YucongDuan的个人博客分享 http://blog.sciencenet.cn/u/YucongDuan

博文

DIKWP专利与DeepSeek等大模型技术对比分析报告

已有 1271 次阅读 2025-2-13 19:10 |系统分类:论文交流

DIKWP专利与DeepSeek等大模型技术对比分析报告

段玉聪

人工智能DIKWP测评国际标准委员会-主任

世界人工意识大会-主席

世界人工意识协会-理事长

(联系邮箱:duanyucong@hotmail.com)

1. DIKWP专利技术解析

DIKWP模型概述:DIKWP是“数据-信息-知识-智慧-意图”的缩写,代表一种分层语义处理框架,由段玉聪教授团队提出。 (潜在专利侵权:GPT – 科研杂谈) (段玉聪-计算机科学与技术学院)这个模型将AI认知过程划分为五个层次:数据 (Data)信息 (Information)知识 (Knowledge)智慧 (Wisdom)意图 (Purpose/Intention)。通过这五层的逐级处理,DIKWP试图模拟人类从感知数据到形成智慧决策、再到意图驱动行为的全过程 (潜在专利侵权:GPT – 科研杂谈)。该框架被用于构建“人工意识系统”,即将大模型(LLM)视作潜意识层,用DIKWP作为显式意识层,从而实现更高层次的人工意识 (潜在专利侵权:GPT – 科研杂谈)。例如,段玉聪教授提出“人工意识系统 = 潜意识系统(LLM) + 意识系统(DIKWP)”,将大规模语言模型的模式生成能力与DIKWP的目的驱动推理相结合 ((PDF) 《DIKWP人工意识已授权发明专利综合商业报告(段玉聪)》)。

**核心专利技术:**围绕DIKWP模型,团队在语义通信、智能决策、人工意识等方向布局了大量发明专利(据介绍已授权国内外发明专利77件以上 (段玉聪-计算机科学与技术学院))。这些专利的权利要求书涵盖了一系列关键技术创新点,包括但不限于:

技术描述与创新点:综合来看,DIKWP相关专利的技术描述强调在统一语义空间内的全链路处理显式可控的决策流程。创新点在于:1)将传统视为“黑盒”的深度学习决策过程解构为可解释的分层子任务(数据→信息→知识→智慧→意图),提高透明度和可解释性;2)解决AI面临的“三无”难题,通过推理补全与知识校验保障了数据不完美情况下的可靠性 (潜在专利侵权:GPT – 科研杂谈);3)引入显式的意图模块和多模态融合机制,使AI系统能够理解多方意图并在决策中协商,满足用户期望并兼顾伦理规范 (潜在专利侵权:GPT – 科研杂谈)。这些技术在专利中通常以系统框架或方法流程的形式呈现,适用范围广泛,包括智能搜索、自动驾驶决策、智能助手、人机对话、智慧城市物联网通信等领域。例如,一项专利提出了基于DIKW图谱的资源识别方法,利用用户意图和对象资源遍历DIKW体系来匹配所需资源 (CN112925921B - 基于dikw图谱的资源识别方法、相关装置及可读介质);还有专利将DIKWP用于群体差分隐私保护智慧司法决策等场景 (段玉聪-计算机科学与技术学院)。

技术独特性与应用价值:DIKWP专利组合的独特之处在于其整体性前瞻性:它并非单点技术改进,而是构筑了一个从底层数据到高层意图的AI处理全栈架构。这使其在人工智能朝向可解释、可控、负责任方向的发展趋势中占据先机 (潜在专利侵权:GPT – 科研杂谈)。相较于传统仅关注算法精度的发明,DIKWP的专利更注重过程透明结果可信。例如,在人工智能通信方面,DIKWP的语义通信思想可用于未来6G网络,让通信系统传输“语义”而非比特,从而大幅提升有效带宽利用和任务完成度 (CN114039865B - 意图计算导向的跨dikw模态传输与优化系统)。在智能决策方面,DIKWP框架可提升AI决策的自主性和安全性:通过明确目标和多层审核,减少了AI决策出错或走偏的风险 (潜在专利侵权:GPT – 科研杂谈)。在人工意识方面,该体系为探索机器意识提供了可能路径,将LLM的强大联想能力与符号式的意图推理相结合,使AI在复杂情境下具备类似人类的反思和适应能力 ((PDF) 《DIKWP人工意识已授权发明专利综合商业报告(段玉聪)》)。总体而言,DIKWP的这些专利为AI大模型在语义理解、知识利用、决策优化以及人机协同等方面提供了新的思路,其应用前景涵盖智能搜索引擎、对话机器人、决策支持系统、智能驾驶、智慧医疗和法律推理等众多领域。

2. 与LLM技术的对比分析

当前大语言模型(LLM)领域的主要企业和平台,包括DeepSeek、阿里云通义千问、百度文心一言以及华为盘古大模型等,各自的技术路径和产品特性有所不同。下面将DIKWP专利涉及的技术与上述主流大模型的官方技术白皮书和已知实现进行对比,分析它们的异同和可能的关联。

2.1 DeepSeek 与 DIKWP 的技术比较

DeepSeek模型概况:DeepSeek是近期崛起的国产大模型代表,因“低成本、高性能”的特性引发广泛关注 (国产大模型DeepSeek爆火,崛起背后大模型专利申请激增|知识产权方面|deepseek_网易订阅)。其创始团队强调开源和高效训练,采用了许多先进技术:包括大规模强化学习 (RL) 驱动的推理训练、Mixture-of-Experts (MoE) 混合专家架构、多头潜在注意力 (MLA)算法以及多模态对齐等创新,实现了超大参数模型下的高效推理 (中信建投:DeepSeek核心十问十答_新浪财经_新浪网) (中信建投:DeepSeek核心十问十答_新浪财经_新浪网)。例如,DeepSeek在2024年发布了DeepSeek-R1-Zero模型,完全通过强化学习训练而无需监督预训练,展示了通过自我进化来提升推理能力的新范式 (From Zero to Reasoning Hero: How DeepSeek-R1 Leverages ...)。此外,DeepSeek-V3采用了6710亿参数的MoE架构,但推理时仅激活37亿参数,大幅降低算力需求 (中信建投:DeepSeek核心十问十答_新浪财经_新浪网)。DeepSeek还开放了**思维链(Chain-of-Thought)**可视化,允许用户查看模型推理过程,并通过知识蒸馏将这种推理能力迁移到其它模型 (中信建投:DeepSeek核心十问十答_新浪财经_新浪网)。同时,其最新发布的Janus-Pro视觉模型和Janus-Flow多模态模型表明DeepSeek正积极拓展图像生成与跨模态理解能力 (中信建投:DeepSeek核心十问十答_新浪财经_新浪网)。

技术对比:DeepSeek的技术重点在于模型训练范式和架构优化,而DIKWP强调推理过程的语义层次和明确控制。具体比较如下:

  • 语义处理与表示:DeepSeek作为典型的大模型主要依赖Transformer架构的隐式表示学习,其语义理解能力来自于对海量数据的预训练和注意力机制,模型内部并未显式区分数据/信息/知识层次。相比之下,DIKWP明确划分语义层级,要求在设计上实现从数据到知识的逐层转换 (潜在专利侵权:GPT – 科研杂谈)。这意味着DeepSeek在回答问题时直接利用其内部表示生成答案,而DIKWP体系可能会将问题分解,先获取相关数据->信息->知识再推理答案。这两种方法在结果上都能产生语义丰富的回答,但DIKWP的方法可解释性更强,因为每一步都有语义产出可检视 (DIKWP 与DEEPSEEK 合作让AI 真正走向“可信、自主、负责任” 的未来)。

  • 不完美数据处理:DeepSeek通过强化学习和大规模训练对噪声和不完整数据具有鲁棒性,例如其RL训练可以在动态环境中学习容错策略 (DIKWP 与DEEPSEEK 合作让AI 真正走向“可信、自主、负责任” 的未来)。然而,它并没有公开描述专门的模块来处理“不完整、不一致、模糊”数据,而是依赖模型自适应能力。DIKWP则在架构上预设了不完整数据处理机制冲突消解流程 (潜在专利侵权:GPT – 科研杂谈) (潜在专利侵权:GPT – 科研杂谈)。因此,当遇到有缺失或矛盾的信息时,DIKWP系统会显式地推理补全或请求更多信息,以及进行知识库校验;DeepSeek则可能通过模型的泛化能力直接给出最可能的推断,但无法保证对矛盾数据的解释或纠正。这种差异意味着DIKWP在涉及高可靠性要求的场景(如医疗诊断)具有优势,而DeepSeek在大数据下的泛化性能优异但可能缺乏同等程度的结果可验证性。

  • 知识使用与验证:DeepSeek的大模型拥有海量参数,内隐地存储了大量知识,并在推理时调用。但除了一些工具化增强(如通过插件检索资料),DeepSeek框架本身并未强调知识库交叉验证。DIKWP体系则强制引入知识库验证步骤,确保AI输出前可以对关键事实比对权威知识源 (潜在专利侵权:GPT – 科研杂谈)。也就是说,在DIKWP中,大模型产出的结论可能要经过知识图谱/数据库比对,符合才最终输出 (潜在专利侵权:GPT – 科研杂谈)。这一点上,百度的文心一言与DIKWP稍有相似(见下文),而DeepSeek暂未突出这方面功能。

  • 跨模态与语义通信:DeepSeek非常注重多模态能力,近期开放的Janus系列模型就是将视觉和文本深度结合 (中信建投:DeepSeek核心十问十答_新浪财经_新浪网)。其多模态融合主要在模型表示层面通过对比学习和联合训练实现 (DeepSeek 小传:制造了AI 拐点的科技苦旅 - 36氪)。DIKWP的跨模态强调的是在DIKW每层都处理多模态,并由意图来指导不同模态信息的传输优化 (CN114039865B - 意图计算导向的跨dikw模态传输与优化系统) (段玉聪-计算机科学与技术学院)。例如,如果用户意图是获取某结论,DIKWP系统可能只传输相关模态的信息(图像或文本)以节省带宽,实现语义级的通信优化 (CN114039865B - 意图计算导向的跨dikw模态传输与优化系统)。DeepSeek的多模态目前更多是提高模型理解能力,而DIKWP侧重于提高通信和推理效率。这是两者在应用侧重点上的区别:前者适合实现强大的生成和理解,后者更适合在资源受限或分布式环境中以语义为单位交互。

  • 意图驱动与决策透明:DeepSeek采用用户提示强化学习奖励来引导输出,属于“隐式”地满足用户意图;其公开的链式思维输出让用户查看推理路径,但这些路径仍然是模型自行探索的 (中信建投:DeepSeek核心十问十答_新浪财经_新浪网)。DIKWP则将意图作为明确输入,使系统“围绕定义的意图中心化”开展推理 (潜在专利侵权:GPT – 科研杂谈)。这使得AI每一步都可以解释为如何服务于最终目的,决策逻辑对外更加透明 (DIKWP 与DEEPSEEK 合作让AI 真正走向“可信、自主、负责任” 的未来)。例如,对于同一个复杂任务,DeepSeek可能给出结果但很难解释为何这样生成;而DIKWP框架下,系统可以展示:为了达到某意图,数据如何被筛选、知识如何被应用、权衡了哪些方案(甚至包含伦理考虑)才得到此决策 (潜在专利侵权:GPT – 科研杂谈)。因此在可解释AI责任AI方面,DIKWP更有框架上的优势。

潜在借鉴关系:目前没有公开证据表明DeepSeek直接使用了DIKWP的专利技术,但两者某些理念不谋而合。例如,DeepSeek对思维链的开放提升了模型可解释性,这与DIKWP强调的过程透明目标一致;DeepSeek通过RL实现的容错演化与DIKWP的错误纠正机制在结果上都是为了提高鲁棒性,只是路径不同。一篇分析指出,DeepSeek在不完整和多噪声环境中具有演化优势,而DIKWP有系统化的纠错与冲突管理,可在每一步显式记录和审查 (DIKWP 与DEEPSEEK 合作让AI 真正走向“可信、自主、负责任” 的未来)。未来两者如果结合,或许可优势互补——比如让DeepSeek强大的推理能力嵌入DIKWP的语义框架,使AI既聪明又“清醒” (DIKWP 与DEEPSEEK 合作让AI 真正走向“可信、自主、负责任” 的未来)。实际上,段玉聪教授也曾撰文讨论DIKWP与DeepSeek的融合前景,认为这将有助于实现真正**“可信、自主、负责任”**的AI (DIKWP 与DEEPSEEK 合作让AI 真正走向“可信、自主、负责任” 的未来)。

2.2 阿里云通义千问与 DIKWP 的技术比较

通义千问概况:“通义千问”是阿里云于2023年发布的大模型系列,属于阿里云智能部门的大模型基础底座。其核心模型是一系列参数规模在数十亿到数百亿不等的Transformer架构预训练模型,支持中文和多语言对话、内容生成以及一定的多模态能力 (阿里巴巴的通义千问大模型)。根据阿里云官方介绍,通义千问基于标准的Transformer架构进行预训练,参数规模从18亿到720亿级别不等,并可扩展到更大的规模 (阿里巴巴的通义千问大模型)。阿里云后来开源了通义千问的1.5版(Qwen-7B/14B等模型),支持32K长上下文,并提供了基础模型和对话模型的权重 (通义千问再开源,Qwen1.5带来六种体量模型,性能超越GPT3.5)。通义千问擅长多轮对话、创意文案生成、逻辑推理、多语言支持和图文混合理解等功能 (通义千问 - 得到AI学习圈工具箱)。总体而言,它的技术路线与OpenAI的GPT系列类似,强调通用NLP能力和易用的对话接口。

技术对比:相较DIKWP框架,阿里云通义千问主要代表了传统Transformer大模型+微调的范式:

  • 架构与语义处理:通义千问没有公开区分显式的语义层次处理,基本遵循Transformer以attention机制从文本中自我学习语义表示。其生成答案过程是端到端的,不会拆解为中间的“信息”或“知识”阶段。因此在语义转换这一点上,通义千问与DIKWP的理念有差距。DIKWP要求数据->信息->知识逐层显式转换 (潜在专利侵权:GPT – 科研杂谈),而通义千问作为LLM内部隐含完成了这些步骤(例如通过预训练隐式掌握知识)。这意味着通义千问的推理过程对外是黑盒,难以逐层解释,而DIKWP可以输出每层结果以供审查。

  • 知识与上下文:通义千问依赖大规模预训练语料,知识获取是内隐的。据报道,通义千问在训练数据上包含了多种类型文本以及代码等,但没有明确采用知识库增强技术。相较之下,DIKWP利用知识图谱进行验证和推理的做法,可以显著减少幻觉和错误。百度文心一言在这方面更类似DIKWP(因为ERNIE有知识增强),而通义千问目前更多借助后期插件或工具(例如阿里云可能提供检索增强接口)来弥补知识准确性。总的来说,通义千问缺乏DIKWP那样内置的知识验证模块,对事实准确性的保障主要靠训练数据覆盖和人类反馈调优。

  • 多模态与语义通信:通义千问在其升级版本中开始支持图文多模态,例如具备对图片的描述或根据图生成文字的能力 (通义千问 - 得到AI学习圈工具箱)。这是通过在模型中加入视觉编码层或多模态训练实现的。然而,它并没有涉及通信网络层面的语义优化——毕竟通义千问定位是云上AI服务,不涉及端到端通信系统设计。而DIKWP的部分专利(例如跨模态内容传输 (段玉聪-计算机科学与技术学院))实际上偏重通信和分布式AI协同,两者应用层面不同。可以认为通义千问关注模型本身能力,DIKWP还能应用于网络化AI,通过仅传递高层语义来节省资源 (CN114039865B - 意图计算导向的跨dikw模态传输与优化系统)。在普通用户使用场景下,这种差异表现不明显,但在物联网、边云协同等场景,DIKWP方案可能比单一大模型更高效。

  • 意图驱动与对齐:通义千问通过预训练和人类反馈对齐(RLHF)的方式来满足用户意图价值观对齐,和GPT-4等类似。这是隐含在模型参数中的,并无显式的“意图模块”。相比之下,DIKWP要求明确输入意图并在推理中引用 (潜在专利侵权:GPT – 科研杂谈)。因此,如果我们考虑系统意图或多方意图协商,通义千问不具备这样的机制——它一次只针对单一用户的提示进行回答,无法动态调整不同利益相关者的意图。而DIKWP的设计可用于多智能体环境下意图协商(例如一项专利涉及适应竞争与合作意向的内容填充 (段玉聪-计算机科学与技术学院))。在普通聊天机器人情境中,这一点差异可能并不突出,但在涉及复杂决策支持(比如商业谈判、多用户服务)时,DIKWP的意图导向框架更具优势。

综上,阿里云通义千问代表的技术路线与DIKWP专利所描述的系统重叠程度较低。通义千问主要沿袭主流大模型的架构,在模型透明性、可控性方面采用的是业界通用的RLHF和安全过滤手段,没有体现出DIKWP所强调的结构化流程。不过,阿里云也非常关注合规与专利布局,其母公司阿里巴巴在AI底座方面也积极申请专利 (专注基座大模型,智谱AI已完成超25亿人民币融资 - 阿里云创新中心)。目前尚无证据显示通义千问借鉴了DIKWP的具体技术实现,但不排除在未来版本中,为了增强可解释性或多模态协同,引入类似DIKWP的思想(比如引入显式的知识检查或意图管理模块)。若那样,将增加与DIKWP专利的重叠。

2.3 百度文心一言与 DIKWP 的技术比较

文心一言概况:文心一言(ERNIE Bot)是百度推出的生成式大模型和对话系统。其背后的基础模型ERNIE系列以知识增强技术著称:ERNIE全称为“Enhanced Representation through kNowledge IntEgration”,意为通过知识整合增强表示 (Baidu ERNIE (百度文心一言) – Dr Alan D. Thompson – LifeArchitect.ai)。百度从2019年的ERNIE 1.0开始就在预训练中融入百科知识、知识图谱信息,使模型在中文NLP任务上表现优于不含知识的BERT模型 (Introducing PCL-BAIDU Wenxin (ERNIE 3.0 Titan), the World's First ...)。ERNIE Bot在2023年发布,参数规模达到千亿级(ERNIE 3.0 Titan 260B)并融合对话优化(Plato-XL 11B) (Baidu ERNIE (百度文心一言) – Dr Alan D. Thompson – LifeArchitect.ai)。其特点包括多模态(可处理文本和图像, (Baidu ERNIE (百度文心一言) – Dr Alan D. Thompson – LifeArchitect.ai)提到具备多模态生成能力)、强大的知识问答能力以及面向企业应用的定制接口。文心一言被称为新一代的知识增强型大语言模型,在知识问答和事实准确性上有相对优势 (ERNIE Bot: Baidu's Knowledge-Enhanced Large Language Model ...)。五大能力方面,百度宣称ERNIE Bot擅长创作、商业文案、逻辑计算、中文理解和多模态生成 (Baidu ERNIE (百度文心一言) – Dr Alan D. Thompson – LifeArchitect.ai)。

技术对比:百度文心一言的技术与DIKWP有一定契合,主要体现在知识多模态方面,但在意图驱动语义层次上仍属于传统LLM方式:

  • 知识整合与验证:ERNIE最大的卖点是知识整合。在预训练阶段,它通过策略屏蔽和联想学习将知识图谱嵌入模型,使生成结果更贴近真实世界知识 (Introducing PCL-BAIDU Wenxin (ERNIE 3.0 Titan), the World's First ...)。这与DIKWP强调的知识验证/知识应用步骤方向一致,都是为减少AI输出谬误、提升知识性。差别在于ERNIE将知识融合在训练过程,属于前融合,而DIKWP倾向在推理过程进行后验证(模型推理后再查知识库纠错) (潜在专利侵权:GPT – 科研杂谈)。ERNIE的方式运行效率高,但如果知识库更新需要重新训练;DIKWP则可以利用最新知识库内容校验结果,灵活性更好。两者可视为知识增强的两种实现。值得一提的是,百度在专利上也布局了大量知识增强相关技术,但DIKWP的知识验证流程如果有专利保护,ERNIE Bot若在推理阶段增加类似机制就需注意侵权风险。

  • 多模态处理:文心一言已支持图文多模态交互,例如可以根据文字生成图像(文心一格是其图像生成模块)并在对话中处理图片 (Baidu ERNIE (百度文心一言) – Dr Alan D. Thompson – LifeArchitect.ai)。这类似于GPT-4V等具备视觉能力的模型。DIKWP跨模态理念则更进一步,不仅要模型能处理多模态,还强调跨系统、跨场景的模态内容优化传输 (CN114039865B - 意图计算导向的跨dikw模态传输与优化系统)。百度的多模态目前局限在其AI应用本身,并未扩展到网络通信领域,所以严格说与DIKWP语义通信的专利不直接冲突。但在模型能力上,双方都认识到视觉+语言结合的重要性。DIKWP如果在多模态融合方法上有独特专利,比如“意图驱动的多模态DIKW内容传输方法” (段玉聪-计算机科学与技术学院), 那么未来百度进一步研发如带有意图权重的多模态信息筛选等功能时,需要检索相关专利以规避。

  • 推理流程透明度:目前ERNIE Bot的对话并不像DeepSeek那样公开思维链,属于端到端黑盒推理。DIKWP的分层解构在百度ERNIE架构中没有明显体现。百度的模型主要还是Transformer堆叠,虽然概念上包含了从词语到语义再到知识的抽象,但没有把这些阶段作为可输出的中间结果。因此,在可解释AI方面,文心一言与一般LLM一样,仍需要借助外部工具/方法才能解释其决策过程,尚未达到DIKWP宣称的白盒程度 (检测大型语言模型和人工智能系统对DIKWP创新的专利侵权 - 科学网)。不过百度也非常关注AI伦理和安全,在产品层面对输出进行了价值观对齐和过滤(例如避免有害内容),这些更多是策略而非架构本身的特点。

  • 意图和场景:ERNIE Bot主要面向单用户问答,对多主体意图系统内部意图没有明确设计。因此,如果对比DIKWP的意图驱动,ERNIE缺少相应模块。例如,DIKWP某专利描述了在P层(意图层)定义多方目标并进行高阶协商 ((PDF) 内部报告《DEEPSEEK 只是DIKWP 语义空间交互提升效率的 ...),而百度的模型并不能在对话中代表某企业或某第三方利益进行博弈协商——它只有预先训练的通用知识和顺从用户指令的倾向。这个维度上,DIKWP提供的是一种框架型功能,目前文心一言的实现并未涉及,二者几无重叠。

小结:百度文心一言与DIKWP在知识增强多模态两个方面有共通理念:都认为赋予AI更多真实世界知识和感知能力非常关键。然而,DIKWP进一步提供了方法论来确保这些知识和感知被正确运用(如验证和目的过滤),而ERNIE Bot更多停留在模型内在性能的提升。百度的技术文档与专利显示,他们从ERNIE 1.0到3.0 Titan构建了一条数据-知识-语义融合的路线 (Baidu ERNIE (百度文心一言) – Dr Alan D. Thompson – LifeArchitect.ai)。可以说,ERNIE的“知识融合”是对传统LLM的一大改进,某种程度上印证了DIKWP团队对知识层重要性的判断。若将来百度考虑让ERNIE Bot的推理过程也拆解成可监控的阶段,那么与DIKWP的技术会更加接近,需评估专利许可或设计绕过。当前来看,ERNIE Bot所实现的功能大多在DIKWP专利的保护范围之外,但其知识增强思路与DIKWP的核心创新存在一定重叠(只是实现层面不同:训练融合 vs. 推理验证)。

2.4 华为盘古大模型与 DIKWP 的技术比较

盘古大模型概况:华为盘古(Pangu)是华为云于2021年推出的大模型系列,覆盖NLP、CV和科学计算多个领域 (不作诗,只做事探秘华为云盘古大模型行业应用 - Huawei Cloud)。盘古模型的特色在于全栈自研:华为打造了从AI芯片昇腾、框架MindSpore到预训练模型的一套系统。盘古NLP最初版本拥有高达1100亿参数(PanGu-Alpha),达到业界领先规模。当下最新的是盘古3.0/5.0版本(2023-2024),实现了更多模态、更强推理能力 (华为盘古大模型5.0技术解密:更多模态,复杂推理 | 机器之心)。根据机器之心的报道,盘古5.0分为不同规模和用途的子模型:面向端侧的E版(十亿级参数)、行业模型P版(百亿级)、通用模型U版(千亿级)以及基础科研版S(万亿级) (华为盘古大模型5.0技术解密:更多模态,复杂推理 | 机器之心)。盘古5.0引入了复杂推理物理世界结合的能力,支持文本、图像、视频、雷达、红外、遥感等多种模态输入 (华为盘古大模型5.0技术解密:更多模态,复杂推理 | 机器之心)。它已经在工业质检(如高铁故障检测)、自动驾驶仿真等场景落地,展现出将大模型与垂直领域知识结合的趋势 (华为盘古大模型5.0技术解密:更多模态,复杂推理 | 机器之心)。简而言之,华为盘古旨在成为“全场景AI底座”,通过大模型赋能各行业应用 (6000 字详解华为盘古大模型:能否撑起世界AI 另一极?)。

技术对比:华为盘古大模型在规模和多模态上与DIKWP有相通之处,但其总体路线仍属于数据驱动的深度学习框架,与DIKWP的显式语义框架有所区别:

  • 规模与架构:盘古强调超大规模预训练多任务适配。它的升级主要体现在参数规模的扩张和模型架构微调(如适配多模态、长序列等),并无报道显示采用了类似DIKWP的层次推理机制。盘古的训练过程注重数据、算力和算法工程优化 (华为盘古大模型5.0技术解密:更多模态,复杂推理 | 机器之心)。例如为提升推理能力,可能引入了类似链式思维、知识提示等技术,但本质仍是端到端Transformer在起作用。DIKWP的分层处理和明确模块在盘古的技术解密中未被提及。这意味着盘古在推理时不会主动输出中间知识或判断步骤,而是直接生成结果。

  • 多模态与数据融合:盘古5.0的显著进步在于模态多元:它几乎囊括了视觉、时序、传感等各种数据类型 (华为盘古大模型5.0技术解密:更多模态,复杂推理 | 机器之心)。这种广泛的多模态扩展在专利层面也可能有布局(华为自身拥有大量多模态相关专利)。DIKWP的跨模态偏重于语义统一和意图调度,而盘古更偏重感知广度——让AI能读图、视视频、懂雷达信号。这两者并不矛盾:DIKWP可以看作在感知广度基础上,增加了对不同模态信息的语义层处理和调配。所以盘古如果未来为了提高决策可靠性,可能需要引入DIKWP式的“知识/意图指导下的多模态选择”机制。目前盘古多模态主要实现感知多源数据并联合生成(比如在自动驾驶中同时利用图像和雷达来推断),尚未涉及显式的意图驱动信息筛选。因此在这一点上,盘古与DIKWP只是在“AI看得懂更多类型的数据”上目标一致,但在“如何用这些数据完成目标”上方法不同。

  • 知识与推理:盘古模型本身更多强调推理能力,例如5.0版本提到具备更强的思维能力和物理常识理解 (华为盘古大模型5.0技术解密:更多模态,复杂推理 | 机器之心)。这通常通过更复杂的训练任务(如数学、逻辑题、代码生成)来实现,而非引入显式知识库。在一些行业应用中,盘古可能内置了专业领域知识(通过训练语料或fine-tune)。但和DIKWP的知识验证不同,盘古并没有一个统一的内部知识检查模块对每次输出负责。比如在高铁故障检测中,盘古CV模型依赖训练得到的故障模式识别图像,而DIKWP若应用于此,可能会在知识层加入已有故障案例库比对验证以降低误报。 (潜在专利侵权:GPT – 科研杂谈)。可见盘古目前的知识利用方式还是隐含模型知识+专家微调,尚未达到DIKWP那种推理即服务、随查随用的知识利用形式。

  • 意图与决策链:盘古作为基础模型平台,本身并不直接面向个人对话,因此“用户意图”通常由调用它的上层应用来诠释。盘古没有专门的意图模块,它输出什么完全取决于输入提示或上下文。因此,如果将DIKWP的意图驱动概念映射到盘古,可能体现在应用层:例如华为云给盘古加了一层Agent,根据用户意图选择调用盘古NLP或CV模型,实现任务。但这属于应用组合,不是盘古模型内的机制。所以盘古大模型本体与DIKWP的目的驱动过程几乎没有重叠;但是盘古整个解决方案(模型+场景方案)有可能涉及到一些流程控制,一旦这些流程控制涉及DIKWP专利保护的方法,就需要评估。例如,若华为开发一个多模态AI助手,能根据用户意图在不同子模型间切换和调用知识库,那这样的系统层设计就和DIKWP专利描述的框架相似了,需要注意。

小结:华为盘古大模型当前主要作为通用AI底座,提供强大的模型能力,暂未公开涉及像DIKWP这样精细的内部逻辑控制方案。盘古与DIKWP的交集更多在战略层面:都追求让AI更智能、更全面,但路径一个是“更大的模型、更多的数据”,一个是“更聪明的结构、更高的效率”。当然,这两条路线并不矛盾,未来或许会融合。当盘古模型变得足够强,华为可能也会考虑如何让其可控可解释以满足行业高标准需求,届时DIKWP的专利技术(如语义分层、知识校验等)就具有借鉴价值甚至直接合作空间。就目前而言,盘古大模型与DIKWP体系在技术实现上重叠较小,基本不存在直接的相互引用关系。

3. 潜在侵权可能性评估

鉴于DIKWP专利族覆盖了AI语义处理和决策的多个关键方面,而当前主流大模型又在追求类似的能力提升,我们需要评估这些LLM技术是否在权利要求范围内构成对DIKWP专利的潜在侵权,以及这种侵权是直接还是间接的。

3.1 权利要求覆盖范围分析:根据已公开的信息,DIKWP系列专利权利要求书大多限定了一个包含“显式意图驱动”、“三无数据处理”、“知识库验证”等步骤的结构化流程 (DIKWP 专利与GPT-4技术专利潜在侵权初探-段玉聪的博文 - 科学网)。例如,一份分析提到:“若DIKWP专利成功地对‘显式意图驱动 + 不完整数据处理 + 知识库验证’的核心流程进行了专利保护,那么市面上其他想要采用同类结构化流程的AI系统可能会落入其保护范围” (DIKWP 专利与GPT-4技术专利潜在侵权初探-段玉聪的博文 - 科学网)。这暗示DIKWP专利的权利要求是相对广泛的流程或系统权利要求,涵盖从接收数据、处理语义层次、验证知识直到依据意图输出结果的一系列步骤。如果LLM企业的产品在技术实现上复现了这些步骤,就可能踩入侵权雷区。

具体而言:

  • 直接侵权可能性:直接侵权指其他实体未经授权实施了专利的全部技术特征。对于LLM厂商来说,如果其内部系统架构包含了与DIKWP权利要求一一对应的模块(例如明确的意图解析模块、专门的不完整数据补全模块、知识库核查模块等)并将之集成用于商业服务,那将高度符合直接侵权的要件。例如,假设某家推出的AI助手在后台对每次用户提问都执行如下流程:首先解析用户意图->然后检查已知数据库和上下文以补全可能缺失的信息->调用LLM生成回答->再比对知识库验证回答正确性->最后输出并记录该交互的目的和结论。这一流程如果有任何一步落入DIKWP专利的保护范围(且专利有效且在当地有保护),那么运营该AI助手的企业就构成了直接侵权。

目前来看,绝大部分主流LLM并未在产品中公开采用如此明确的多阶段流程,它们通常是端到端产生答案,辅以人工反馈和一些启发式规则。因此,现阶段直接侵犯DIKWP专利的情况可能不多。不过值得注意的是,DeepSeek这样的新兴模型正引入链式思维输出(相当于一定程度的显式推理步骤) (中信建投:DeepSeek核心十问十答_新浪财经_新浪网)、工具调用(检索知识)等功能。如果DeepSeek团队或者其他公司将这些功能整合成一个标准流程(即每次查询都固定执行:生成思维链->调用知识库校验->按照目标筛选输出),那么就非常接近DIKWP专利描述的流程,直接侵权风险会上升。

  • 间接侵权可能性:间接侵权包括诱导侵权帮助侵权等情形。例如,如果一家模型提供商没有自己实现DIKWP专利的全过程,但提供了某些模块或API,鼓励开发者以组合方式实现类似流程,那可能构成诱导侵权。以华为盘古为例:华为云可能提供盘古大模型和Knowledge Hub、Workflow编排工具,让客户可以自行搭建“意图驱动的多模态问答系统”。若客户按照华为提供的指导将这些部件组合成与DIKWP专利方法相同的流程,那么华为云有可能被指责诱导客户实施侵权技术。同理,如果某开源项目将DIKWP类似的框架实现为范例(例如一个开源库让LLM接入知识库和意图管理),那维护者也有风险。由于DIKWP专利主要在中国授权, (潜在专利侵权:GPT – 科研杂谈)指出目前主要保护在中国境内,所以在中国运营的大模型服务提供商(如百度、阿里、华为)需要尤为注意间接侵权的问题。

  • 技术实现相似性:判断侵权的核心是比对产品技术特征与专利权利要求。在LLM领域,由于技术黑盒性,取证难度较大——外部只能观察输入输出,很难知道内部是否执行了专利方法。例如,DIKWP专利要求可能包含“利用知识库验证输出正确性”的步骤,而厂商内部或许也做了类似校验但未对外公开。如果未来出现诉讼,证据开示将是关键:需要通过源代码或架构文档来确认厂商系统是否存在这些步骤。基于目前公开资料,DeepSeek、通义千问、文心一言、盘古等尚未明确实现DIKWP所述的完整流程(至少未声明有“显式意图模块”)。因此在表面技术特征上,它们与DIKWP仍有差别。这种差别可能会成为抗辩理由:即使理念相近,但实现细节不同(比如LLM通过参数学习意图而非显式模块),从法律上可能避开侵权。

3.2 现有专利诉讼案例参考:截至目前,大模型领域尚未曝出公开的专利侵权诉讼,但AI领域的一般专利纠纷可以提供参考。一方面,专利权的有效性往往会在诉讼中首先受到挑战——被控侵权方可能会尝试无效掉专利,主张专利缺乏新颖性或创造性。DIKWP专利涉及的概念(语义通信、知识图谱验证、意图驱动)在专利申请时可能有文献基础,因此专利权人需要准备好证明其创新性的材料。另一方面,在AI算法侵权案中,原告需要聚焦表象技术特征并充分举证,否则因为算法实现隐藏在代码和模型参数中,法院难以断定侵权 (人工智能大模型专利诉讼:聚焦表象技术特征,充分合理举证)。例如,国内曾有AI图像识别专利侵权案中,法院比较了专利算法(图像分类)和被诉算法(语义分割)的不同,认定后者没有采用专利所述技术而判定不侵权 (首例AI应用专利侵权案民事二审判决书 - 中国知识产权律师网)。类比到DIKWP,如某LLM系统采用了与专利不同的AI决策架构(比如完全依靠端到端神经网络,没有显式的知识库模块),则有可能被认定“不相同也不等同”,从而逃避侵权指控 (首例AI应用专利侵权案民事二审判决书 - 中国知识产权律师网)。

3.3 DIKWP专利可执行性:评估侵权风险还要考虑专利本身的可执行性,即这些专利能否在法庭上站得住并有效覆盖竞争对手的实现。DIKWP专利大多在中国授权,并未在美国等地取得保护 (潜在专利侵权:GPT – 科研杂谈)。这意味着对于OpenAI、微软等在海外运行的大模型,法律上不存在侵权问题(除非他们进入中国市场)。对于中国境内公司(百度、阿里等),DIKWP专利是有效的法律武器。但中国的专利诉讼环境下,若被诉公司实力强大且专利技术涵盖面广,可能采取的策略包括:提出专利无效、寻求行政调解、或者通过关系影响诉讼走向。因此,DIKWP专利要形成有效维权需要几个条件:

  • 专利权稳定:即经得起无效挑战,权利要求足够清晰且有创新性支持。

  • 证据充分:有办法证明对方系统实施了专利中的步骤(可借助第三方监测、专家比对,必要时申请证据保全以调取源码)。

  • 经济性考量:打官司的收益大于成本——DIKWP专利持有人需考虑诉讼成本和可能的赔偿/和解收益,以及对行业的影响。

目前来看,DIKWP专利持有方(据称为某国际人工智能评估标准化委员会DIKWP-SC (潜在专利侵权:GPT – 科研杂谈))暂未对主流公司采取法律行动,而是通过发表分析报告提醒业界注意专利布局。这可能是一种策略:先通过舆论和行业沟通来促成合作或授权,如果无果再考虑法律诉讼。这也说明DIKWP专利确实在一定程度上卡位了AI语义处理的关键技术,让相关企业不得不评估潜在风险。

综上,在直接侵权层面,目前主流LLM技术与DIKWP专利尚有一定差异,但趋势上在收敛(例如模型逐步引入显式推理和知识调用)。而间接侵权方案相似带来的风险已经开始显现。特别是像DeepSeek这样的后来者,如果未充分考虑DIKWP的专利范围,快速迭代出的功能可能无意中踩线。从风险防范角度,LLM公司应密切关注DIKWP专利族的权利要求变化(包括后续在海外申请的情况),以及同行是否获得这些专利的许可或合作,从而判断自身是否处于潜在侵权的靶心位置。

4. 法律与商业影响分析

如果DIKWP专利被认定为主流大模型企业存在侵权行为,无论是潜在的还是实际的,都将对市场竞争格局、企业战略和法律生态产生重要影响:

4.1 市场竞争格局影响:在AI大模型赛道上,技术路线之争往往也是知识产权之争。若DIKWP专利得到严格执行,它可能迫使大厂在相关功能实现上做出改变,甚至放缓某些能力开放,以规避法律风险。这可能会暂时削弱这些大模型产品的竞争力或延缓功能发布,从而给拥有专利的团队带来话语权。例如,如果DeepSeek被认定侵犯了DIKWP的核心专利并被迫下架某些功能或支付高额许可费,那DeepSeek在与通义千问、文心一言竞争时就失去了一部分优势。反之,如果这些企业选择取得DIKWP专利的授权或合作,那么DIKWP团队的技术有望成为行业标准的一部分,进一步巩固其市场地位和价值。 (检测大型语言模型和人工智能系统对DIKWP创新的专利侵权 - 科学网)有报道称,DIKWP已被用于评估大模型的“人工意识”水平,一旦行业广泛接受这种评估或框架,专利持有人将在生态中居于重要位置。

**4.2 对LLM企业的商业风险评估:**对于百度、阿里、华为等巨头而言,潜在的侵权指控不仅是法律问题,更是商业风险:

  • 财务风险:如果被诉侵权并最终败诉,可能面临专利赔偿金、停止侵权行为的禁令等。虽然专利赔偿在中国一向不高,但对于热门技术,原告可主张高额索赔(以覆盖研发投入和市场利润)。更严重的是禁令,一旦法院责令停止使用相关技术,LLM产品将不得不下架调整,那对业务影响巨大。

  • **声誉风险:**AI企业被卷入侵权诉讼可能影响其创新者形象和投资者信心。特别是涉及“抄袭”指控时,公众舆论可能对公司声誉造成负面影响。这在竞争激烈的AI市场中或被对手利用。相反,如果企业成功避开或战胜专利挑战,亦能证明自身研发实力和合法合规经营,为品牌加分。

  • 研发战略调整:若DIKWP专利壁垒牢固,企业可能调整研发方向,避免与之正面冲突。例如,强调端到端学习,减少引入显式知识/意图模块;或者寻求替代技术路线(如用生成式模型的隐式能力达到类似效果)。这可能导致本来有益的技术思路被放弃,从长远看对技术进步不利。但从商业现实考虑,企业会倾向选择低风险路线,哪怕技术上不是最优解。

**4.3 诉讼策略与法律挑战:**如果专利持有人选择法律诉讼,双方可能的策略与面临的挑战包括:

  • 和解或许可谈判:通常在正式诉讼前,双方会进行谈判。大公司可能更愿意和解或获得交叉许可,而不想耗时耗力打官司。如果DIKWP专利持有人开出合理的许可条件(例如非独占许可费、合作开发权益等),不排除一些企业会接受,以换取继续使用相关技术的自由。这将产生一个专利许可市场,DIKWP专利由此变现并扩散应用。专利持有人需要平衡一次性诉讼获赔与长期许可收益。

  • 专利无效攻防:被诉企业很可能向国家知识产权局提出专利无效宣告请求,以期从根本上解决问题。DIKWP专利如果在撰写和审查中存在瑕疵,将面临无效风险。企业可能搜集证据证明相关概念在专利申请日之前已有公开(现有技术抗辩),或者权利要求不符合专利法(如缺乏创造性、未充分公开等)。这对于DIKWP专利权人是重大考验:需要证明自己的专利有独特技术实质而非泛泛的概念集合。另外,大模型领域的抽象概念专利在法律上有时会被质疑是否可专利(如算法思想是否属于专利able subject matter),这些都可能成为无效理由。

  • 侵权认定复杂性:即使专利有效,如何证明对方产品包含了所有专利特征?由于AI系统复杂,律师需要借助专家证人和技术测试来推断。比如,可设计一组输入输出测试,用对比分析来佐证对方系统确实执行了“知识验证”步骤(比如发现模型输出总是与某知识库对齐,非巧合)。这样的推断需要极强的专业性,法庭上也需要让法官理解抽象的AI流程,这无疑是挑战。因此,诉讼中举证和说明的难度将非常高。这既要求原告准备充分,也可能被告利用技术晦涩拖延甚至混淆视听。

4.4 DIKWP专利市场价值:从商业角度评估,DIKWP专利的价值在于:它卡位了AI下一步发展中“从能力到可信”的关键环节。当前大模型企业竞相追逐更高性能的同时,“可解释和可控”成为监管和客户新的关注点。DIKWP专利正是围绕这些方面布局,因而拥有稀缺性。如果它们确实广泛有效,那么每一家想让AI更可信的大模型企业都可能成为潜在被许可人。这赋予了DIKWP专利持有人相当的市场谈判力和估值。可以预见,其专利组合本身就具有被收购投资的价值(例如大厂可能选择投资或并购DIKWP团队,以获得专利所有权,从而解除后顾之忧)。另外,在国际上,如果这些专利在其他主要市场申请了对应专利,一旦授权,将严重影响中国大模型出海以及外国大模型入华的路线,需要全球性考虑。

4.5 行业法律环境变化:DIKWP专利问题也反映出AI专利战的序幕。随着专利申请激增(仅中国在大模型相关专利上截至2024年申请量已达1.64万项 (国产大模型DeepSeek爆火,崛起背后大模型专利申请激增|知识产权方面|deepseek_网易订阅)),未来冲突不可避免。监管层和法院也会逐渐面临棘手的问题,如如何认定AI决策流程专利的侵权,以及如何在促进创新和防止垄断之间取得平衡。如果DIKWP开启诉讼且胜诉,可能鼓励更多专利持有人维权,AI领域的专利诉讼案例将会陆续出现并形成判例; 若其专利被轻易无效或维权受挫,又会影响创新团队对专利保护的信心。在商业层面,大模型公司可能因此更加重视专利布局自由运营(FTO)调查,投入更多资源在知识产权管理上。总之,DIKWP专利对市场和法律环境的影响将取决于相关各方的策略选择,但无疑已成为AI产业中一个不容忽视的知识产权因素。

5. 规避侵权风险的建议

针对LLM企业(以及更广泛的AI开发者)来说,为避免侵犯DIKWP专利而引发法律纠纷,需在技术和法律两方面采取主动措施。以下是几点建议:

5.1 技术实现规避策略:

  • 绕开专利保护的模块设计:在产品研发中仔细研读DIKWP专利的权利要求,将其中关键步骤作为避让点。例如,如果某专利要求包括“基于内部知识库对生成内容进行验证”,开发者可以考虑采用公开网络检索第三方API校验作为替代,而非内部知识库,以避免落入字面保护范围。再如,DIKWP专利强调“显式的意图驱动模块”,那么企业可以尝试用隐式意图推理替代(通过模型推断用户目标而不使用一个独立的意图参数),从实现上与专利要求拉开差距。当然,这种替代可能在效果上略逊,但可以大幅降低侵权风险。

  • 差异化的流程架构:如果需要实现类似的多阶段流程,也应确保流程设计与专利描述不完全一致。比如可以改变步骤顺序或合并某些步骤。假设DIKWP专利的典型流程是A->B->C->D四步,那么产品可以尝试走A->C->B->D,或者将B和C混合同步执行,而非串行。这种流程差异有望在侵权比对时主张不等同。当然要注意的是,差异必须是实质性的、在专利语境下非等价的,才能真正规避法律覆盖。

  • **利用开源和公共技术:**若某功能已经有公共领域实现或标准,可以采用已知方案而不是使用DIKWP独创的方法。例如,处理不完整数据可以借鉴学界常用的数据增广、推断填充算法,而不是使用DIKWP可能申请的专利算法。如果被指控,也可以举证该方案属于现有技术,不受专利限制。

  • 持续技术监控:建立团队定期跟踪DIKWP相关论文、专利的机制。一旦发现其有新授权的专利,与公司的研发计划有重叠,要尽早调整设计。在项目早期就进行专利规避设计,总比后期修改甚至停止功能要强。

5.2 法律合规与专利布局:

  • 专利许可与合作:一种稳健的策略是在明确某项DIKWP专利对己方产品构成威胁时,主动与专利持有人协商许可或合作。通过支付许可费获得使用权,或者与对方开展联合研发(共享成果专利权),可将侵权风险转化为合作共赢。例如,大模型企业可以寻求加入DIKWP人工意识标准委员会等组织,以会员身份取得专利的交叉使用许可。这不仅避免诉讼,还可获得对方专业支持,加快自身产品完善。

  • 交叉授权与专利池:大型企业通常也拥有大量AI相关专利,可以与DIKWP专利权人探讨交叉授权(cross-licensing)。如果百度、阿里等在其他方面有专利是对方感兴趣的,双方互相授权使用,可免除彼此侵权之虞。此外,行业内不妨考虑建立大模型专利池或联盟,将主要专利集中管理,成员共享使用权,统一对外许可。这会减少各自为战的侵权纠纷,让企业专注于技术本身。这种模式在通信领域很常见(例如3G/4G专利池),在AI领域也开始有探讨。

  • 专利无效及防御性出版:对于明显妨碍创新且自身可能不够稳固的专利,企业可准备好专利无效的申请资料。收集在先文献、技术手册,证明某些DIKWP概念其实早已有公开,从而削弱其法律效力。同时,可以将自己的研发及时发表论文或技术报告(防御性公开),防止对方将新想法再申请专利。比如,若公司研发了另一种语义通信算法,应尽快公开细节,这样DIKWP方面就无法获得覆盖该算法的新专利,对我方形成牵制。

  • 构建专利防御组合:企业应在LLM相关的新功能上积极申请专利,哪怕暂不打算主动诉讼,也可以用于防御。一旦卷入纠纷,可以拿出自己的专利指控对方(反诉或反请求),迫使对方考虑和解。比如,假设某公司有“多模态对齐训练方法”专利,而DIKWP团队要用类似技术评测,他们也可能需要许可公司的专利。这形成专利互保的格局,减少单方面被制约的风险。

5.3 研发与产品设计阶段的流程:

  • FTO(自由实施)分析:在产品设计之初,就开展Freedom-to-Operate检索,请专业专利检索人员查询相关领域已有的专利布局,包括DIKWP团队的77件已授权专利 (段玉聪-计算机科学与技术学院)。针对检索结果出具法律意见,列出潜在侵权点和规避方案,供研发人员参考。确保在项目里程碑检查时,将IP风险作为一项指标。

  • **研发人员IP培训:**提高AI研发团队的知识产权意识,定期培训如何识别专利风险、编写发明交底书等。让工程师在写代码和搭建流程时就有规避思维,例如避免照搬他人在专利或论文中的流程图设计,而是进行原创性改良。

  • 内部审查和文档留存:建立新功能的IP评审流程,法律顾问参与设计评审会议,提出修改建议。对于决定采用某可能相关专利技术的情况,记录采用理由(如认为其专利无效或我方有先用权等),以及替代考虑过的方案。这些文档将来可以作为善意和合理措施的证明,万一诉讼也体现非恶意侵权态度,甚至可在判赔时有所斟酌。

  • **监控竞争对手和市场风向:**留意是否有其他企业因为类似技术被警告或起诉。如果出现例如“某创业公司被指侵犯DIKWP专利”这样的新闻,要引以为戒,马上审视自家产品。市场上如果弥漫专利诉讼气氛,也要做好应诉预案。反之,如果大家纷纷通过许可合作解决,也可考虑跟进相似路径以免掉队。

总而言之,LLM企业在追赶技术潮流的同时,必须将专利防御作为战略组成部分。DIKWP专利的存在提醒我们,大模型领域不仅是算力和算法的竞争,也是制度和法律的竞技。通过提早布局、规范研发、积极沟通,企业完全可以在规避侵权的前提下持续创新。毕竟,尊重知识产权与技术创新并不矛盾——合适的专利策略反而能为企业赢得更稳健的创新空间。 (潜在专利侵权:GPT – 科研杂谈)

参考文献:

【16】段玉聪. 潜在专利侵权:GPT-4 与 DIKWP 专利 (潜在专利侵权:GPT – 科研杂谈) (潜在专利侵权:GPT – 科研杂谈) (潜在专利侵权:GPT – 科研杂谈)

【25】段玉聪. DIKWP 与 DEEPSEEK 合作让AI走向可信、自主、负责任的未来 (DIKWP 与DEEPSEEK 合作让AI 真正走向“可信、自主、负责任” 的未来) (DIKWP 与DEEPSEEK 合作让AI 真正走向“可信、自主、负责任” 的未来)

【36】应瑛. DeepSeek核心十问十答. 中信建投证券研究, 2025 (中信建投:DeepSeek核心十问十答_新浪财经_新浪网) (中信建投:DeepSeek核心十问十答_新浪财经_新浪网)

【23】企查查. 国产大模型DeepSeek爆火,崛起背后大模型专利申请激增, 2025 (国产大模型DeepSeek爆火,崛起背后大模型专利申请激增|知识产权方面|deepseek_网易订阅)

【30】阿里云. 阿里巴巴通义千问大模型简介 (阿里巴巴的通义千问大模型)

【32】Alan D. Thompson. Baidu ERNIE (文心一言) 简介, 2023 (Baidu ERNIE (百度文心一言) – Dr Alan D. Thompson – LifeArchitect.ai) (Baidu ERNIE (百度文心一言) – Dr Alan D. Thompson – LifeArchitect.ai)

【33】机器之心. 华为盘古大模型5.0技术解密, 2024 (华为盘古大模型5.0技术解密:更多模态,复杂推理 | 机器之心) (华为盘古大模型5.0技术解密:更多模态,复杂推理 | 机器之心)

【11】CN114039865B. 意图计算导向的跨DIKW模态传输与优化系统, 授权公告 (CN114039865B - 意图计算导向的跨dikw模态传输与优化系统)

【39】海南大学段玉聪团队. DIKWP人工意识相关授权专利清单 (段玉聪-计算机科学与技术学院) (段玉聪-计算机科学与技术学院)

【43】段玉聪. GPT-4与DIKWP专利技术对比分析报告 (潜在专利侵权:GPT – 科研杂谈) (潜在专利侵权:GPT – 科研杂谈)

【7】段玉聪. DIKWP 专利与 GPT-4 技术专利潜在侵权初探 (DIKWP 专利与GPT-4技术专利潜在侵权初探-段玉聪的博文 - 科学网)

【14】段玉聪. 潜在专利侵权:GPT-4 与 DIKWP 专利 (潜在专利侵权:GPT – 科研杂谈)

【44】知产力. 人工智能大模型专利诉讼:聚焦表象技术特征 (人工智能大模型专利诉讼:聚焦表象技术特征,充分合理举证) (首例AI应用专利侵权案民事二审判决书 - 中国知识产权律师网)



https://blog.sciencenet.cn/blog-3429562-1472922.html

上一篇:DIKWP核心专利与大模型技术对比潜在侵权分析报告
下一篇:DeepSeek意识水平白盒DIKWP测评及与主流模型对比分析(讲座回顾)
收藏 IP: 140.240.36.*| 热度|

1 刘跃

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

1/0 | 总计:0 | 首页 | 上一页 | 跳转

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2025-3-18 04:01

Powered by ScienceNet.cn

Copyright © 2007-2025 中国科学报社

返回顶部