过去十年，很多科技企业在知识产权上的打法很简单：专利多申请、软著多登记。尤其是融资、招投标、高新认定、政府项目申报，专利和软著几乎是“标配材料”。但近两三年，行业明显变了：

· 专利审查越来越严，非正常专利申请被大量打击，低质量专利授权变难；

· 软著登记审核更细，材料一致性、源代码真实性、版本对应关系审查趋严；

· AI生成代码、算法方案大量出现，传统专利和软著对AI成果的保护能力明显下降。

继续走“堆证书”的老路，已经越来越难走通。AI时代，知识产权保护必须从“拿证思维”转向“资产保护和风险控制思维”。

一、为什么专利、软著都变难了？
1. 专利端：从数量导向转向质量导向

近年的知产行情，最大的变化之一就是非正常专利申请整治。

过去一些企业为了政策补贴、申报高新技术企业、完成指标，批量申请低质量专利。如今国家知识产权局对“不以保护创新为目的”的非正常专利申请打击力度很大，大量专利被撤回、驳回，代理机构也被处罚。

同时，专利审查中，对创造性的要求明显提高。尤其是纯算法、纯商业模式、纯软件方法类专利，容易被认为是“智力活动规则”或“抽象思想”，属于专利法不予保护的对象。

AI相关专利更是如此。纯算法模型、神经网络结构、训练方法，如果只停留在数学层面，没有落地到具体技术场景，授权难度很大。即使授权，后续维权时稳定性也可能不足，容易被无效。
2. 软著端：从形式登记转向实质核验

软著曾经是“下证快、门槛低”的代名词，但现在审核明显收紧。

版权中心对源代码、说明书、运行界面、版本一致性、开发完成时间等材料的要求更细。材料不规范、源代码前后不匹配、版本混乱、说明文档与代码不一致，都可能被退回补正，甚至不予登记。

更重要的是，司法实践中，软著证书的证明力也在下降。软著登记证书只是初步证据，一旦对方提出相反证据，比如开源代码、第三方库、更早的公开代码、人员开发记录等，证书很容易被推翻。

AI时代，大量代码由AI辅助生成，权属问题进一步复杂化。哪些代码是人工写的，哪些是AI生成的，AI生成部分是否有独创性贡献，往往说不清楚。这导致软著确权难度进一步上升。

二、AI时代，知产保护面临的新问题

AI带来的不只是“申请变难”，而是整个知识产权逻辑的变化。
1. AI生成技术方案，专利怎么申请？

目前主流司法实践不承认AI可以作为发明人。也就是说，完全由AI自主生成的技术方案，很难直接以AI为发明人申请专利。

但如果人类对技术方案进行了实质性贡献，比如提出技术问题、设计整体架构、筛选和验证方案、对模型进行改进，仍然可以以人类为发明人申请专利。

问题在于：AI参与度高，人类贡献点不清晰，导致专利申请文件中难以把“人机边界”写清楚。这需要企业在技术研发过程中，就刻意保留人的贡献证据。

2. AI生成代码，版权怎么确权？

AI生成代码是否构成作品，目前主流观点是：如果只是简单提示生成，缺乏人类独创性贡献，可能不构成著作权法意义上的作品；如果人类进行了筛选、修改、编排、集成，体现了独创性，则可能构成作品。

这意味着，企业不能默认“AI生成的代码就是我们公司的版权”。必须保留提示词、版本记录、人工修改记录、测试日志等，证明人类的独创性贡献。

3. 核心算法、模型权重、训练数据，软著和专利都不好保护

软著只保护代码表达，不保护思想、算法、模型结构。而专利需要公开技术方案，且AI核心算法授权不稳定。

但AI企业真正的核心竞争力，往往在：

· 模型权重；

· 训练数据；

· 数据清洗流程；

· 超参数调优经验；

· 提示词工程；

· 用户反馈数据闭环。

这些资产，很多不适合通过专利公开，也不能靠软著保护。它们更像是商业秘密。

三、AI时代知产保护的三个转变

面对“专利难、软著难”，不是不要专利和软著，而是要改变思路。

1. 从“拿证书”转向“留证据”

证书只是知产保护的一环，绝不是全部。真正在维权、融资、并购中起作用的，是完整的证据链。

2. 从“单点申请”转向“分层组合保护”

没有哪一种知产工具可以单独保护AI产品。应当是：

· 商业秘密保护核心算法、模型参数、训练数据；

· 专利保护应用场景、工程实现、系统架构；

· 软著/版权保护代码表达、界面设计、文档；

· 数据知识产权登记保护数据集；

· 合同保护客户关系、数据来源、员工流动。
3. 从“技术公开换保护”转向“能隐藏的隐藏、能登记的登记、能约定的约定”

专利需要公开，商业秘密需要保密。两者天然有冲突。对快速迭代、容易被绕过、难以举证的核心技术，更适合用商业秘密保护；对容易被反向工程、侵权举证相对容易的技术，更适合用专利保护。

四、具体怎么办：AI企业知产保护五条路线
1. 商业秘密优先，保护核心算法与数据

AI时代，很多最值钱的东西不适合申请专利，因为一旦公开，就失去了信息差优势。

建议将以下内容纳入商业秘密保护：

· 核心模型架构、权重；

· 训练数据集、数据标注规则；

· 数据清洗和增强方法；

· 超参数调优方案；

· 提示词工程、工作流；

· 用户行为数据及其分析方法；

· 模型迭代过程中形成的经验性规律。

商业秘密的好处是无须公开、保护期没有固定限制，但前提是企业必须建立保密措施：

· 分级分类标识；

· 访问权限控制；

· 日志审计；

· 员工保密协议；

· 竞业限制协议；

· 供应商、合作方保密条款；

· 离职交接制度；

· 数字水印、版本指纹等溯源手段。

没有保密措施，法律上很难认定为商业秘密。

2. 专利换打法：少而精，布局应用场景

纯算法专利授权难，但并不意味着完全放弃专利。

AI企业可以围绕以下方向申请专利：

· 算法与具体硬件结合；

· 数据处理流程与工业场景结合；

· 交互方式、人机协同方案；

· 模型训练效率提升方法；

· 推理加速、模型压缩、部署优化；

· 安全合规、隐私计算、联邦学习；

· AI在具体行业中的落地系统。

举例：不要只申请“一种深度神经网络训练方法”，而是申请“一种用于工业质检的缺陷识别方法、装置及电子设备”，把算法、数据采集、预处理、判别输出、设备控制写成一个完整技术方案，这样更容易授权，也更有维权价值。

建议一个核心产品初期布局3—8件高质量专利，而不是几十件低质量专利。每件专利写清技术问题、技术手段、可量化效果。

3. 软著仍可申请，但要配合证据链确权

软著证书虽然不是“尚方宝剑”，但仍然是基础确权文件之一。

更重要的操作是：

· 保留完整的Git提交历史；

· 保留需求文档、设计文档、测试报告；

· 保留版本发布记录、安装包哈希值；

· 关键版本通过可信时间戳、区块链存证平台存证；

· 对AI辅助生成代码，记录Prompt、模型版本、人工修改过程；

· 对使用开源代码的部分，记录来源和许可证类型，避免权利瑕疵。

软著的作用不是“证明这代码一定是我写的”，而是在争议发生时，配合其他证据形成完整的时间线和权属链条。
4. 数据资产登记与开源合规

数据是AI时代的核心资产。目前全国多地正在推行数据知识产权登记、数据资产登记、数据产品挂牌等试点。对高质量数据集、数据产品进行登记，有助于在融资、交易、维权中确认权属。

同时，开源合规必须重视。AI项目大量依赖开源框架、开源模型、开源数据集。如果核心产品使用了GPL等传染性强的开源许可，可能导致整个产品被要求开源。建议：

· 建立开源许可证使用清单；

· 核心闭源模块与开源模块隔离；

· 对模型、数据、代码分别建立合规审查流程；

· 明确哪些可以开源获客，哪些必须闭源保护。
5. 合同与组织管控

很多知产问题，本质是人的问题和合同问题。

· 劳动合同中明确知识产权归属；

· 委托开发合同明确代码、模型、数据成果归属；

· 与合作方约定训练数据使用权、模型微调成果归属；

· 与客户约定AI生成内容的知识产权归属；

· 对核心员工设置合理的竞业限制和保密义务。

合同管控做得好，可以避免大量后续纠纷。

五、不同主体，策略不同
1. 初创公司

初创公司资源有限，不宜在专利上烧太多钱。建议：

· 核心算法、模型权重、训练数据，优先用商业秘密保护；

· 围绕核心产品申请1—3件高质量应用专利；

· 核心版本代码做软著登记和可信存证；

· 关键数据集做数据知识产权登记或存证；

· 把主要精力放在产品迭代、数据积累和客户信任上。
2. 成熟企业

成熟企业需要更系统的知产体系：

· 专利池、标准必要专利布局；

· 海外专利布局，尤其是美国、欧洲；

· 开源合规审查；

· FTO防侵权检索；

· 竞争对手专利监控和无效分析；

· IP资产纳入财务和投融资体系。
3. 个人开发者、创业者

个人开发者的代码、作品完成即自动产生版权，但维权需要证据。建议：

· 关键节点做可信时间戳或区块链存证；

· 选择适合的开源许可证；

· 打造个人品牌商标；

· 对AI生成内容保留人类创作贡献证据；

· 不要盲目追求专利数量，必要时先做商业秘密和版权保护