AI产品没抄代码也会侵犯专利吗:软件与算法专利的保护边界某企业自主开发了一款AI数字人产品。用户输入语音后，系统可以实时驱动人物口型和表情。研发团队能够拿出完整的代码仓库记录：源代码全部由公司员工编写，没有竞争对手员工参与，没有取得竞争产品代码和模型参数，底层使用公开基础模型，核心算法也由团队自行研发。产品上线后，公司却收到了一封发明专利侵权通知。对方没有指控其“抄代码”，而是主张这套音频驱动人物口型的技术方案落入了一项方法专利的保护范围。类似争议已经进入真实司法场景。杭州中院曾公开开庭审理一起AI数字人发明专利侵权案件，争议焦点正是被告AI数字人服务中使用的音频驱动人物口型模型是否落入原告方法专利。目前公开权威资料主要披露庭审和技术比对过程，尚不宜据此推断案件最终侵权结论。软件著作权主要问的是：程序表达有没有被复制。商业秘密主要问的是：非公开技术是不是通过不正当方式取得和使用。专利首先问的却是另一件事：企业实际实施的技术方案，是否落入在先专利权利要求确定的保护范围。所以，代码全部自己写、算法团队独立研发，可以帮助企业证明“没有抄”，却不能当然排除专利侵权。反过来，两款AI产品功能很像、输出效果接近，也不能仅凭结果相似认定侵犯专利。
一、所谓“算法专利”，保护的不是算法名称，而是具体技术方案
企业经常说“这个算法我们已经申请专利”“竞争对手也用了神经网络，所以可能侵权”，但“算法专利”并不是一个可以脱离具体权利要求使用的法律标签。《专利法》所称发明，是对产品、方法或者其改进所提出的新的技术方案；智力活动的规则和方法本身不授予专利权。对于包含算法特征的申请，现行审查规则要求把技术特征和算法特征作为整体分析，判断相关方案是否利用技术手段解决技术问题并取得技术效果。因此，“使用大语言模型进行推荐”“采用神经网络识别商品”“利用机器学习预测用户需求”“根据用户输入自动生成答案”，都只是业务或者功能层面的描述。判断包含算法特征的AI方案能否作为发明获得专利保护，需要进一步考察：输入的是什么技术数据，数据怎样处理，模型或者算法进行了什么技术性变化，与设备、网络、存储或者计算资源如何配合，解决了什么具体技术问题，最终取得什么技术效果，以及是否同时满足新颖性、创造性、充分公开等专利授权条件。这一边界在2026年现行《专利审查指南》中更加明确。国家知识产权局2025年修改《专利审查指南》，相关修改自2026年1月1日起施行，其中进一步完善了涉及人工智能、大数据等包含算法特征发明的审查规则，并增加人工智能伦理、创造性和充分公开等内容。其中“识别船只数量”的示例很有代表性。已有技术已经利用深度学习识别树上果实数量，新申请只是把识别对象换成船只，却没有因为对象变化而对深度学习算法流程、模型参数、模型构建和训练过程作出实质调整。现行指南将这种情形作为创造性不足的示例。原来模型识别人，现在改成识别车辆；原来做商品分类，现在换成医疗分类；原来推荐商品，现在改成推荐课程，都不意味着仅靠业务场景变化就形成了一项新的高价值算法专利。相反，如果企业针对具体技术问题真正改变了神经网络结构、特征提取方式、训练机制、资源调度或者数据处理关系，并取得相应技术效果，这类算法特征才更可能对创造性作出实质贡献。专利不保护“使用AI解决某个问题”这个抽象想法，而保护最终写进权利要求、并满足专利条件的具体技术方案。二、专利与软件著作权最大的不同：没有抄代码，也可能侵权
《专利法》第十一条规定，发明和实用新型专利权被授予后，未经专利权人许可，原则上不得为生产经营目的实施相关专利，包括制造、使用、许诺销售、销售、进口专利产品，以及使用专利方法等。这里并不存在一个前提叫“必须先证明被告看过专利权人的源代码”。所以，即使企业能够证明自己从未接触竞争对手代码、采用不同编程语言、独立训练模型、拥有完整Git提交记录，也仍需要继续判断实际技术方案是否落入专利保护范围。商业秘密制度允许竞争者通过独立研发取得相同技术。专利制度则以公开技术方案换取一定期限的排他权。在专利有效期间，只要实际实施的技术方案落入权利要求保护范围，单纯证明“这是我自己想出来的”，并不是一般意义上的免责理由。真正与企业早期独立研发有关的，是《专利法》规定的先用权。如果企业在专利申请日前已经制造相同产品、使用相同方法，或者已经作好制造、使用的必要准备，可以在法律规定条件下，在原有范围内继续制造、使用。这里的时间节点是专利申请日以前，而不是专利授权以前。企业还需要证明，在申请日前已经达到实际制造、使用或者必要准备的程度，并且后续仅在原有范围内继续。仅有内部研发记录、技术构思或者尚未落地的实验，并不当然意味着已经具备先用权。所以，“我们没有抄对方”与“我们依法享有先用权”，完全不是同一个证明标准。开源代码同样不能当然解决专利问题。企业依据开源许可证取得的是特定范围内的许可。即使代码可以合法复制、修改和分发，还要判断许可证是否包含专利许可、许可来自哪些贡献者、覆盖哪些专利，以及产品中的其他技术方案是否可能落入第三方专利。三、功能很像远远不够，专利侵权真正比的是“全部技术特征”
《专利法》第六十四条明确规定，发明或者实用新型专利权的保护范围，以权利要求的内容为准，说明书和附图可以用于解释权利要求。最高人民法院司法规则进一步明确，判断被诉技术方案是否落入保护范围，应当审查权利人主张的权利要求所记载的全部技术特征。如果被诉方案包含全部相同或者等同的技术特征，才可能落入保护范围；如果缺少一个以上技术特征，或者存在一个以上既不相同也不等同的技术特征，就不落入保护范围。因此，专利侵权不存在统一的“70%技术相同”“80%算法相似”或者“核心功能一样”标准。AI产品收到专利投诉后，第一件事不应该是比较两个官网，而是确认具体专利号，以及对方究竟主张哪一项权利要求。“你们也用了RAG”“你们也采用多模型路由”“你们的数字人口型效果和我们一样”“你们也能智能规划仓储路径”，这些描述都不足以直接完成侵权判断。该案涉及一项“货架命中方法、装置、服务器和介质”发明专利。被诉智能仓储系统同样使用机器人、算法调度和订单拣选，专利权人还结合被诉企业官网关于算法平台、任务分配和路径规划的宣传内容主张侵权。法院最终没有停留在“两个产品都实现智能仓储”这个层面，而是通过权利要求解释和现场勘验，具体查明被诉系统究竟如何选择和调度存储单元。涉案专利限定的是“货架命中方法”，而被诉系统实际实施的是“货位命中方法”。根据涉案专利说明书，“货位”通常只存放一种商品，“货架”则可以包含多个货位和多种商品。法院认为，这一差异反映了不同的技术构思，“货架”这一主题名称对保护范围具有实质限定作用，被诉方案因此没有落入相关权利要求保护范围。这个案例真正重要的地方，不是“货架”和“货位”两个词本身，而是它说明：产品目标相同、智能化效果接近，甚至都使用机器人和算法调度，并不能替代技术特征比对。一个对权利要求具有实质限定意义的技术差异，就可能改变侵权结论。官网、发布会PPT、产品白皮书和宣传视频可以帮助专利权人发现线索，也可能成为证明技术事实的材料，但它们不能替代对实际实施方式的查明。对AI产品尤其如此。宣传材料经常只写“智能决策”“多模态理解”“自动路由”“实时生成”，而真正决定专利风险的，往往是后台怎样处理数据、模型之间如何连接、步骤按照什么关系执行。四、不同代码仍可能实施同一专利，但“等同”也不能无限扩大
专利保护的是权利要求限定的技术方案，不是某一种源代码表达。同一个技术步骤完全可能用Python、Java、C++或者不同机器学习框架实现，也可能采用不同函数名称和代码结构。如果这些区别没有改变权利要求所限定的技术特征，仅仅改变代码写法，并不能当然避开专利。对于著作权案件，程序表达怎样写具有重要意义；对于专利案件，变量名、类名和文件结构往往不是核心。企业真正需要问的是：技术步骤、数据关系、模块连接和处理方式究竟有没有变化。现行司法规则将等同特征概括为：与权利要求记载的技术特征采用基本相同的手段，实现基本相同的功能，达到基本相同的效果，并且本领域普通技术人员在侵权行为发生时无需经过创造性劳动即可联想到。等同判断仍然是逐项技术特征判断，而不是因为两个产品整体效果相似，就把整套产品认定为等同。因此，把模块换个名字、把两个代码文件合并，或者采用另一种常见技术实现，都不意味着当然完成了design-around。把某个功能转移到另一服务器是否能够改变结论，也必须看权利要求是否对执行位置、系统结构或者步骤主体作出了具体限定。最高人民法院已有裁判明确，如果专利申请人或者专利权人在权利要求中对某种技术方案进行了特意强调，并能够认定其有意排除另一种方案，一般不宜再通过等同原则把被排除的方案重新纳入保护范围。所以，真正有效的专利规避设计，不是“让代码看起来不一样”，而是识别权利要求中真正具有保护意义的技术特征，改变其中至少一个关键实现，并进一步评估这种改变是否仍可能构成等同。这也是为什么企业面对专利时需要制作Claim Chart，而不是代码Diff。Claim Chart需要把对方权利要求拆成具体技术特征，再对应企业当前产品的实际实现，逐项标明相同、不同、可能等同、不确定或者未实施，并由研发人员确认事实。一个权利要求有十个必要技术特征，产品功能再像，只要其中存在一个必要特征既没有实施、也不构成等同，就可能已经改变侵权判断。五、AI软件可以通过方法、系统、存储介质和程序产品等不同形式进入专利布局
今天的软件专利并不意味着必须绑定一台特殊机器才能讨论。国家知识产权局现行审查规则允许涉及计算机程序的发明专利申请采用方法、装置、计算机可读存储介质以及计算机程序产品等权利要求形式，并明确允许“计算机程序产品”作为权利要求主题名称。这意味着，同一套AI技术可能被设计成多组权利要求。例如一个图像识别方案，可以分别保护识别方法、实现该方法的装置或者服务器、存储程序的介质，以及计算机程序产品。企业开展FTO时不能只看专利标题，而要看真正与自身商业实施方式对应的权利要求。一个方法专利的关键步骤可能全部在云服务器完成，也可能由客户端和服务器分别完成；私有化部署后，又可能变成客户在自己的环境中运行完整方法。企业提供的是程序、云端能力还是包含专利技术的设备，实施主体和具体行为都可能发生变化。涉及多个主体分别执行不同方法步骤时，责任认定还会更加复杂。本篇不展开网络环境下多主体专利侵权理论，但企业至少不能因为“我们只是提供API”“最终运行在客户服务器”，就直接认定没有专利实施风险。“基于计算机视觉技术的智能称重装置”案就是一个反面例子。涉案专利虽然在形式上写成智能称重装置，但关键改进涉及识别反馈、数据反馈、机器学习和模型训练。最高人民法院终审认为，相关改进实质属于计算机程序本身的改进，而不是产品形状、构造或者其结合，因此不属于实用新型专利的适格保护客体。这里不能进一步推导成“软件创新不能申请实用新型”。更准确的边界是：如果真正的创新点在计算机程序本身，不能仅通过把软件功能形式上写成若干硬件模块，就把它转化为实用新型所保护的产品形状、构造或者其结合。真正属于算法和软件层面的技术创新，仍应按照发明专利的保护逻辑判断。六、收到专利律师函后，侵权分析和专利稳定性分析必须同时进行
企业收到竞争对手专利律师函，最容易犯的错误，是看到专利证书就认为对方已经拥有一个不可挑战的权利。第一条是侵权分析：自己的产品是否落入对方主张的权利要求。第二条是稳定性分析：该权利要求本身是否具有新颖性、创造性，是否充分公开，是否属于适格专利保护客体。前述智能称重装置案中，国家知识产权局曾维持涉案实用新型有效，一审行政诉讼也没有支持无效请求人的主张，但最高人民法院终审仍认定相关权利要求实质属于计算机程序改进，不属于实用新型保护客体，并撤销有关决定。2026年现行《专利审查指南》已经通过“识别船只数量”示例明确说明，如果使用的深度学习方法与现有技术基本相同，只是识别对象发生变化，并没有因为新场景产生新的技术困难或者对模型训练作出实质改进，场景变化本身未必足以支持创造性。因此，收到一件标题非常贴近自己产品的“AI医疗”“AI物流”“AI教育”专利时，企业不能只看标题。真正需要检索的是专利申请日前已经公开的论文、开源项目、专利文献、标准、产品资料和技术文档，再判断权利要求真正新增了什么。即使暂时不启动无效程序，企业还可以审查现有技术抗辩。《专利法》第六十七条规定，被控侵权人有证据证明其实施的技术或者设计属于现有技术或者现有设计的，不构成侵犯专利权。现有技术抗辩与专利无效并不是同一件事：无效程序针对专利权本身，现有技术抗辩则主要解决具体被诉技术是否承担侵权责任。供应商提供算法，也不能让企业简单依赖“合法来源”四个字。《专利法》第七十七条的合法来源规则，主要针对为生产经营目的使用、许诺销售或者销售不知道是未经许可制造并售出的专利侵权产品，并且能够证明该产品具有合法来源的主体。它不是一个可以笼统覆盖“从供应商购买算法、SDK或者模型”的一般免责制度。如果企业自己实际运行的是一项受专利保护的方法，不能仅因为算法来自第三方供应商，就当然适用侵权产品的合法来源抗辩。合法来源成立主要影响赔偿责任，停止侵权还需要结合具体行为类型判断。对于使用者，如果能够证明已经支付侵权产品的合理对价，司法规则对是否停止使用另有特别安排。所以，采购来源和供应商合同很重要，但它们不能替代对企业自己究竟实施了什么专利行为的判断。七、专利审查必须从“申请几个专利”，升级成研发流程中的FTO机制
很多企业的专利工作仍然集中在一个问题：一年申请多少件专利。但对已经商业化的AI产品而言，同样重要的问题是：我们有没有实施别人已经取得排他权的技术方案。这就是FTO，通常可以理解为实施自由或者专利实施风险分析。它围绕特定产品、特定市场、特定时间和具体技术方案，识别可能影响企业商业实施的有效专利。专利申请可能尚未公开，已有专利的法律状态可能变化，权利要求解释也可能产生争议。更重要的是，专利具有地域性，同一专利族在中国、美国、欧洲、日本等国家和地区可能拥有不同的授权状态和权利要求范围。所以，中国境内产品的FTO结论不能直接作为海外上线结论。企业准备在哪个国家或者地区生产、销售、提供服务，就应结合相应目标市场重新判断。AI产品立项时，检索也不能只输入“AI客服”“数字人”“RAG”“智能机器人”。更有效的方法，是把产品拆成输入数据、关键处理步骤、模型结构、训练方法、数据关系、调度方式、软硬件协同和输出机制，再围绕技术特征进行检索。第一层是专利地图，识别主要竞争对手、专利族和技术密集区域。第二层是权利要求比对，对高度相关的有效专利制作Claim Chart，并由研发人员确认真实产品是否实施对应技术特征。第三层才是决策：正常上线、修改方案、取得许可、挑战专利稳定性、保留现有技术抗辩或者先用权材料，或者暂缓某项高风险功能。真正的design-around也必须让研发参与。专利人员需要告诉研发，风险集中在哪个权利要求，哪些技术特征不可忽略，哪些替代方式仍可能构成等同；研发则要设计真正不同的技术路线，并验证修改最终进入了生产版本。从单模型改为多模型路由，增加自动训练，加入在线学习，从文本扩展到音视频同步，从SaaS转为客户私有化部署，增加机器人或者边缘设备，都可能让原来不存在的专利技术特征进入产品。重大模型、算法、系统架构和部署方式变化，都应成为重新审查的触发点。采购第三方模型、SDK或者算法时，同样要问专利问题：供应商是否拥有必要实施权，是否收到过第三方专利投诉，发生侵权后是否承担抗辩和赔偿责任，能否修改或者替换方案，专利许可费由谁承担。容易从产品外部识别、能够通过黑盒测试或者设备拆解推测、具有稳定技术效果并适合公开说明的核心方案，可以考虑专利保护；高度依赖不可见参数、内部数据组合或者调优诀窍，外部很难判断是否被使用，而且技术迭代很快的部分，则可能更适合继续作为商业秘密管理。两种保护路径没有谁绝对更好，关键是保护方式是否符合技术本身的可见性和生命周期。现行《专利法实施细则》要求，发明人是对发明创造实质性特点作出创造性贡献的人。2026年现行《专利审查指南》进一步明确，发明人应当是自然人，请求书不得将人工智能名称填写为发明人。AI参与研发并不排除相关成果申请专利，但企业仍然需要识别真正作出创造性贡献的自然人。因此，企业使用AI辅助设计算法、生成实验方案或者优化模型结构时，最好能够留下技术问题由谁提出、关键路线由谁选择、重要模型结构如何确定、哪些技术效果由谁验证，以及AI工具实际承担了什么辅助作用。AI企业真正需要改变的，不是“多申请几个专利”，而是把专利变成产品技术边界管理的一部分。对外，不能因为代码全部独立开发，就忽略竞争对手已经获得授权的在先专利；对内，也不能把抽象功能和行业场景包装成大量看起来“很AI”的低质量专利。软件著作权解决程序表达有没有被复制，商业秘密解决非公开技术有没有被不正当取得和使用，专利解决的则是企业实际实施的技术方案，是否落入在先权利要求已经划定的技术边界。所以，“没有抄代码”不能直接证明没有专利风险，“功能一样”也不能直接证明专利侵权。真正有价值的专利管理，需要同时回答两件事：我们的核心技术怎样保护，以及我们的产品有没有实施别人已经取得排他权的技术方案。第一时间获取AI领域合规解读、政策动态与实操指南，助您更高效地识别风险、理解规则、推动合规落地。也欢迎您转发、转载本文，让更多有需要的朋友及时看到。
夜雨聆风