AI专利带来了无法分类的困难。因为一方面，数学层的创新点无法作为分类基准；另一方面，应用层“微弱”的创新点几乎完全依赖于场景，而应用场景是无穷的，同样无法作为分类基准。
或许对目前的AI专利而言，对其分类的一种可行办法是利用AI领域常用的手段-将整篇专利转换为向量空间的一个矢量，依据不同矢量之间的距离来确定哪些专利更接近一些。
/*本文完全由人类写就*/
粤ICP备14082021号
免费POC，
零成本试错
