博文
DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探
|
DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探
段玉聪（Yucong Duan）
国际人工智能评价网络 DIKWP 标准化委员会（DIKWP-SC）
世界人工意识 CIC（WAC）
世界人工意识大会（WCAC）
（电子邮件：duanyucong@hotmail.com）
一、问题背景与对比主体概述
在人工智能领域，大模型（如 GPT-4、DEEPSEEK）与多层次语义模型（如 DIKWP）都是备受关注的新一代技术路线。DIKWP（Data–Information–Knowledge–Wisdom–Purpose）框架通过专利形式，声称针对不完整/不一致/不精确（3-No）数据、跨模态融合以及目标/伦理对齐等方面有独创的实施方案。DEEPSEEK 则是一种自学习和强化学习驱动的大模型或推理框架，宣称具备冷启动、跨领域适应和代码/语言/多模态推理等强大能力。
为了评估 DEEPSEEK 是否可能侵犯 DIKWP 模型专利，需要我们从以下几个角度展开详实的分析：
DIKWP 专利所保护的核心技术特征：包括分层语义转换、三无数据处理机制、显式意图驱动模块、跨模态融合、知识验证等。
DEEPSEEK 的潜在内部机制或外部表现：强化学习 + 自发现/自演化、MoE（Mixture-of-Experts）架构、多模态自适应、对齐或伦理机制（若有）等。
专利侵权判定原则：主要依赖专利权利要求中的必要技术特征，并看对方技术是否完全或等同地涵盖了这些特征。仅靠功能雷同或目标相似通常不足以构成侵权。
以下章节将对比主体 DIKWP 与 DEEPSEEK 在不同关键技术模块上的“功能表现”与“内部实现”进行逐一详述；然后结合专利法的“技术特征落入规则”、“等同原则”，推导可能的法律结论并给出策略性建议。
二、DIKWP 专利与 DEEPSEEK：主要技术点的详细对比2.1 DIKWP 的专利焦点与独创性1. 分层语义转换（From D 到 I 到 K 到 W 到 P）
独创性要点
并不简单地只在概念上提出“多层”，而是对每层的输入输出做了清晰、结构化的定义；尤其在专利文献中，往往包含详细的实施例或流程图，指出如何在数据层做统计/采样、在信息层做关联/模式挖掘、在知识层调用外部专业知识库等。
最关键的是“P 层”（Purpose 或 Intention）的添加，使得“意图层”在整个推理流程中扮演核心的控制或指导角色。换言之，每一层的转换都需“对照”或“符合”既定的意图。
专利权利要求中的典型描述
可能会限定“系统在进行语义转换时，必须包含以下模块：X, Y, Z；并通过接口 A、B、C，与意图层进行交互，对数据或信息进行标注并存储在语义图谱 G 中……”。
这类描述若写得非常具体且细节清晰，就可能构成了 DIKWP 专利在“分层语义转换 + 意图对齐”领域的实质技术护城河。
2. 不完整、不一致、不精确数据（三无问题）的整体解决
专利中的典型特征
例如，一种**“自适应缺陷纠正”**流程：对缺失数据先做占位标记，再通过外部数据库或其他模态信息进行补全；对冲突数据则采用逻辑或概率校验方式在知识层做一致性判断；对模糊描述进行模糊逻辑运算或加权取值等。
可能以一个或多个算法模块来说明：“若出现不完整数据，就……；若出现不一致，则……；最终在意图层有一提示或回溯机制……”
潜在的新颖贡献
不同于通用 AI，仅仅“能”处理噪声或缺失，DIKWP 可能强调一种显式、系统性的‘三无处理管线’：对数据进行分级标注并置于大一统的语义空间中，而不是碎片化地在训练时偶尔做预处理。
3. 目的/意图驱动（Purpose/Intention-Driven）
内核：系统在语义转换过程中，时时刻刻要参照“意图层”，这是 DIKWP 相对传统 DIKW 最具差异化的升级。
具体实现
在专利中，往往会有对“意图管理子系统”或“价值/伦理对照子系统”的详细说明，如：系统接收 Stakeholder 目标/伦理参数/风险指标，再在推理时不断调用这些“意图约束”，保证输出不背离最初目的。
可能包括显式的决策状态机或有限自动机，让系统在某些不确定场景下能进行意图仲裁或优先级切换。
4. 跨模态融合与知识验证
要点：不仅是多模态输入的简单并行处理，专利强调“在同一语义框架下”进行多模态对齐（如文本、图像、音频都要映射到统一的语义节点，进行对照或冲突消解）。
知识验证机制： 典型地会描述一个**“显式验证模块”**，根据知识库或逻辑规则，与输入进行对比，发现矛盾则触发某种纠错或警示流程。
综上所述，DIKWP 专利真正的“硬核”大概率集中在“显式多层语义+三无缺陷处理+意图驱动+跨模态验证”四大板块的具体实施上。如果专利是较为笼统的功能性描述，则可能难以在法律上具有很强的排他力；如果专利文本中明确列举了对每层如何做数据/信息/知识/智慧/意图的操作方法、结构设计等，那才是其“实际防护范围”的关键。
2.2 DEEPSEEK 的技术特征与实现探究说明：DEEPSEEK 作为一个大模型 + 强化学习或自演化系统，若没有公开源代码或详细架构资料，只能基于已披露/推断信息来对比。下文尝试综合各种可能性做分析。
深度神经网络 + 强化学习（RL）/自监督学习
DEEPSEEK 核心常被描述为**“通过大规模数据+强化学习（或自监督）”** 来自动发现逻辑与策略。
训练时依靠“试错 + 奖励函数”，推理时依靠神经网络在上下文中对概率分布的建模，无显式语义标注或逐层映射流程。
多专家（MoE）架构
DEEPSEEK 也可能采用类似“Mixture-of-Experts”框架，将输入分配给不同专家网络处理，从而在不同领域/模态上取得高效推理。
但其逻辑大多是“门控路由 + 专家输出加权”，并不要求显式地把数据标注为信息/知识/智慧/意图等层级。
容错与纠错
DEEPSEEK 处理缺失或模糊数据时，一般是通过神经网络的自适应能力来进行“似然性最高的”回答，未必有显式模块“检测三无并修正”。
同样，纠错主要依赖内部语言或强化学习分布的再采样，并非通过“独立知识库验证”子系统。
意图/目标对齐
若 DEEPSEEK 要对齐某些伦理或安全目标，多数情况下会在 RL 的奖励函数中嵌入价值导向；或者在人类反馈环节对不当输出进行惩罚。
这是一种**“外部微调 + 奖励约束”**路径，不像 DIKWP 专利所描述的“底层就安插一个 Purpose/Intention 模块并贯穿整条管线，每层处理都要对齐意图”。
跨模态
DEEPSEEK 若声明多模态处理，通常是以 Transformer/神经网络同时对文本/图像输入进行编码，然后在统一的隐层表达里综合。
并不体现 “明确的语义节点对齐 + 可审计知识库引用” 的模式，而是依托大量训练参数对多模态做 end-to-end 的表示学习。
结论：DEEPSEEK 的核心更偏向“深度学习与强化学习端到端黑箱处理”，注重自适应和大规模统计。它并未对外公开“显式语义管线、三无缺陷修正、硬编码的意图管理模块”等，与 DIKWP 的专利化思路在实现路径上有显著差异。
三、从专利侵权判定角度做详细推导3.1 专利侵权的一般法律原则以权利要求为准绳
专利侵权判定要基于已经授权/公示的权利要求中列明的“必要技术特征”。只有当被控方（此处是 DEEPSEEK）技术方案包含了所有必要技术特征（或其等同）时，才构成落入专利权保护范围。
技术特征逐一对比
法院或专利局在做侵权分析时，会拿专利权利要求的每个特征，对应去检查被控产品/系统是否具有该特征。如果有一个关键特征不具备或实现方式不等同，即不会构成侵权。
功能实现 ≠ 技术特征
即使二者功能类似（例如都能做不完整数据容错），若实现原理或路径差别很大，就不会自动落入侵权。专利法强调“如何做到”而非“做到什么功能”。
等同原则
若被告技术并非完全相同，但在实质上执行了与专利相同的手段、实现了相同的功能并产生了相同效果，也可能构成“等同侵权”。但此判断需要非常具体的技术对照，并非简单功能相似就够。
DIKWP 专利可能的权利要求简化示例
“一种多层语义处理系统，包括：……用于将原始数据转换为信息的模块 M1；用于将信息转换为知识的模块 M2；用于将知识转换为智慧的模块 M3；用于在转换过程中接收并对照意图的单元 M4；以及……”
DEEPSEEK 的实现：
通常是“一体化深度模型 + RL”，“没有”显式的 M1、M2、M3 分层数据结构，也不在每步调用意图接口。
侵权推导：
若专利写得非常具体，限定了必须具备“显式信息层子模块、显式知识层子模块、显式意图接口……”等，则 DEEPSEEK 并未采用这类架构——> 不落入。
若专利仅泛泛描述“系统能从数据到智慧并考虑意图”，那这种宽泛表述容易在专利审查时就被要求限缩或被视为缺乏创造性。在实践诉讼中也很难将 DEEPSEEK 的端到端深度网络认定与之“等同”。
DIKWP：
可能在专利权利要求中写明：“对于不完整数据，系统执行 X 步骤调用外部知识库；对于不一致数据，系统执行 Y 步骤进行逻辑校验；对于模糊数据，系统执行 Z 步骤运用模糊算法……最终保证统一语义图谱中记录了补全或纠正后的信息。”
DEEPSEEK：
通常依赖神经网络内生的“分布估计”来自动完成推理，无专门的“外部知识库”或“逻辑校验”子模块。
面对缺失或模糊信息时，其处理流程更多是“在训练中看到类似的情形”从而学到“如何补足”，并不存在显式纠正过程可审计。
侵权推导：
若专利要求“显式缺陷识别 + 多源对齐 + 语义标记”，而 DEEPSEEK 并无——> 不构成侵权。
即使最终都能“处理不完整数据”，但路径截然不同。
DIKWP：
典型专利特征： “系统包含对照外部专家知识库进行冲突检测的模块；若发现冲突，则执行纠错算法 E 并记录在数据库 D 中……”
DEEPSEEK：
一般通过网络参数自发判断输入是否合理，不存在“外部显式知识库”或“对照模块”。
侵权推导：
明显差异化。DEEPSEEK 不会具备“显式模块 + 数据表 + 冲突警示”——> 不落入此专利特征。
DIKWP：
可能描述“将文本、图像、音频等都在语义层做统一标识，并用同一 ID 与意图层挂钩，再进行多轮融合。”
DEEPSEEK：
大概率是“多专家网络 + Transformer”，文本和图像输入都转化为向量嵌入，然后统一进入深度网络。无显式语义标识或节点对照。
侵权推导：
同样在于实现机理差异大。若专利要求明确规定了“在显式语义图中进行多模态对齐”和特定存储模式，则 DEEPSEEK 不会对应。
DIKWP：
专利可能详细描述“在智慧层和数据/信息转换过程中，每次操作均调用 Intention 模块进行比对，若违背意图则回退或修正。” 这是一套带有“显式意图管控”或“伦理审计”设计的流程。
DEEPSEEK：
最常见做法是“强化学习奖励函数”或“人类反馈微调”，属于训练阶段的对齐，而非在每一步“推理管线”中做显式对照。
与 DIKWP 的**“结构式意图驱动”**显著不同。
侵权推导：
若 DIKWP 仅概括性说“系统可以对齐目标”，则过于宽泛，但若专利有明确技术特征（例如“在第 n 层调用意图函数 p(n) 并执行对照”），DEEPSEEK 并不具备，则也不会落入。
很多人会疑惑：既然 DEEPSEEK 也能“跨模态”“处理不完整数据”“输出对齐的结论”，难道不是功能重叠，就构成侵权吗？专利法的答案通常是否定的，需要从以下维度进一步论证：
“做同一件事” vs. “做事的方法或路径”
专利法保护的是具体技术方案，而不是“能实现某结果的功能”。DEEPSEEK 与 DIKWP 虽然都能处理噪声数据、都能多模态输出、都能做一定伦理对齐，但其内部模块化程度、数据流动方式、算法调用路径截然不同。
实际与等同判定
如果专利在权利要求中标明了**“必须包含显式语义转换层 X、缺陷检测模块 Y、意图回调 Z”**等关键步骤，而 DEEPSEEK 并没有，也不等同（功能或过程都不同），则无法认定侵权。
若 DEEPSEEK 恰恰也采用“和专利一样的可视化管线”，则才有落入风险。根据已知对 DEEPSEEK 的了解，这种情况很难成立。
学界通用方法与创造性
若 DIKWP 专利仅概括“在一个系统内把数据转信息、再到知识、再到智慧，然后考虑用户目标”，这可能被认定为过度宽泛或无创造性，因为 DIKW 这类概念是公知理论。真实有效的专利要求必须具备独特的实现细节。若这些独特细节正是 DEEPSEEK 不具备的，那就更无从谈起侵权。
1. 两者实现架构差异显著
DIKWP 强调“显式多层语义转换 + 意图模块 + 多轮缺陷纠正”；
DEEPSEEK 多数场合是“深度网络 + 强化学习 + 隐式表示”。→ 基本判定：在技术特征层面差别很大。
2. 专利侵权需要“权利要求特征均被覆盖”**
只要 DEEPSEEK 没有落实 DIKWP 专利中具体记载的那些**“显式子模块/过程”**，就不能算落入。
3. 功能相似不代表技术特征落入
即便外在表现都能纠错、多模态理解、跨领域运用，但**“如何做到”**才是关键。
DEEPSEEK 采用端到端神经网络学习，不同于 DIKWP 所述“结构化显式过程”。
综上：从目前已知信息推断，DEEPSEEK 与 DIKWP 不属于同一架构或同等实现，因此不大可能直接落入 DIKWP 专利保护范围，侵权可能性极低。
5.2 推理过程的进一步丰富细节若 DIKWP 专利非常宽泛
如果 DIKWP 专利在权利要求中用极为概括性语言，试图覆盖“任何可以从数据推理到智慧并考虑意图的 AI 系统”，那么专利本身很可能面临新颖性、创造性或可执行性质疑，甚至被提起无效宣告。
即使法院初步承认专利有效，DEEPSEEK 可以声称技术先有、行业普适，以及强调自己架构根本不同，从而对侵权指控进行反击。
若 DIKWP 专利足够具体
这样的专利很可能对“各层语义转换流程”或“意图驱动模式”有清晰规定；则 DEEPSEEK 因没有这些具体模块，也无法被认为落入。
“等同侵权”要素
除非 DEEPSEEK 的端到端深度网络被法院视为与“显式分层语义”具有实质相同的技术手段+功能+效果。这在学理上差异甚大，不易成立。
虽然在专利层面 DEEPSEEK 不太会侵权，但DIKWP“意图驱动、显式多层设计”对 AI 行业有独到的价值，尤其适用于需要更可解释、更可控的应用场景（例如医疗、工业安全、政府决策）。DEEPSEEK 若能与此类显式语义/伦理架构结合，可能形成互补。对 DIKWP 专利方而言，与大模型厂商合作也是更实际的路线，而非硬性诉讼。
六、更加细化的推导过程总结为了满足“丰富论证”与“推导”需求，最后我们将分析过程再次整理成 4 步推理模型：
列举 DIKWP 专利独特技术特征
显式多层语义转换（D→I→K→W→P）；
三无数据处理算法（缺失、冲突、模糊的统筹纠正）；
目的/意图驱动（底层嵌入价值或目标管理模块）；
跨模态融合与知识验证（显式知识库对照、冲突标记等）。
列举 DEEPSEEK 实际实现思路
大规模神经网络 + 强化学习；
MoE 架构，端到端隐式学习，未见显式多层语义管线；
对不完整数据主要靠数据驱动和模型先验，不具备一个多步纠正流程；
若有对齐，多基于奖励函数调优，无独立意图管理模块。
技术特征比对
特征 1：DIKWP 强调“显式多层 + 结构化记录”，DEEPSEEK 没有；
特征 2：DIKWP 三无处理通常是模块化逻辑修补，DEEPSEEK 自学容错；
特征 3：DIKWP 底层嵌入意图监督，DEEPSEEK RL 奖励外置；
特征 4：DIKWP 知识验证有明确方法，DEEPSEEK 不同；→ 差异显著，不构成落入。
结论
功能相似但技术实现完全不同；
专利要求若具体且严格，则 DEEPSEEK 不具备关键特征，不落入；若抽象笼统，则专利本身可能被无效或不具执行力。
故DEEPSEEK 侵权可能性较低。
对 DIKWP 专利持有方的建议
完善专利文本：务必在专利权利要求中把“显式多层转换”、“三无修补算法”、“意图模块”描述得具体可实施；否则既难以保护，更可能被无效。
关注技术拓展：若希望在行业里产生实质影响，可考虑与大模型合作，将“意图驱动”与“跨模态验证”设计为可插拔模块，对各类黑箱大模型赋能；比单纯诉讼更有商业价值。
对 DEEPSEEK 或类似大模型开发者
技术上：若其继续使用端到端深度学习 + RL，不采用 DIKWP 显式管线，无需担心直接落入对方专利范围。
商业合作：可探讨在某些高要求领域（医疗、金融、政府）利用 DIKWP“目的/伦理嵌入”方案，让大模型输出更具可控性与合规性。
对产业与学术界
此案（或此主题）说明：AI 功能雷同不代表专利侵权，因为很多功能已是行业普遍需求；是否侵权要看底层实现方式。
**“意图/伦理”**在 AI 中日益重要，DIKWP 这种明确把“意图”当成结构单元的专利思路，是一个值得关注的研究方向，也可能在未来标准化与责任 AI 体系里占据一席之地。
DEEPSEEK 与 DIKWP 存在较大架构差异：DIKWP 强调显式语义层级 + 意图驱动，DEEPSEEK 以深度学习 + RL形式运作；
在专利法层面，若关键技术特征不相同或不等同，即难以构成侵权；
DIKWP 专利若只抽象描述“处理不完整数据 + 有意图约束”，恐难于精确覆盖到 DEEPSEEK 的具体实现；
最终，除非发现 DEEPSEEK 内部确实暗含一套“多层语义管线 + 全流程显式意图管理”等同于 DIKWP 专利，否则“DEEPSEEK 侵犯 DIKWP” 不具法律支撑。
更可行与合理的路线是：DIKWP 与 DEEPSEEK 合作或互补，在 AI 前沿形成更可解释、更具鲁棒性、更符合伦理的下一代体系。
由此可见，即便两者目标和功能表现上存在高度相似，但在专利侵权的严格判定维度中，仍有显著区别，最终推导出：“DEEPSEEK 侵权 DIKWP”可能性较低。
https://blog.sciencenet.cn/blog-3429562-1470961.html
上一篇：既“智能”又“可信”的 AI 系统：DIKWP系统初步
下一篇：DIKWP 与 DEEPSEEK 合作让 AI 真正走向 “可信、自主、负责任” 的未来
