主页见解AI 发明的专利悖论

AI 发明的专利悖论

类别

许可观点

日期

2026年9月08日

我们可能即将迈进这样的阶段：越来越多发明无法符合专利法关于创造性的要求

作者：Sharaz Gill

一直关注我“AI 对专利法与许可的冲击”系列文章的读者想必了解，我对这事的琢磨很大程度上受到这个领域新应用或新进展的启发。本篇最新文章也不例外。最近，我在 Singularity Hub 读到一篇关于雅各比猜想的文章，这是近 90 年数学界一直攻克不了的数学难题。我虽不懂高深的数学，但真正吸引我的并非这个猜想本身，而是 AI 在寻找这个学者们苦苦搜寻的反例过程中所发挥的作用。

数学家 Levent Alpöge á lez 一直借助 Claude Fable 5 模型研究这个难题。我感兴趣的点，不在于 AI 是否推翻了这个猜想，也不在于究竟该把功劳记在 Alpöge 还是 AI 模型头上。而是 Alpöge 与 AI 模型之间的相互作用。Alpöge 找到的反例显然出奇地简单，真正的难点在于如何从海量潜在多项式映射中将其筛选出来。AI 帮助这位造诣深厚的数学家在庞大的搜索空间中进行检索，找到了数十年来躲过无数研究者视线的答案。它在很大程度上拓展了这位本就极其优秀的学者的研究能力边界。

这里暗藏着一个潜在的概念误区，专利律师尤其需要留意。解决问题的能力、创新与创造性并非同一个概念。Alpöge 的这项数学发现证明其具备高超的问题解决能力，但在专利法审查标准下，这项发现却无法被认定为一项发明。同理，一项成果可能创新十足，却未必符合专利法关于创造性的要求。在接下来的论述中，我可能不会严格区分这几个概念。但要深入探讨 AI 究竟如何影响专利法认定的创造性时，就必须严格厘清它们的差异。

不管怎样，这让我想起此前我在《Sisvel 行业洞见》发表的文章中提出的思考问题：当 AI 成为科技研究的常规工具时，创造性将会面临怎样的变化。专利法已默认假定本领域技术人员能够获取相关领域的常规工具。我当时提出，如果 AI 也归入这类常规工具，我当时提出的观点是：一方面我们允许现实中的发明人使用 AI，另一方面却不允许假定的本领域技术人员使用 AI，这就显得不太合理。

雅各比猜想这个案例，让我开始思考更深一层的影响：如果 AI 能够提升个体研究人员的解题能力，那我们是否应该预期它能催生更多发明？AI使得科学家与工程师将能够探索更多潜在解决方案，验证更多假设，并揭示那些一直未被发现的联系。AI 无需成为自主发明人，只需帮助人类发明人好地找到新解决方案，就足以大幅提高发明产出率。

我向来喜欢绝妙的悖论，而眼前恰好就有一个。如果这些 AI 能力成为本领域技术人员常规工具，创造性的判定门槛必然会提高。其结果便是，此前需要消耗大量巧思才能得出的解决方案，借助 AI 或许能够相对轻松地找到。

所以我们或许正在迈入这样一种境地：发明数量激增，但符合专利法创造性要求的发明却在减少。

AI：释放全部潜能，更拓展能力边界

AI 对发明最直接的影响，很可能体现为发明数量的增加。这在一定程度上是因为 AI 加快了现有的研究进程。但仅“速度t提升”，并不足以概括这种变化。更为深远的影响是，AI 让研究人员能够探索远比以往更多的潜在解决方案，这在过去是无法实现的。

传统研究人员面对技术难题时，必然会受到有限时间与资源的掣肘。可行的思路或许有成百上千条，但真正有希望被立项研究的只是极少数。因此，研究人员必须决定将目光投向何处并筛选值得深入研究的方向。这会导致某些可能性根本不会被纳入考量范围。

AI 打破了这些限制。它可以生成并比对大量候选方案，跨越不同知识体系进行检索，识别看似毫不相干的领域之间的关联，并根据新信息持续优化其建议。那些此前可能因过于冷门而未被考虑，或是研究人员压根不会想到的方法，如今都能得到充分的调查与验证。其结果可能不仅是研究效率的提升：AI 扩大了研究人员能够探索和利用的知识空间与技术搜索范围。

但这并不表明人类的参与不重要了。事实可能恰恰相反。AI 系统的效用，很大程度上取决于使用它的人。研究人员仍需负责界定问题，找出相关信息与约束条件，评估 AI 生成的建议，辨别有价值的结果，并决定哪些路径值得继续深挖。这些都需要关键的专业知识和判断能力。随着 AI 能力不断提高，人类参与的价值可能也会随之增加。

如果这种效应能够在科学与工程领域复制，那么 AI 理应能够推动发明产出率上升，甚至可能是大幅飙升。这就引出了悖论的另一面：如果 AI 能够以这种方式提升实际研究人员的能力，那么按照专利法的标准，这些能力的提升有多少可以归属于相关领域技术人员？

创造性“球门线”的移动

人类创造能力的这种提升带来一个显而易见的难题。专利法在衡量创造性时，并不以“发明人在没有辅助工具的情况下所能取得的成就”为基准。它考察的是，在优先权日，相关发明对本领域技术人员来说，是不是显而易见的。

正如我在之前撰写的文章所述，不本领域技术人员不能脱离相关领域的常规存在。如果 AI 被纳入标准研究环境，那么它最终也应被纳入本领域技术人员所被推定拥有的能力范围，就像科学数据库、模拟软件与计算建模工具一样。

此外，创造性的判定标准并非固定不变的。某项技术成果是否体现出创造性，部分取决于本领域常规技术人员能借助当时普遍可获得的工具实现什么。假设以某个技术问题为例，现有技术包含得出特定解决方案所需的全部信息，但相关信息碎片之间的关联并不明显。传统研究方式下，本领域技术人员，或许永远无法串联这些信息。如果该领域普遍使用的 AI 系统能够识别这些信息碎片之间的关联、提出对应的解决方案，并阐述其深入研究价值，那么我们就很难认定这个解决方案满足创造性要求。

这会产生一种棘轮效应：随着 AI 系统能力持续提升，曾经需要非凡创造力才能解决的问题，可能会落入本领域普通技术人员的能力范围之内。AI 探索技术可能性的能力越强，创造性的判定门槛可能就越高。

这种效应在各个领域不会完全一致。不同技术领域对 AI 的采用速度各不相同，应用目的也有所差异。评估仍以优先权日为准，并与相关技术领域技术人员的能力与惯常实践紧密挂钩。某项AI 功能在计算化学领域可能已经成为日常，但同一时间节点下的电信领域却可能并非普遍可获得和应用的工具。

如果 AI 提升了现实研究人员寻找技术解决方案的能力，而这种能力成为了相关领域内的常规，那么专利法最终必须在显而易见性的判断中反映这一变化。其结果可能是：一方面AI 促进了的发明数量的增加，但另一方面，满足创造性要求的发明占比却降低了。这就形成了一种局面：AI技术推动了发明创新的同时，又提高了创造性的门槛。

这引发了一个更深层次的问题：如果能力日益强大的 AI 系统在寻找技术解决方案方面贡献越来越大，那么人类的创造性技能是否会在这个过程中消失，还是说，只是转移到了别的地方？

那么，人类创造性能力究竟体现在哪？

随着AI 能力不断提升，人类的创造力并不一定会在发明创新过程中消失。或许部分人类创造力将转移到整个过程的更早阶段。

假设有两名研究人员使用同一 AI 系统处理同一技术问题。其中一人要求 AI 提出解决方案，得到的结果毫无突破。另一人则捕捉到了此前忽略的约束条件，要求 AI 在此基础上分析问题，并顺着 AI 输出结果给出的关联线索继续探索、调整参数，最终得到了可孵化发明的解决方案。

尽管最终解决方案是由 AI 生成的，但要说两名研究人员作出了同等贡献，显然说不过去。第二名研究人员在整个过程中发挥了技术洞察力。如果没有这种洞察力，AI 或许永远不会被引导至通向这项发明的方向。

这已经超出了简单的“提示词工程”范畴。其关键贡献不仅在于懂得如何提问，更在于知道应该要求 AI 去探究什么、需要提供哪些技术背景与约束条件，以及判定 AI 给出的哪些回复值得继续深挖。这不仅考验研究人员对技术的理解深度，也检验其驾驭 AI 的能力。这表明，发明活动所涉及的部分创造力，可能会迁移移到整个流程的上游环节。研究人员的贡献可能不再主要体现在亲自构思出最终方案，而是更多地体现在引导发现该解决方案的整个过程。

而专利法不能简单地仅凭一条巧妙的提示词便判定其具备创造性，因为创造性依附于权利要求所述的发明本身，并且必须按照客观标准进行评价。即便在探寻一个本就显而易见的解决方案的过程中，有创造性存在，这个解决方案也不会因此变得不那么显而易见。

尽管如此，仍然可能存在这样的情况：人类的参与可能也会为显而易见性的分析提供一些思路。如果 AI 之所以能找到解决方案，完全是因为研究人员发现了被忽略的约束条件、重新表述了问题，或是建立了本领域技术人员没想到的关系，这可能正好说明了权利要求所述技术方案为什么并非显而易见的。提示词和 AI 生成的回应，也可以为此过程提供有力的证据。这个过程直观地展现了研究人员如何界定技术问题、更改约束条件、剔除错误线索，并引导 AI 生成结果。

因此，提示词的重要性，很可能会随着时间的推移而改变。随着研究人员驾驭 AI 的能力越来越强，起初被认为是独到的高级技能，可能将变为寻常的基本功。其中的部分工作也将越来越多地由AI 系统自动化执行处理。

只有当编写设计需要超常规水平的专业能力时，提示词输入环节才有可能成为展现人类创造力的载体。其价值将取决于在优先权日，本领域技术人员借助当时可获得的 AI 工具，通常能够达到什么水平。这使得创造性的判定更加依赖于事实。创造性分析可能要考察优先权日存在有哪些 AI 系统可用、这些系统在相关领域如何被使用，以及它们具备什么能力。

在“巴别图书馆”中寻找方向

当发明需要在大量候选解决方案中进行选择时，AI 可能会产生尤为独特的影响。

在上一篇文章中，我探讨了欧洲专利局的“单行道”原则和英国法院采用的“显而易见应当尝试”分析。如果现有技术指向某一特定研究方向，且本领域技术人员有合理的成功预期沿这一方向探索，那么创造性就变得难以成立。

相反，如果存在多种可能的发展方向，而技术人员却没有显而易见的选择判断依据，创造性的认定则往往更容易成立。药物研究人员可能面对成千上万种化合物；而工程师则可能面对大量参数或配置组合。某项发明恰好存在存在于这些可能性之中，并不代表这个解决方案是显而易见的。

撰写本文期间，我尝试重温了 Borges 的《巴别图书馆》（这次读的是西班牙语版），意外想到了一个十分贴切的类比。Borges 描绘了一座图书馆，那里收藏了所有可能存在的书籍。一切真理都藏在这浩瀚书海中，而周围则是几乎无穷无尽的毫无意义的内容。倘若没有可行的搜索方法，知道答案在这座图书馆里，也没有多大意义。许多技术检索问题同样存在类似的困境。潜在的解决方案可能早已存在，关键在于技术人员能否找到它。

AI 或许可以从根本上改变这一难题的现实意义。假设解决一项技术问题存在 100,000 种可行思路。对于人类研究团队而言，哪怕只评估其中的一小部分，都不太现实。然而，AI 系统却能够对这些可能性进行通盘分析，剔除那些看似无望的选项，筛选出数量少得多的思路，以供进一步深挖。

潜在解决方案的数量并没有改变，不同的只是找到具备可行解决方案的难度。这正是雅各比猜想案例令人津津乐道的原因。那个反例一旦被发现，反例本身并不难理解。真正的困难，是在海量可能性中找到它。AI 改变的似乎是搜索过程，而不是解决方案本身。

这可能会大幅拓宽被认定为常规的研究范围。曾经因备选方案数量过多而不具备现实可行性的检索工作，可能变成一项相对简单的操作。如果普遍可获得的 AI 系统能够从十万种可能结果里筛选出少量备选方案进行测试，本领域技术人员便无需预先知道这其中哪一种能够行得通。

不过这套论证也存在局限。仅仅因为AI 系统能够识别出权利要求所述的解决方案，并不代表这个解决方案在优先权日是显而易见的。这在很大程度上取决于当时相关领域普遍可用的 AI 系统的能力。如果寻找这个解决方案需要借助特殊模型、非常规使用方式，或是在引导搜索过程时要运用大量技术洞察，那么这条研发路径便远称不上常规。

成功筛选出候选方案，也并不等同于对合理的成功预期。AI 可能非常擅长生成看似可行的候选方案，但未必能准确预测哪个方案能够真正成功。实验本身的不确定性并不会仅仅因为前期检索变得更容易而消除。

即便存在上述限制条件，AI 仍可以改变“显而易见应当尝试”的现实意义。在某些领域，问题从来都不是缺少候选解决方案，而是如何判断哪些方案值得尝试。随着 AI 的筛选能力日益优化，在那些曾经需要创造性探索才能涉足的技术领域进行检索检索，可能将变得越来越容易实现。

问题难度增大

到目前为止，我们的讨论很大程度上基于一个默认的前提：能力日益提升的 AI 将被继续应用于解决同类型的技术问题。但这一假设在现实中未必成立。如果 AI 能让解决现在的难题变得更容易，研究人员自然会利用它去攻克更棘手的问题，包括那些过去因复杂度太高、不确定性太强或成本太高昂而无法开展研究的领域。创造性的评估门槛或许会提高，但技术人员所处理问题的难度也可能会随之提升。

因此，总会存在一片前沿领域，是即便配备了当时常规的 AI 工具，技术人员也难以轻易攻克的，。在这一前沿领域，人们会利用 AI 处理当前尚无已知解决途径的问题。AI 可能需要提出新的假设、建立前所未见的技术关联，或是从现有知识体系中提炼原本并不显而易见的研究思路。

假设研究人员以常规方式提出了这样一个问题，AI 生成解决方案。而这个方案，无论该研究人员还是使用相同 AI 的常规技术人员都不太可能预见到。目前没有明显的理由认定这种解决方案无法通过创造性的审查。AI 能做到使用常规 AI 功能的技术人员的预期做不到的事，这可能恰恰能支持该发明具备创造性的结论。

但与此同时，发明人身份认定会变得更加棘手。如果研究人员仅仅只是提出问题、识别答案的价值，并验证其可行性，那么要认定人类对该发明的实质性构思做出了贡献可能很困难。如果像当下递归自我改进的相关研究显示那样， AI 系统越来越多地参与到自身工具的迭代改进中，那么这一进程还会进一步提速。

专利法可能会因此面临一类尴尬的发明：一个技术方案超出了配备 AI 工具的本领域技术人员能力范围，却又不存在一个可以被直接认定为完成发明构思者的人类主体。这样一来，我们将以一种更奇特的方式回到AI 发明人身份认定的议题上。届时，专利法将面临一种怪异的局面：它可以认定一项发明具有创造性，却没办法指出究竟是谁完成了这一创造性活动。