高佳佳：智能时代“本领域技术人员”标准面临的挑战及应对——以DeepSeek为例

以DeepSeek为代表的人工智能正重构科学研究范式，催生出人机协同创新的新模式。在此模式下，人类认知主体性与人工智能赋能自主性间的耦合效应，导致“本领域技术人员”标准面临双重挑战：理论上，人工智能对人类认知能力的增强导致现有知识和能力架构失衡；实践中，可能引发人工智能“常规”使用认定失准、“一般技术能力”界定困难以及“后见之明偏见”加剧等问题。对此，可采取“动态调整式”的应对策略：构建基于人工智能使用程度的二元区分制框架；建立涵盖相关技术领域扩展、“一般技术能力”提高以及人工智能技术能力回溯的认定标准；推进人工智能深度融入专利审查程序；基于诚实信用原则细化充分公开要求。通过上述四个维度的系统调适，既能维护专利制度的稳定性，又能增强对技术变革的适应性，推动形成更加高效、公平的创新生态系统。

人工智能 人机协同创新 本领域技术人员 人类中心主义 一般技术能力

一、问题的提出

2025年1月，中国人工智能企业深度求索发布的DeepSeek-R1模型（以下简称DeepSeek），凭借低成本、高性能以及开源的特性，实现了人工智能的突破性进展，开启了人工智能新时代。DeepSeek的技术突破主要体现为逻辑推理能力的显著提升，一旦深度应用于科学研究，将会驱动科研范式发生重大变革，进入人机协同研发的第五范式（AI for Science）。 于此，人类的认知能力与人工智能的计算能力实现优势互补，加速了创新进程，更好地释放出发明人的创新潜能。这很可能使所有发明变得“显而易见”，实现过程也变得“轻而易举”。人工智能在推进发明创造中扮演着越来越重要的角色。然而，在专利法视域下，“本领域技术人员” 标准对技术工具可及性要素缺乏必要关注，未能充分考量人工智能提供的智能支持，导致设定的标准过于保守。该标准作为专利制度的核心判断基准，贯穿于专利授权、确权以及侵权判定全过程，其保守性降低了专利授权门槛，并限缩了专利等同保护范围，有违实质公平和创新激励初衷。

二、 智能时代“本领域技术人员”标准面临的理论挑战

“本领域技术人员”标准是基于人类中心主义理论确立的客观标准。伴随人工智能发展产生的智能支持，人类的认知能力得到显著提升，从而使该标准的理论基础面临解构风险。随之产生的直接影响是，本领域内普通研究人员的知识范畴和能力水平朝着更大、更高以及更“现实”的方向发展，导致现有知识和能力架构失衡。由此，智能时代下“本领域技术人员”标准面临挑战，有必要详细论述之。

“本领域技术人员”是专利法领域内以拟制形式出现的一种假设的“人”，一方面，他“学富五车”，须知晓规定时间之前发明所属技术领域内所有的普通技术知识；另一方面，他又“不思进取”，不具有创造能力，仅具有检索现有技术和应用常规实验手段的能力，以及能够基于技术问题的启示在其他技术领域寻找技术手段的能力。依据约翰 · 法里（John Farey）所提出的发明主体层级模型可知，“本领域技术人员”既不属于最高层的天才，亦非处于基础层的普通技工，而应定性为中间层的普通研究人员。

专利法保护的技术方案呈现出历史性特点，并且对不同认知主体而言多有差异。无论是专利审查员还是法官，均不能仅依赖个体经验对技术方案专利保护问题作出判断，而应聚焦于多元认知主体在该问题上达成共识的过程。其合理性依据源自主体间性理论：参与者的共识与多元认知主体间的承认和共识紧密相连，故应由各利益相关方，即发明人、实施者以及社会公众承担“来自共识的那些同今后交往有关的义务”。由此，可形成具有坚实的社会共识基础的专利秩序。鉴于人类认知能力保持稳健增长的态势，唯有超出“平均”或“一般”认知水平的技术方案才能获得专利授权，这有助于实现对专利数量的有效控制。因此，现行的应对策略是构建具备一般认知能力，并能通过客观证据加以证实的普通人模型，即确立“本领域技术人员”标准。

“本领域技术人员”概念中的预设前提是，人类是认知活动中的唯一主体或占据主导地位，此为基于人类中心主义的认识。人类中心主义的实质在于“一切以人为中心，或一切以人为尺度，为人的利益服务，一切从人的利益出发”。这一哲学立场构成了现代法律制度和社会治理的基石，其作用之深远，影响之广泛，必须持之以恒地贯彻之。随着人工智能介入认知活动，人类的认知能力得到显著增强，且因人工智能迭代升级而呈现增长态势。未来，一旦人工智能具有自主认知能力，“本领域技术人员”标准的认知论基础或将面临颠覆性重构。

2. 人工智能驱动下人类认知能力的增强

随着DeepSeek类生成式人工智能的突破性进展，人工智能在诸多认知任务中都展现出超越人类的能力。对此，主要有两种认识：一是认知增强论，人工智能仅在特定任务上具有效率优势，无法替代人类的“理论驱动”能力；二是认知取代论，人工智能具有与人类相类似的认知能力，并且有超越人类的趋势。以生成式人工智能为例，其虽能基于已有数据和算法生成新内容，但这种“创新”本质上是一种统计意义上的组合创新，难以突破既有知识框架的束缚。DeepSeek实现的“创新”亦受限于预设规则和目标函数，具有预设性和局限性。相较而言，人类的认知能力是“理论驱动”的结果，能够通过逻辑推理和理论构建来探索未知领域，具有前瞻性和创新性。因此，人工智能并非人类的“替代者”，而是人类的“协作者”。此论断与科学界的普遍共识相契合，即在可预见的未来阶段，人类将在科学研究中保持主导地位，而人工智能则作为技术工具加速科学研究。

当DeepSeek类技术与科学研究深度融合时，一场关于科学研究的范式革新即将发生，即迎来第五范式——“智能科学范式”。在这种范式下，人工智能赋能贯穿于数据收集与管理、数据表征、假设生成和实验模拟整个科研过程，具体表现为：一是数据收集与管理的自动化，主要用于快速处理和分析海量数据；二是数据表征的高效化，有助于实现数据可视化并增强数据可解释性；三是假设生成的智能化，尤其能够识别不同领域内的潜在知识关联，实现跨学科交叉融合；四是实验模拟的精准化，有助于改进实验设计，提升科研效率和准确性。总体而言，人类基于独有的“理论驱动”能力提供指导和判断，人工智能则主要发挥分析推理与信息整合的辅助功能，共同探索未知领域，实现人机协同创新的新模式。

在人机协同创新模式下，人类的认知主体地位不会发生动摇，但是这种主体性更多体现为引导而非支配。人工智能赋能机制具有不受控于人类的独立性和自主性。一方面，人工智能在数据收集与管理方面的自动化特性深刻改变了人类的感知形式，推动从直接的“身体感知”向没有目的因的“机器感知”转变，从而使人类陷入“不知道自己不知道”的认知状态；另一方面，人工智能还能够在数据分析中挖掘潜在的知识关联，揭示认知偏见和认知盲区，促使人类反思并拓展认知边界。正是因为人工智能赋能的独立性和自主性，才能使人类超越自己的认知局限，极大释放发明人的创新潜能。于此，人类认知主体性与技术赋能自主性之间产生耦合效应。这种耦合效应将拓展我们对人类中心主义的理解，实现从“支配性”向“引导性”、由“人机对立”到“人机协同”的深刻转变。“本领域技术人员”标准中的知识和能力架构应随之调整，将人工智能辅助功能纳入考量，以适应新的创新模式及其带来的认知变革。

“本领域技术人员”标准中的范围限制是“所属技术领域”，即发明所属技术领域及其技术问题启示下的相关技术领域。类似的规定可见于德国、美国和日本等国家，通常主张由专利所要解决的技术问题确定“所属技术领域”。面对要解决的技术问题，普通研究人员会运用类比迁移法，试图在先前已解决问题（基础相似物）与当前新问题（目标相似物）之间架起桥梁以实现知识迁移。“所属技术领域”是普通研究人员寻找基础相似物所依赖的现实基础；若为团队合作，则可解释为队员所在的多个技术领域。

随着人工智能的普及应用，其强大整合能力促使普通研究人员在更广泛的技术领域内寻找基础相似物，实现跨领域的知识融合与创新。此为基于“研究问题”并通过迁移学习实现跨学科的知识应用，如医学领域的人工智能能够获取生物学、化学和物理学等多学科的知识理论，帮助普通研究人员拓展研究视野。DeepSeek的推理能力实现自我进化，充分彰显出人工智能在知识迁移方面的巨大潜力。不过，这种潜力无法被充分激活，尤其是在模仿人类基于情感感动和顿悟冥想的判断机理方面，人工智能仍存在明显局限。而且在实际应用中，迁移学习依然存在诸多挑战，如负迁移、数据不足等问题。相较而言，人类更善于从不相似的事物中抽取相似性，实现更大范围、更高层次的无关相关化，从而在人机协同中继续主导处理此类非家族相似性的事物。因此，“本领域技术人员”标准中的范围限制依然有效，即由专利所要解决的技术问题来确定，但在审查人工智能辅助发明时应适当放宽对技术领域相关性的认定标准。原本突破范围限制而认定具有创造性的发明有可能不再成立，进而被归为现有技术的覆盖范畴。

2. 普通技术知识：由“虚”转“实”

“本领域技术人员”须知晓规定时间之前本领域内所有的普通技术知识。“普通”作为知识结构的程度限制，指代特定群体于规定时间之前的平均知识水平。任一普通研究人员的知识面经叠加后，理论上可覆盖本领域所有的普通技术知识，内容包括教科书、工具书以及辞典等专业书籍中记载的一般性知识。这些知识的载体即构成普通研究人员的外部存储器，可辅助存储信息并能随时调用。普通技术知识虽被赋予“普通”属性，却处处透露着“非普通”特点。实际上没有人可以记住如此多的内容，为此，只能依赖外部存储器进行信息检索与整合，以便尽可能地接近理想化的“普通”水平。人工智能的应用则可弥补这一缺陷，使该程度限制要求从理论走向实践。

在人工智能的赋能下，信息收集与处理实现自动化和智能化，这极大地拓展了“普通技术知识”的可获取边界。理论上，人工智能能够调用相关领域内所有公开公布的信息资源。例如，天士力医药研发的“数智本草”大模型在降本增效方面优势显著，其通过收集和处理超4000万篇文献摘要、300万项天然产物等海量数据，实现对药材和复方的智能筛选与优化，加速了中医药研发的进程。展望未来，若通用人工智能（AGI）得以实现，人工智能还可能具备与人类智能高度相似的常识常情理解能力。总之，在人机智能不断融合的当下及未来，普通研究人员能够突破传统认知局限，真正达到“知晓”所有普通技术知识的水平，促使“本领域技术人员”标准逐渐由“虚”转为“实”。

3. 一般技术能力：由“低”趋“高”

在我国，“本领域技术人员”被认定为“不具有创造能力”，但被赋予检索现有技术文献和应用常规实验手段的能力，以及能够遵循现有技术教导寻求解决方案。这样的分析和推理能力使他能够遵循现有技术教导作出渐进的改进，但不会超出常规性探索的范畴，即实践创造能力；相对应的理论创造能力，则要求打破常规性思维方式，结合想象力和判断力作出巨大改进。因此，“不具有创造能力”应狭义解释为“不具有理论创造的能力”。域外定义的普通创造能力与此并无本质区别，如“结合多个专利的教导完成拼图”（美国）、“材料选择、设计变更”（日本）、“改善现有技术而不是对其彻底改变”（德国）以及“遵循现有技术教导而略有创新能力”（欧洲专利局）。

随着人工智能深度融入科学研究，其强大的分析推理能力显著提升了普通研究人员的实践创造能力，使其在常规性探索中更为高效。一方面，普通研究人员结合现有技术和常规实验手段进行推理的能力得到显著增强，加快了科学研究的发现及应用。例如，DeepMind公司开发的AlphaFold3系统利用深度学习技术，能够精准预测蛋白质、核酸、小分子、离子等物质的三维结构及其相互作用机制，为药物设计和基因组学研究提供关键支撑。另一方面，普通研究人员通过使用人工智能可能获得更高的“创新”能力，催生出更多创造性成果。这一判断在近期实证研究中得到验证。有学者以一家美国大型企业研发部门为研究对象研究人工智能对创新的影响，人工智能辅助研究人员发现新材料的数量增加44%、专利申请数量增加39%、下游产品的创新率增加17%。不过，人工智能的应用效果对不同能力水平的研究人员而言差异显著，尤其在判断能力方面，由此造成强者更强的马太效应。其背后的原因在于，人工智能能够自动化处理“创新生成”任务，促使研究人员更加专注于“判断”任务。另一项表明人工智能具有创造力的研究亦指出，当前人工智能（ChatGPT 4.0）可能无法对其生成的原创想法的有效性进行自我验证，还有赖于人类参与者的专业判断和决策。因此，人工智能的介入并不会赋予普通研究人员以理论创造能力，而是通过提升实践创造能力，使其注意力聚焦于更为关键的判断和决策环节，从而大幅提高创新效率。

总之，在人机协同模式下，人类的判断和决策能力构成核心要素，而人工智能主要承担分析推理与信息整合的辅助功能，二者形成协同高效的创新生态系统。在此背景下，“本领域技术人员”的知识和能力水平需要作出适应性调整：其一，“所属技术领域”的范围由“小”变“大”；其二，“普通技术知识”的获取由“虚”转“实”；其三，“一般技术能力”的水平由“低”趋“高”。由此衍生的问题是，如何认定人工智能“常规”使用，以及认定人机协同创新时如何完成审查基准的适应性调整。鉴于此，我们需要更加关注实践困境及其解决方案。

三、 智能时代“本领域技术人员”标准面临的实践挑战

随着人工智能深度融入科学研究，“本领域技术人员”标准面临的理论挑战主要源于人工智能赋能的自主性和协同性，这要求关注使用人工智能引发的认知能力差异，以及该差异对本领域内技术人员间共识形成的潜在影响。其引发的实践问题包括：一是如何认定人工智能“常规”使用；二是如何界定人工智能及其与人类协同呈现的“一般技术能力”；三是如何应对人工智能介入引发的“后见之明偏见”（hindsight bias）。

以DeepSeek为代表的生成式人工智能的出现，使得“本领域技术人员”标准面临挑战。在此背景下，首要的争议是，人工智能的使用是否属于“本领域技术人员”的“常规”手段。如果答案是肯定的，则会显著提升“本领域技术人员”的知识和能力水平。由此，专利授权门槛将有所提高，专利权保护范围得到扩大。这一调整的合理性基础在于，只有当人工智能在发明所属技术领域的应用趋于常规化，即为社会普遍接受并广泛应用，方可认定构成普遍或多数主体间的共识。鉴于此，发明人、实施者以及社会公众须承担来自共识的约束与责任。

关于人工智能在本领域内“常规”使用的判断，一类观点主张结合人工智能的使用情况作出具体判断，另一类观点则建议推定发明人“常规”使用人工智能。我国目前仅有8%的企业将生成式人工智能部署在生产环境中，且人工智能的应用存在显著行业差异，一概推定使用常规化，将会不合理地提高“本领域技术人员”标准，导致众多未使用人工智能的发明人难以获得专利保护，损害社会公共利益。即使从“促进人工智能的使用及发展”这一政策出发，也存在操之过急、矫枉过正的问题，故不可取。

人工智能使用的深度与广度持续拓展，其“常规”使用认定可能面临期望膨胀和应用场景泛化的双重困境，二者交互作用致使法律评价标准趋向复杂化。其一，人工智能使用程度存在夸大之嫌。根据Gartner发布的2024年人工智能成熟度曲线（Hype Cycle）可知，人工智能目前大多处于技术萌芽期（13项）和期望膨胀期（9项），这两个时期的技术项目数约占总技术项目数（29项）的75.9%。这反映出人工智能的应用面临被过度炒作的风险，虽有成功的案例，但大多尝试是失败的。即使生成式人工智能已度过期望膨胀的高峰期，但尚未进入泡沫破裂低谷期，对其炒作仍在继续。其二，人工智能在各个应用场景或领域中的使用程度存在显著差异。当前人工智能已广泛应用于自动驾驶、生物识别、社交机器人和司法人工智能等多个领域，应用场景日益丰富且不断深化。然而，人工智能的应用深度和广度因应用场景不同而有所区别。以生成式人工智能为例，其在文本生成、图像生成以及音乐创作等领域已实现规模化应用，但由于技术可靠性尚未完全验证，在医疗健康、自动驾驶等高风险领域的应用仍面临重大挑战。这种跨领域发展的不均衡性，导致对人工智能“常规”使用的认定变得更加复杂。

1. 人工智能的“一般技术能力”的界定难题

“本领域技术人员”标准中的“一般技术能力”要求，因人工智能的介入呈现出由“低”向“高”演变的趋势。由此引出的核心问题是如何界定人工智能技术能力的“一般”水平？然而，鉴于人工智能内在的复杂性、不透明性及不可解释性等特征，加上应用时的数据资源、应用场景与环境因素影响，最终结果的输出往往伴随着高度不稳定性和不确定性。基于当前“假设或推测”的标准，通过比较不同人工智能技术能力界定“一般”水平的尝试变得极为困难。

首先，在数据输入阶段，高质量数据及其可获取性直接决定输出结果的可靠性，并对人工智能技术能力产生决定性影响。当前数据经济持续向行业整合的方向深化，导致行业参与者掌握的数据资源差异显著。技术壁垒和商业模式差异导致大型企业（相较于中小型企业）、创新型企业（相较于传统型企业）具备更强的数据收集与整合能力，从而构建起多维度、大规模的数据集合。由此，那些掌握数据资源的少数群体将会主导人工智能的应用。训练数据的质量亦与人工智能技术能力的强弱直接相关，使用低质量数据训练模型会导致模型有效性缺失和可靠性不足。此外，数据集的动态演变特性，尤其是实时数据的持续更新，对模型训练和性能评估会产生显著影响。即使是同一模型架构，也会因输入数据不同而输出不同结果。总之，数据资源的差异性和动态性，使人工智能在性能表现上差异明显，难以形成统一和稳定的评估标准。

其次，在模型选择与训练阶段，算法模型的复杂性导致决策过程缺乏透明度，进而阻碍了对人工智能技术能力的评估。一般而言，复杂度更高的算法模型性能更优，但其可解释性明显弱于简单模型。以深度神经网络（DNN）为例，其内部多层非线性隐藏层包含大量神经元，导致决策过程呈现复杂性与不透明性，即典型的“黑箱效应”。此外，不同算法模型优势不同，分别适合于不同类型的数据处理任务。例如，卷积神经网络（CNN）擅长图像识别，而Transformer架构主导自然语言处理。即使是相同架构的模型，其参数的初始化方法不同，也会影响模型收敛速度与最终性能。上述因素的叠加效应使人工智能的决策过程及输出结果高度不确定，导致对其“一般技术能力”的评估难度大幅上升。

最后，输出结果的可复现性受应用场景及外部环境因素的制约。随着人工智能在跨领域多场景中广泛应用，其内部技术细节呈现愈发繁杂的态势，进一步彰显出人工智能的多变性和复杂性。此外，人工智能的实际应用还会受到外部环境因素的影响，诸如地理环境、文化背景以及个人行为不确定性等，在训练阶段这些因素难以被全面模拟，导致训练环境与真实场景存在显著差异。如此，输出结果的可复现性不仅加剧输出结果的不可复现性，更显著提升了人工智能的“一般技术能力”的界定难度。

总之，在人工智能领域内，界定技术能力的“一般”水平似乎难以完成，在理论上也可能不存在。究其原因：在数据输入阶段，数据资源的规模、质量及其可获取程度存在显著差异；在模型训练及结果输出过程中，人工智能呈现出不确定性、复杂性以及应用场景多样性等特征。这些因素的共同作用往往导致人工智能技术性能表现差异显著且不可解释，从而阻碍对其“一般技术能力”的判断。

2. 人机协同呈现的“一般技术能力”的界定难题

随着智能时代的到来，特别是以DeepSeek、ChatGPT为代表的生成式人工智能的突破，人机协同效能显著提升。在此背景下，人类的认知能力和人工智能的计算能力相互作用、优势互补，进一步增强了技术人员的实践创造能力。实证研究表明，在有无人工智能辅助的对照组实验中，人工智能的引入对输出结果具有决定性意义：ChatGPT类技术的贡献占比高达81%，而人类个体因素，诸如教育程度、智商及性格，所占比重则不足20%。这一数据表明，传统“本领域技术人员”标准中的程度限制要求已无法适应人工智能的发展，且远超人类单独完成任务的“一般技术能力”基准。因此，亟须基于整体性思维审视人工智能的辅助功能，重新界定人机协同场景中的“一般技术能力”标准。

人工智能尤其是生成式人工智能在创新活动中表现出色，可有效增强人类的分析、推理以及整合能力，从而更好地释放发明人的创新潜能。技术迭代驱动新一代人工智能的技术性能持续优化，但在人机协同中展现的技术优势相对有限。有学者针对ChatGPT 3.5和ChatGPT 4.0进行研究，指出后者虽在性能表现上超越前者，但对人机协同的性能提升不足2%。在人工智能广泛应用的情况下，技术因素的影响力仅有10.9%，而人类个体因素发挥决定性作用。其中人的“智商”因素的贡献程度高达33%，“AI使用熟练程度”因素的贡献占比是15.9%。随着对人工智能使用经验的累积，更为先进的人工智能所能带来的增量效益将逐渐减少。因此，应当重视人工智能发展的无限潜力，及其在增强创新能力方面的重要作用；同时，也必须清晰地认识到人类参与者在其中扮演的关键角色。

人机协同呈现的“一般技术能力”，将同时受到技术因素与人的因素双重约束。从机器层面考量，“人工智能技术能力”是关键要素；就人类角度而言，人类对人工智能的使用能力已成为一项新兴且不可或缺的技能，对人机协同效能产生直接影响。因此，“一般技术能力”的界定，不应局限于传统人类认知能力，还需考量普通研究人员的“人工智能使用能力”与“人工智能技术能力”的协同效应，构建整体性、系统性的评估框架。

专利法保护的发明创造是含有时代因素且具有历史性的产物。“本领域技术人员”标准构成一个“时间的函数”，其知识和能力水平是相对于某一特定时间而言的。在专利授权、确权及侵权程序中，基于专利文件披露的技术及其发展而诉诸“后见之明偏见”的倾向往往难以避免。若专利审查员或法官将迭代后的人工智能纳入判断基准，则会加剧“后见之明偏见”，可能不当限缩专利授权范围或导致专利权保护范围过宽。其根本原因在于法律拟制的静态性与技术发展的动态性之间产生结构性冲突，具体表现为以下两个方面。

一是人工智能快速迭代引发的认知偏差。人工智能的迭代升级影响对规定时间点的认知水平的精准认定。人工智能领域存在算法和算力的指数级迭代规律。以ChatGPT为例，自其发布以来，已历经十余次的更新和升级，未来其迭代周期甚至可能以天为单位。专利审查员或法官持续接触指数级进化的技术成果后，其认知基准可能会无意识地锚定于最新技术状态，导致“本领域技术人员”被拟制为配备最先进人工智能的主体。

二是人工智能不透明性引致的认知缺失。人工智能领域内的“黑箱效应”对规定时间点的认知状态进行准确重构造成阻碍。利用人工智能辅助生成发明时，在人工智能系统中输入的数据和输出的结果之间，存在着公众无法知悉的“隐层”，即“黑箱”。专利申请人出于商业秘密保护或成本控制的考虑，往往选择不完全披露技术方案细节。这意味着即使“本领域技术人员”研究了相关领域规定时间内的所有可查阅文件，也无法充分理解人工智能生成的技术方案。此困境迫使专利审查员或法官依赖事后解释方法，客观上强化了“后见之明偏见”。

四、 智能时代“本领域技术人员”标准面临挑战的应对

随着人机协同时代的到来，人类认知范式与技术赋能机制之间产生矛盾张力，构成“本领域技术人员”标准所面临的根本挑战。该标准立足的人类中心主义理论，虽具有规范效力，但仍须结合人工智能赋能的自主性特征进行重新审视，并明确人类认知的主体性在于引导而非支配。对此，可采取“旧瓶装新酒”的应对策略：通过改革审查框架，调整认定标准，推进审查智能化，并完善充分公开制度，以避免因人工智能持续进化而频繁重构专利制度，有效推进专利制度的发展完善。

生成式人工智能的出现正深刻改变着创新生态系统，催生出人机协同创新的新模式。在此模式下，人工智能作为“协作者”，能够助力人类提升分析、推理及整合能力，并因人工智能迭代升级愈发显著，使人类专注于更为关键的判断和决策环节。由此，人类的判断和决策能力成为创新突破的核心要素。现有“本领域技术人员”标准未能充分回应这一变化，导致其在人机协同创新的场景中存在认定失当的问题。为此，可构建区分制框架，结合所属技术领域内人工智能使用情况，设定差异化、动态化的审查基准。

在区分制框架下，一种合理的构建方式是，依据人工智能使用情况，建立二元区分制：其一，若发明由人类单独完成，且本领域内人工智能并非“常规”使用，沿用传统“本领域技术人员”标准；其二，若发明为人机协同完成，或因人工智能“常规”使用而推定为协同完成，适用“人工智能增强型技术人员”标准。对于人工智能“常规”使用的认定，应采取技术、产业与社会三位一体的评估体系：一是技术层面上探讨技术成熟度、应用场景以及发展趋势，辅以专利申请趋势、学术研究进展和国际标准形成等内容，确保人工智能从实验阶段走向应用阶段；二是产业层面上分析技术应用现状、产业发展历程以及行业政策动向，辅以技术应用研究报告和市场调研数据等内容，验证人工智能是否已经形成规模化应用模式；三是社会层面上考察技术民主化程度、社会接受度以及法律法规的配套支持体系等，确保人工智能的应用符合社会整体利益。

在理论层面上，上述二元区分制还可进一步细分为多元区分制。例如，对于“人工智能增强型技术人员”标准，可依据人工智能介入深度区分为“轻度增强”“中度增强”和“重度增强”三个层级，或者根据人工智能访问权限划分为开源型人工智能推定论和闭源型人工智能认定论。精细化区分制框架虽能精准反映人工智能增强的认知能力，却面临操作复杂、效率低下以及制度成本增加等实践困境。特别是人机协同背景下“本领域技术人员”标准趋于严格，导致申请人倾向于隐瞒人工智能介入事实。这不仅会加剧技术披露不充分引致的审查周期延长，还会因为人工智能使用程度及权限缺乏可量化标准造成审查资源非必要的损耗。此外，区分制框架中区分标准的明确及实施会增加制度运行成本，削弱创新生态的稳定性和公平性。因此，在制度设计上须兼顾效率与公平，通过构建基于人工智能使用程度的二元区分制，既能适应人工智能发展需求，又能避免过度复杂化，从而实现制度效益最大化。

基于DeepSeek类技术引发的认知增强效应，“人工智能增强型技术人员”的知识和能力水平大幅提高，其认定标准须作出适应性调适（见表1）。具体而言，该标准中的范围限制、时间限制以及程度限制要求须适应以下变化：相关技术领域范围由“小”变“大”、“一般技术能力”水平由“低”变“高”，同时防范“后见之明偏见”产生。对此，“人工智能增强型技术人员”标准可从以下三个方面进行改进。

表 1 “ 本领域技术人员 ” 标准中知识和能力架构的适应性调适

一是在范围限制方面，所属技术领域以及技术问题启示下的相关技术领域将会得到扩展，进而可延及相关性较弱的技术领域。这是人工智能的跨领域知识整合能力使然，帮助普通研究人员拓展研究视野，提供更多潜在的解决方案。基于技术问题的启示可预期的“相关技术领域”需要适当放宽解释。专利审查员或法官需要结合应用场景，对技术领域的相关性进行动态评估，确保涵盖人工智能可触及的技术领域。

二是在时间限制方面，需要通过明确反映人工智能历史版本的参考依据，测定人工智能的发展水平。这些依据包括国际标准化组织和国家标准化管理委员会等权威机构发布的人工智能标准和规范。其他权威性较弱的文献，如学术论文、行业分析报告，亦可作为补充参考。鉴于技术治理需求的持续增强，国家知识产权局可联合行业协会构建一个与人工智能发展同步的公共数据库，系统记载算法架构和模型参数等核心要素的演变节点，在审查实践中用于动态追踪，以避免产生“后见之明偏见”。除被动应对外，通过提高专利审查效率、缩短审查周期，能从源头上更有效地解决这一问题。

三是在程度限制方面，人机协同呈现的“一般技术能力”应作为新的审查基准。该能力并非简单的人机叠加效果，而是人机协同增效的产物。从人的视角出发，普通研究人员的实践创造能力（尤其是判断能力）是核心考量因素，而人工智能使用能力应作为新技能纳入审查基准。从技术维度审视，人工智能技术能力也应纳入考量范畴。鉴于人工智能固有的不确定性、复杂性以及应用场景多样性等特征，对人工智能技术能力进行一般化评估并不可行。因此，需要摒弃当前“假设或推测”的标准，转而采用更加“明确且具体”的标准。对此，应适用“常见”标准，即以所属技术领域内应用相对广泛的人工智能或其组合为基准。一是“常见”标准在理论上具有合理性。一般来说，某一领域内应用更为广泛的技术意味着其性能的稳定性经过了实践的检验，更容易为社会所接受和使用，进而构成普遍或多数的共识。二是“常见”标准在操作上更具可行性，其参考依据主要包括专利申请趋势、技术应用研究报告、市场调研数据等，确保评估结果贴近实际应用，可有效减少主观偏见和判断误差，提升审查效率和质量。诚然，“常见”标准可能会引起一种担忧：专注于规模化应用先进人工智能的努力，反而可能成为创造性判断中的不利因素，导致更多的发明创造被排除在外。但这种担忧是可以消解的：一方面，先进人工智能在人机协同中展现的技术优势较为有限，且在人工智能广泛应用时更为有限，故而无需过分担忧；另一方面，可通过降低对“人工智能使用能力”的熟练度要求调节技术优势的发挥程度，以解决“常见”人工智能技术水平过高所带来的问题。

随着人工智能的迭代升级，人机协同下的信息收集和处理能力不断加强。其检索范围能够涵盖相关技术领域内所有可查阅的文件，无论出版物以何种形式存在，均能被高效获取并随时调用。如此，可确保技术人员知晓所有的普通技术知识，并可获知公开的现有技术。这一由“虚”转“实”的提升意味着人工智能的应用对实施“本领域技术人员”标准具有重要意义。因此，在专利审查程序中加强人工智能的应用，顺应科技发展与创新变革，可有效提升我国专利审查效率与授权质量。

人工智能在专利审查中的应用需持续深化，通过加强文档分析能力、提高现有技术检索效率以及简化专利审查流程，切实帮助审查员提升审查“三力”。中美欧日韩知识产权五局均致力于推动人工智能在专利审查中的应用。以美国为例，美国专利商标局（USPTO）于2021年推出了用于识别现有技术的专利端到端（PE2E）检索工具，并在此基础上开发了新的专利公共检索工具。我国专利审查智能化水平不断升级，现已全面建成“中国专利智能审查和检索系统”，并紧跟人工智能发展前沿，积极探索多模态大模型技术的应用。人工智能在优化审查流程和改善授权质量方面具有巨大潜力。建议系统整合人工智能于专利审查管理体系，实现技术特征分析、自动检索比对以及法律规则匹配的协同运作。同时，提升审查员对人工智能的使用能力，促进专利审查质量与效率的双重提升，为创新生态的健康发展提供制度保障。

基于人工智能使用程度构建的二元区分制，包括传统“本领域技术人员”标准和“人工智能增强型技术人员”标准，其可操作性饱受质疑。关于此等疑问的消解通常会从提高透明度、加强信息披露以及确保公开的充分性等角度展开。专利法中的充分公开制度的完善成为解决该问题的有效路径。该制度建立在公开换保护理论的基础之上，要求作出清楚、完整的说明，并以“本领域技术人员”能够实现为标准。人工智能在辅助发明时，其是以隐匿、潜在的方式介入创新过程，难以被察觉和识别，而且在访问权限和可获得资源方面存在显著差异。基于此，有必要细化充分公开要求，确保人工智能的应用具有透明性。这一做法在欧美等主要国家和地区已达成基本共识。

在人工智能应用过程中，践行负责任理念与遵循诚实信用原则高度契合。故意隐瞒人工智能介入之行径，本质为不诚信行为。美国专利商标局在《使用人工智能工具的实务指南》中确立了信息披露要求，明确坦诚义务（duty of candor and good faith）包括对可专利性至关重要的信息进行披露的义务，尤其是发明人、当事人以及从业人员使用人工智能工具的具体情况。这意味着人工智能之于发明创造的辅助作用，攸关可专利性认定时，须披露人工智能的使用情况，否则可能因违反坦诚义务，导致专利申请被驳回或者专利被宣告无效。欧盟虽未强制要求披露人工智能使用情况，但在多个指南中建议负责任且透明地使用人工智能，例如科研人员应详细说明所使用的生成式人工智能，以及这些生成式人工智能存在的局限性。上述立法和司法实践可为完善我国充分公开制度提供有益参考。

我国专利法明确规定诚实信用原则，旨在规制专利申请和专利权行使中的不正当行为。在专利申请过程中，若申请人故意隐瞒人工智能使用情况而实质影响可专利性认定，即构成“不以真实发明创造活动为基础，弄虚作假的”情形，则会违反诚实信用原则。此类行为将直接导致专利申请被驳回或已授权专利被宣告无效的法律后果。基于此，诚实信用原则具体落实为使用人工智能的声明机制。专利申请人或权利人须充分公开对可专利性至关重要的信息，包括人工智能是否介入、多大程度介入及其产生的辅助作用等细节。这些技术细节有助于审查员更好地了解创新的过程和实质，并据此决定是否授予专利权。如果公开的细节未达到要求，则不予授权，或已授权专利被无效并可对情节严重者追究法律责任。由此，基于诚实信用原则细化充分公开要求，不仅有助于落实“本领域技术人员”标准，而且能推动社会理性认识人工智能的局限性，明确人类在创新活动中的主导地位，促进技术创新与专利制度协调发展。

结 语

DeepSeek的问世，是我国人工智能发展的重要里程碑，它不仅是技术突破，更可能开启产业革命，引发社会变革。此刻，我们要深刻认识到人机协同创新的重要性与紧迫性，更要敏锐洞察其潜在风险与挑战。专利制度正处于变革的十字路口：固守传统审查标准，可能纵容技术拼凑型专利泛滥，形成“专利丛林”等创新障碍；激进推行人工智能适配标准，或将加剧技术资源分配不均，造成“技术寡头”的创新禁锢。破解此难题须摒弃“一刀切式”的治理思维，转而采取“动态调整式”的应对策略。具体到“本领域技术人员”标准，在规范层面，需构建二元区分制框架，并对认定标准作出适应性调整，这要求基于整体性思维审视人机各自的独立性及其协同性；在实践层面，推进专利审查智能化转型，并基于诚实信用原则完善充分公开制度，以提高人工智能使用的透明度。制度韧性与技术赋能的协同调适机制，既能保障专利制度的稳定运行，又能通过纳入技术治理工具实现规范效力的持续进化。由此，专利制度得以在智能时代实现创新激励与公共利益保障的动态平衡，确保技术进步与社会发展和谐共生，从而推动人类文明向更具创新性、多元性以及包容性的方向前行。