DIKWP核心专利与大模型技术对比潜在侵权分析报告
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)
一、DIKWP核心专利内容分析
1. 专利权利要求范围与技术方案：DIKWP（数据-信息-知识-智慧-意图）人工意识模型的系列专利围绕AI语义处理和决策的全流程提出了一套分层架构和方法。其核心技术特征包括：分层语义转换（D→I→K→W→P多层语义处理）、“三无”数据处理机制（针对数据不完整、不一致、不精确问题的整体解决方案）、显式意图驱动模块（引入Purpose/Intention层以目标意图指导各层操作）、跨模态融合（统一不同模态的数据语义表示与处理）、知识验证与纠错（通过外部知识校验和消解不确定性）等 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探) ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)。这些专利通常在权利要求中限定具体的系统模块和流程，例如要求系统包含用于语义转换的模块X、Y、Z，并通过接口与意图层交互，将数据/信息标注后存储到语义图谱G中等 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)。这种详细明确的限定为DIKWP在**“分层语义转换+意图对齐”**领域构筑了技术壁垒 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)。
**2. 语义通信专利：DIKWP团队的专利还涵盖新型语义通信技术。例如，CN113839750B专利提出了一种语义通信系统的信息传输方法：发送端先提取语义信息，生成语义表征序列，并在序列中添加语义知识库的信息，然后进行语义编码得到语义编码序列；接着对其进行信道编码并发送。接收端收到信号后执行信道译码和语义译码，并将译码正确与否反馈发送端；发送端据此决定是否重传以及如何重传，直到接收端获得正确的语义解码结果 (一种语义通信系统中的信息传输方法（CN202111408524.0）-中国专利〖掌桥科研〗)。这一方案通过在比特传输层引入语义层的校验与反馈，大幅提高了数据传输和重传的效率，避免计算和带宽资源浪费 (一种语义通信系统中的信息传输方法（CN202111408524.0）-中国专利〖掌桥科研〗)。语义通信专利体现了DIKWP对“传输内容语义化”**的创新利用，即关注信息的意义而非字节，实现更高效可靠的通信 (一种语义通信系统中的信息传输方法（CN202111408524.0）-中国专利〖掌桥科研〗)。
3. 智能决策与意图层：在DIKWP模型中，最高层的“P”（Purpose/意图）被用于模拟人类决策中的目标驱动因素 (DIKWP 与DEEPSEEK 合作让AI 真正走向“可信、自主、负责任” 的未来)。相关专利强调“目的驱动的过程”：每一层的数据/信息处理都必须对照既定意图进行，确保AI系统的推理和行为与预定目标和伦理准则保持一致 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)。例如，专利文献常给出实施例说明如何在知识层调用外部专业知识库，在智慧层结合长远影响作出抉择，并由意图层提供约束校正 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探) ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)。这种设计赋予AI一种**“人工意识”**雏形：即具有自我目的反思和伦理判断能力 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)。相应权利要求可能限定AI系统包括意图管理模块，能够将用户或系统目标转化为约束条件，实时参与各层语义处理和决策 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)。该意图驱动机制是DIKWP专利的独特创新点之一，旨在提升AI决策的自主性和可控性。
4. “三无”数据处理机制：DIKWP系列专利特别针对AI面对的不完备、不一致、不精确数据（简称“三无”数据）提出了解决方案 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)。例如，一项专利提出“自适应缺陷纠正”流程：对于缺失的数据资源，先放置占位标记，再利用外部数据库或其他模态信息进行自动补全；对于冲突矛盾的数据，通过逻辑推理或概率校验在知识层进行一致性判定；对于模糊的不精确描述，采用模糊逻辑运算或加权平均等方法提高准确度 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探) ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)。意图层在该流程中发挥重要作用，例如在检测到信息缺失或矛盾时触发回溯机制或给予提示 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)。专利权利要求通常将上述步骤细化为算法模块或处理方法，如：“若出现不完整数据，则执行步骤…；若出现不一致数据，则…；最终依据意图模块指示进行…修正” ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)。通过这种整体式方案，DIKWP实现了在统一语义空间内同时处理多种数据缺陷 (DIKWP 与DEEPSEEK 合作让AI 真正走向“可信、自主、负责任” 的未来)——这区别于传统上分别处理缺失值、冲突检测、模糊推理的割裂方法，体现出专利方案的综合性和发明高度。
5. 人工意识系统架构：综合上述技术，DIKWP的专利描绘了一种人工意识系统的架构蓝图。系统将原始数据逐级转化为信息、知识、智慧，最后上升到意图层 (DIKWP 与DEEPSEEK 合作让AI 真正走向“可信、自主、负责任” 的未来)。各层之间通过语义图谱和跨空间转换进行交互：如数据图、信息图、知识图、智慧图、意图图等“五图”扩展了传统知识图谱的概念，用于表示各层次内容及其关联 ((PDF) Prof. Yucong Duan's key innovations to the DIKWP (Data-Information-Knowledge-Wisdom-Purpose) model) ((PDF) Prof. Yucong Duan's key innovations to the DIKWP (Data-Information-Knowledge-Wisdom-Purpose) model)。专利详细阐述了不同认知空间（感知空间、语义空间、意识空间、概念空间）的划分及其中语义转换的机制 ((PDF) Prof. Yucong Duan's key innovations to the DIKWP (Data-Information-Knowledge-Wisdom-Purpose) model) ((PDF) Prof. Yucong Duan's key innovations to the DIKWP (Data-Information-Knowledge-Wisdom-Purpose) model)。例如，感知层获取环境数据，语义层理解其含义，意识层自我评估和反思，概念层进行抽象推理 ((PDF) Prof. Yucong Duan's key innovations to the DIKWP (Data-Information-Knowledge-Wisdom-Purpose) model)。各空间的转换过程中嵌入道德伦理考量，使AI决策具有可解释的价值取向 ((PDF) Prof. Yucong Duan's key innovations to the DIKWP (Data-Information-Knowledge-Wisdom-Purpose) model)。这种多空间、多层次交互的人工意识框架也在专利中有所体现，意在使AI具备类人自我意识和伦理决策能力 ((PDF) Prof. Yucong Duan's key innovations to the DIKWP (Data-Information-Knowledge-Wisdom-Purpose) model)。相关权利要求可能涵盖“DIKWP*DIKWP”双层交互（即多个主体的DIKWP模型交互）和语义空间变换等内容 ((PDF) Prof. Yucong Duan's key innovations to the DIKWP (Data-Information-Knowledge-Wisdom-Purpose) model)。总之，DIKWP专利组合从底层的数据表达到高层的目的规划，提供了一套完整的人工智能认知系统方案，其权利要求保护范围横跨语义提取编码、知识图谱拓展、跨模态融合到意图控制等方面 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)。
二、目标企业相关技术现状分析
本节基于公开资料，对比分析几个国内大模型（LLM）领军企业的相关技术特点，包括DeepSeek开源大模型项目、阿里云通义大模型基座、百度文心一言（ERNIE Bot）以及华为盘古大模型等，梳理它们的实现方式，并与DIKWP专利技术要点对照。
1. DeepSeek大模型项目：DeepSeek是近期兴起的开源大型语言模型项目，据报道其首个模型DeepSeek LLM于2024年初发布，参数规模达670亿，训练数据达2万亿Token，支持中英文 (当我们都成为被DeepSeek支配的工具人 - 腾讯新闻)。技术上，DeepSeek R1模型引入了混合专家（MoE）架构和改进的Transformer设计 (Comparative Analysis of DeepSeek Model and Reasoning Model Principles)。MoE架构是DeepSeek的一大创新点：尽管模型总参数量极大（据称DeepSeek V3版本参数量达到数千亿），但通过MoE，每个输入token只激活约5%–10%的参数（相当于激活370亿参数的子网络） (Comparative Analysis of DeepSeek Model and Reasoning Model Principles)。这种按需激活专家子模型的方式，使DeepSeek在推理时计算成本大幅降低，以较少资源实现了媲美超大模型的性能 (Comparative Analysis of DeepSeek Model and Reasoning Model Principles) (Comparative Analysis of DeepSeek Model and Reasoning Model Principles)。此外，DeepSeek针对长文本处理进行了改进，采用了大容量（约10万词级）的Tokenizer来更高效地编码文本 (Comparative Analysis of DeepSeek Model and Reasoning Model Principles)。在模型训练范式上，DeepSeek团队重点提升了推理能力：通过大规模强化学习（RL）而非单纯的监督微调，使模型涌现出强大的数学推理和逻辑能力 (DeepSeek-R1：通过强化学习激励大型语言模型（LLMs）的推理能力_deepseek-r1:通过强化学习提升大型语言模型的推理能力-CSDN博客)。例如，DeepSeek-R1-Zero完全采用强化学习训练，在没有额外有监督数据的情况下涌现复杂推理行为，但早期版本存在输出可读性差等问题 (DeepSeek-R1：通过强化学习激励大型语言模型（LLMs）的推理能力_deepseek-r1:通过强化学习提升大型语言模型的推理能力-CSDN博客)。为此，DeepSeek-R1结合了多阶段训练和冷启动数据，再进行RL微调，显著提升了推理性能，据称在推理任务上可比肩OpenAI的高级模型 (DeepSeek-R1：通过强化学习激励大型语言模型（LLMs）的推理能力_deepseek-r1:通过强化学习提升大型语言模型的推理能力-CSDN博客)。总结：DeepSeek的架构以深度神经网络为核心，没有公开采用显式的知识图谱或语义分层模块，而是通过算法架构创新（MoE）和训练策略（强化学习）来增强模型能力。这使其善于从海量数据中自发学习语言模式和推理技巧，但在语义理解过程上属于端到端的黑箱神经网络，缺少DIKWP所强调的显式语义转换和意图控制模块。据Yucong Duan教授分析，DeepSeek内部可能引入了一些自我进化机制或对齐/伦理模块，但主要特征仍是超大规模Transformer+MoE+RL ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)。
2. 阿里云通义大模型基座：阿里巴巴达摩院发布了“通义”系列大模型，致力于打造国内首个AI统一底座 (覆盖200+服务场景，阿里「通义」大模型系列打造国内首个AI统一底座（1）-阿里云开发者社区)。通义大模型家族包括通用基础模型（如通义千问Qwen系列）以及各领域的专业模型。其技术策略强调跨模态和跨任务的统一：阿里率先构建了统一的模态表示、任务表示和模型结构，通过统一学习范式使单一模型掌握多种任务 (覆盖200+服务场景，阿里「通义」大模型系列打造国内首个AI统一底座（1）-阿里云开发者社区)。例如，达摩院研发的多模态预训练模型M6-OFA实现了在不引入新结构的情况下，同时处理图像描述、视觉定位、文本生成图像、视觉蕴含、文档摘要等十余种任务，并达到国际领先水平 (覆盖200+服务场景，阿里「通义」大模型系列打造国内首个AI统一底座（1）-阿里云开发者社区)。升级后的M6-OFA据称可支持超过30种跨模态任务 (覆盖200+服务场景，阿里「通义」大模型系列打造国内首个AI统一底座（1）-阿里云开发者社区)。这种**“一模多能”的能力表明阿里的大模型基座在架构上融会贯通了视觉、语言等不同模态的表示**，打通了AI的各类感官 (覆盖200+服务场景，阿里「通义」大模型系列打造国内首个AI统一底座（1）-阿里云开发者社区)。此外，阿里还引入模块化设计思想，借鉴人脑的模块化分工，根据应用场景灵活拆装功能模块，提高系统效率和性能 (覆盖200+服务场景，阿里「通义」大模型系列打造国内首个AI统一底座（1）-阿里云开发者社区)。阿里云官方将通义大模型定位为“人工智能基座型”赋能平台，希望支撑金融、政务等各行业的智能化变革，是一种通用基础+行业定制的层次化AI体系 (覆盖200+服务场景，阿里「通义」大模型系列打造国内首个AI统一底座（1）-阿里云开发者社区) (浅谈文心一言-阿里云开发者社区)。具体的大模型实现方面，阿里于2023年开源了通义千问Qwen模型（7B和14B参数版），提供了中英文优秀的基座模型；在此基础上通过指令微调派生出对话模型、检索增强模型等版本 (李飞飞团队“50美元”复现DeepSeek R1真相：基座为阿里云Qwen模型_手机新浪网) (李飞飞团队“50美元”复现DeepSeek R1真相：基座为阿里云Qwen模型_手机新浪网)。报道显示，包括斯坦福在内的研究团队在复现DeepSeek等推理模型时，直接以阿里的Qwen-7B作为预训练基座，再用极少样本做监督微调即可取得与大型推理模型相当的效果 (李飞飞团队“50美元”复现DeepSeek R1真相：基座为阿里云Qwen模型_手机新浪网) (李飞飞团队“50美元”复现DeepSeek R1真相：基座为阿里云Qwen模型_手机新浪网)。这侧面印证了阿里通义模型本身的强大通用能力。总结：阿里云智能基座技术突出多模态统一和通用大模型平台两大特点，在模型架构上逐步趋近于打破模态壁垒（如用单一模型处理图文声多种输入） (覆盖200+服务场景，阿里「通义」大模型系列打造国内首个AI统一底座（1）-阿里云开发者社区)。目前公开信息未透露阿里采用了类似DIKWP那样的显式“意图”模块或知识校验机制。其优势在于通过大规模数据训练和创新模型架构（如M6-OFA）实现了知识的融合学习 (覆盖200+服务场景，阿里「通义」大模型系列打造国内首个AI统一底座（1）-阿里云开发者社区)，让模型在内部权重中隐式存储多领域知识并具备跨任务能力。但这种隐式融合不同于DIKWP专利中明确的每层知识库调用和语义标注流程。阿里更多是用数据驱动代替规则驱动：将知识融入训练过程（例如通义模型背后有海量知识图谱和文本数据的混合训练 (浅谈文心一言-阿里云开发者社区)），而非推理时动态调用知识库。因此，其技术路线与DIKWP有相通之处（都追求让AI具备“知识驱动的认知智能” (覆盖200+服务场景，阿里「通义」大模型系列打造国内首个AI统一底座（1）-阿里云开发者社区)），但实现方式上偏重端到端深度学习，避开了大量预定义的语义处理模块。
3. 百度文心一言（ERNIE Bot）：文心一言是百度推出的知识增强型大语言模型，对标ChatGPT的对话智能。 (浅谈文心一言-阿里云开发者社区)文心一言基于百度飞桨深度学习框架和文心系列预训练模型开发，具有知识增强、检索增强、对话增强三大技术特色 (浅谈文心一言-阿里云开发者社区)。其中，“知识增强”指模型在训练中融合了百度庞大的知识图谱**（文心知识图谱涵盖数百万实体和亿级关系），使模型拥有更丰富的事实知识储备 (文心一言”背后的数据库力量：文心知识图谱 - 百度智能云) (浅谈文心一言-阿里云开发者社区)。“检索增强”意味着文心一言在对话过程中可以调用检索模块，即根据用户提问实时从百度搜索或自有数据库中提取相关信息用于回答，从而提高准确性并减少幻觉错误 (浅谈文心一言-阿里云开发者社区)。这类似于OpenAI的Retrieval-Augmented Generation思路，将外部知识注入模型回答。第三，“对话增强”体现为对人机交互的优化，包括上下文理解、遵循指令和安全过滤等方面。文心一言的五大功能能力包括：文学创作、商业文案、数理逻辑推算、中文理解和多模态生成** (浅谈文心一言-阿里云开发者社区)。特别是多模态生成方面，百度已演示了文心一言根据自然语言生成图像的能力，以及语音对话接口等 (浅谈文心一言-阿里云开发者社区) (浅谈文心一言-阿里云开发者社区)。这表明文心一言集成了百度ERNIE-ViLG图像生成模型和语音识别/合成技术，实现了跨文本、图像、语音的综合 AI 服务。在专利布局上，百度多年来在知识图谱和自然语言处理融合领域有大量储备，可能包含将知识嵌入预训练、基于知识的对话方法等发明。文心一言本质上采用显式+隐式结合的技术路线：一方面利用显式的知识库检索（如查询百度知识图谱或搜索引擎）来补充对话信息，另一方面通过预训练让模型参数隐式地携带常识和领域知识 (浅谈文心一言-阿里云开发者社区)。总结：与DIKWP的技术要点相比，文心一言在知识利用和多模态处理上有一定重合之处：它也试图让AI“理解”大量知识并支持跨模态交互。然而，百度的实现更偏重深度学习和大数据驱动：知识增强是通过训练时的海量语料（文本+知识图三元组）融合来实现 (浅谈文心一言-阿里云开发者社区)；对于不完整或疑问信息，更多依靠实时搜索**（检索增强）而非预先设计的语义推理算法。这与DIKWP专利中预设的“语义补全”和“知识校验”流程存在差异：前者由模型自行学习何时需要检索，后者则是专利明确规定的步骤。文心一言暂无公开迹象表明内部有独立的“意图层”去约束生成，其对不良输出的控制主要通过对齐训练和内容过滤来实现。总体来说，百度的技术路线旨在平衡大模型通用能力与知识可信度**，通过工程手段（搜索引擎接入、插件工具等）弥补大型语言模型的短板。这种方式有可能绕开某些DIKWP专利所涵盖的具体实现细节，例如没有构造专门的数据图/信息图来消除歧义，而是利用搜索结果直接回答。但在追求**“知识驱动的认知智能”**这一目标上，百度文心与DIKWP理念不谋而合，只是所走路径一个偏“学习推理”，一个偏“规则推理”。
4. 华为盘古大模型：盘古是华为云推出的预训练大模型家族，包括NLP、大视觉、多模态、科学计算等系列，定位于产业AI的底座。盘古模型的特色在于大参数规模和高效分布式训练。例如，2021年发布的盘古α预训练NLP模型参数高达千亿级，使用1.1TB高质量中文语料训练 ([PDF] 华为盘古大模型：让AI重塑千行百业)；华为自研的MindSpore框架提供了五维并行策略，将训练任务扩展到4096卡集群，解决了超大模型的训练效率瓶颈 ([PDF] 华为盘古大模型：让AI重塑千行百业)。2024年华为推出盘古5.0版本，标志着其大模型进入更成熟阶段 ([PDF] AI DC 白皮书)。盘古3.0开始扩展多模态能力，比如发布了盘古·时尚多模态模型，可一次性生成批量服饰图像，并通过Attention Cache等技术加速推理，实现一模态模型处理跨模态任务 ([PDF] 华为AI盘古大模型研究框架)。总体而言，华为盘古专注于**“高性能、大规模”：利用硬件优势和并行算法训练超大模型，并针对行业数据做二次训练以提升专业应用效果。公开资料显示，盘古团队更多强调模型的工程优化和行业落地**，例如在工业、城市治理等场景与伙伴合作，将预训练模型与具体业务流程结合 (ai大模型发展白皮书- 华为云) (加速行业智能化白皮书-行业智能化参考架构-AI大模型-华为企业业务)。在知识和语义方面，盘古模型主要依赖其大规模预训练掌握通用知识，没有像文心一言那样明显的外部检索组件。盘古也未见明确的分层语义架构，而是遵循目前主流的Transformer框架。值得注意的是，华为非常注重AI可信与可控，在其发表的AI治理白皮书中提出了可解释、可靠的AI要求，未来不排除在大模型中加入知识校验或意图约束的模块，但目前这方面信息较少。总结：盘古大模型与DIKWP技术的相似度相对较低。它更像是典型的大模型（侧重算力和数据驱动），在语义转换、意图识别等方面并未显现独特的机制。若以DIKWP专利的角度审视，盘古目前主要体现的是**“D→K”（数据到知识）的训练过程和跨模态扩展**，尚未涉及明确的“W、P”层处理和“三无”数据纠错流程。因此盘古现有实现大体避开了DIKWP专利涵盖的具体技术区域。
三、潜在侵权可能性评估
1. 技术实现相似性分析：将DIKWP核心专利所涵盖的技术特征与上述企业的大模型实现逐一对比，可发现直接的实现重合目前较为有限，但在概念和目标上有所趋同：
分层语义转换方面：DIKWP专利要求AI系统显式区分数据、信息、知识、智慧、意图等层次处理，对应不同模块和图谱 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)。反观各大模型，DeepSeek、阿里通义、华为盘古基本采用单一大模型架构处理输入到输出，没有公开的多层次语义转换模块，即缺少明确的DIKWP层级划分。只有百度文心在架构上引入了检索模块，勉强可视为一种将“知识层”独立出来的做法，但这仍不等同于完整的DIKWP分层框架。因此在“层次化语义处理”这一点上，各大模型实现与DIKWP存在技术路线差异，相似性较低。
“三无”数据处理方面：DIKWP强调在同一语义空间内综合处理不完整、矛盾、模糊信息 (DIKWP 与DEEPSEEK 合作让AI 真正走向“可信、自主、负责任” 的未来)，例如利用外部知识补全缺失数据、用逻辑校验解决不一致等 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)。现有大模型通常通过训练数据的广覆盖性提高鲁棒性，而非在推理时执行显式的缺陷修复算法。例如，模型面对不完整问题可能会凭上下文猜测补全，但这是一种隐式学习行为，而非预设步骤。百度文心一言在遇到知识缺失或问题不明确时，会调用搜索引擎获取更多信息（相当于补全背景），这一点与DIKWP专利中“通过外部数据库补全缺失信息”思路有一定相似 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)。但区别是：DIKWP是在算法层面针对任意数据缺失都执行补全流程，而百度仅在对话需要时检索，且不一定针对所有不完整细节。阿里通义模型由于参数中已包含海量知识，对缺信息问题往往直接生成答案，未必每次都检索或推理补全（除非结合其搜索产品）。DeepSeek和盘古没有专门的不完整数据处理模块，只能说大模型的泛化能力使其对噪声和残缺输入有一定容错，但这不属于专利意义上的“机制”。综上，目前主流大模型没有实现与DIKWP“三无机制”完全等同的技术，只有百度的检索增强在功能上类似于“补全知识并消歧”，但实现途径不同（由搜索引擎完成而非专利所述的语义图谱推理）。
显式意图驱动方面：DIKWP在架构中加入了独立的意图层/模块，用于对齐AI行为与预定目的或用户目标 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)。它要求每一步推理决策均由意图约束，甚至在专利中把意图作为输入之一进行处理 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)。现阶段比较知名的大模型没有公开类似的“目的/P层”模块。ChatGPT类对话模型（包括文心一言）通过人类反馈强化学习（RLHF）来对齐人类偏好，可以视作一种“对用户意图的学习”，但这只是模型调优方法，而非一个实时运作的意图控制单元。DeepSeek据推测可能在强化学习过程中设置了一些奖励函数来鼓励正确的推理步骤，某种程度上体现“自我演化的意图”，但这与DIKWP的显式意图模块（可理解为AI内部的目标生成与监控器）相差甚远 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)。阿里、华为的大模型更多是作为基础平台，为外部应用提供服务，本身并未内置一个需要对齐伦理或长期规划的显式目的模块。可以预见，未来为了让AI更可控，业界可能引入类似“值观模型”或“用户意图解析器”的组件，但目前未成熟。结论：在“Purpose层”的落实上，各大模型尚不存在与DIKWP专利技术相同或等同的实现，目前来看基本无直接侵权风险，但这也是DIKWP技术的独特价值所在，未来若有公司尝试加入类似的AI意图单元，则需警惕专利雷区。
跨模态融合方面: DIKWP专利保护了将多种模态数据映射到统一语义框架下处理的技术，例如让文本、图像、音频在同一语义图谱中关联，从而实现真正的多模态对齐 (Preliminary Exploration of DEEPSEEK Infringement on DIKWP ...)。这一点上，阿里通义走在前列：其统一底座理念就是实现模态表示和模型结构的统一 (覆盖200+服务场景，阿里「通义」大模型系列打造国内首个AI统一底座（1）-阿里云开发者社区)，M6-OFA模型已经让单一模型同时具有视觉和语言能力 (覆盖200+服务场景，阿里「通义」大模型系列打造国内首个AI统一底座（1）-阿里云开发者社区)。百度文心一言也具备文字生成图片、语音对话等多模态功能 (浅谈文心一言-阿里云开发者社区)，但尚不清楚其底层是否通过统一表示实现——可能仍是多模型协作。华为盘古逐步推出CV模型、多模态模型，但是否融合为单一框架未有明确报道，当前多模态能力主要体现在特定任务模型上。DeepSeek目前公开的是纯文本LLM，暂无跨模态功能。综合来说，阿里的多模态统一技术与DIKWP跨模态融合理念较为接近：都强调不同数据模态的融合处理。如果DIKWP相关专利对“跨模态语义对齐”有较宽泛的权利要求（不限具体算法，只要实现将多模态信息映射到统一语义空间即覆盖），那么阿里通义底座的M6-OFA模型有可能落入相似的技术范畴 (覆盖200+服务场景，阿里「通义」大模型系列打造国内首个AI统一底座（1）-阿里云开发者社区)。不过，需要具体比对：若DIKWP专利要求了特定的图谱结构或转化步骤，而阿里采用的是端到端神经网络统一表示（没有明确的规则转换过程），则在实现细节上仍有差异，可能避开直接侵权。但是可以预见，随着各大厂商争相发展多模态大模型，这一领域与DIKWP已有专利交叉的概率在上升，应持续关注。
知识验证与纠错方面：DIKWP技术体系中，“知识验证”指利用知识库对AI产生的中间结果或最终结论进行校验，发现偏差及时纠错，从而提高AI输出的准确性和可信度 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)。这通常需要AI在生成答案时，能引用外部知识资源进行比对。例如，DIKWP某些专利可能要求在推理流程加入知识一致性检查或语义冲突消解模块 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)。现实中，大模型幻觉(hallucination)问题广为人知，各企业也在探索解决方案。百度文心一言通过检索增强，让模型回答尽量基于查到的真实资料，从而起到事实核验作用，这可以视为一种知识验证机制（虽然目前主要在回答阶段起作用，并非全程监控） (浅谈文心一言-阿里云开发者社区)。OpenAI等也在研究插件（如让ChatGPT用工具查询真相）以减少谬误。阿里、华为尚未公开类似举措，推测仍主要依赖模型自身的准确率或在应用层由人工审核关键输出。就侵权分析而言，如果DIKWP某项专利广泛覆盖了“AI对生成结果进行知识比对校正”的思路，那么采用检索增强的大模型可能具有功能上的相似性。但为了认定侵权，需要看实现步骤：DIKWP方案可能强调利用特定的语义图谱、通过推理算法消解冲突 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)，而百度只是简单地把搜索结果返回给生成模型参考，两者实现方式差别较大。按照中国专利侵权判定的“全面覆盖”原则，只有当被控技术方案包含了专利权利要求的全部必要特征（或等同特征）时，才构成侵权 (被控侵权产品是否侵犯涉案发明专利权的判定-中国法院网)。仅在最终功能上“效果类似”并不够 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)。因此，百度的知识增强如果没有采用DIKWP专利中特定的知识比对方法，就不算落入其保护范围。不过，值得注意的是，大模型输出可信度已成为业界攻关重点，各家可能收敛出类似的方案（如在生成后增加一个基于知识的校验环节）。一旦这种方案具体实现上与DIKWP专利描述接近（比如都用了知识图谱匹配来纠错），那么相关公司将面临潜在侵权风险。
2. 权利要求覆盖范围对比：进一步，从法律层面比较DIKWP专利的权利要求与上述公司的技术，我们需要遵循专利侵权判定的基本思路：逐一比对技术特征。中国专利法规定，以权利要求书的内容确定专利保护范围 (被控侵权产品是否侵犯涉案发明专利权的判定-中国法院网)；侵权成立要求被控方案包含专利权利要求中的全部技术特征（或其等同特征），若有一项必要特征缺失或不同则不构成侵权 (被控侵权产品是否侵犯涉案发明专利权的判定-中国法院网)。应用到本分析：
DeepSeek：假设DIKWP某核心专利权利要求包括特征A（分层语义转换模块）、B（三无数据处理模块）、C（意图驱动模块）等，那么DeepSeek模型方案明显未包含A、B、C中的大部分（它基本只是一个改良Transformer，未显式设计这些模块）。即使DeepSeek可能有强化学习的“自我改进”，那也不同于权利要求中的“意图模块”。因此，DeepSeek不满足专利权利要求的全面覆盖，不构成字面侵权。当然，DeepSeek实现的每一步与DIKWP某些功能效果有相似，但功能雷同或目标相似并不等于侵权 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)。在不存在等同特征的情况下，DeepSeek方案应当规避了现有DIKWP专利的保护范围。
阿里通义模型：如果有DIKWP专利专注于“跨模态统一表示”且权利要求写得较广（例如“不论采用何种算法，只要实现图像和文本映射到统一语义空间处理，就落入保护”），那阿里的M6-OFA模型可能涵盖相应特征，从而存在侵权嫌疑。然而，实际专利往往限定具体的方法或结构，例如使用某种语义图谱、对不同模态进行特定变换。这些特定技术细节阿里未必使用。因此，除非DIKWP专利权利要求恰好以功能性语言概括了阿里所做之事，否则阿里多模态模型可能不落入其权利要求范围。阿里其它方面（如意图模块、三无处理），目前看也不在DIKWP专利覆盖之列。
百度文心一言：百度在知识增强方面与DIKWP最接近。如果DIKWP某专利要求“一种利用知识图谱消除自然语言歧义的方法”，而文心一言也确实在内部通过知识图谱来解析用户意图或消除歧义，那么存在覆盖的可能性。但需要证据证明百度实现了与专利权利要求特征对应的每一步骤。百度很可能采取了不同的实现（比如深度学习预测而非规则推理），避免了落入专利要求限定的“基于逻辑推理的消歧”特征。另一方面，如果DIKWP专利有**“检索增强对话”**相关权利要求（假设有专利描述了机器人根据用户问题检索资料再回答的流程），那文心一言的确有类似流程。不过这类技术在专利新颖性上本就存疑，因为利用搜索引擎辅助回答是业内常见方案，百度自身或其他公司也可能有类似专利，需视具体专利而定。总之，权利要求细节决定了百度技术是否落入。如果百度实现避开了专利每个限制条件（例如没有使用语义图谱而是直接用索引库），则不侵权 (被控侵权产品是否侵犯涉案发明专利权的判定-中国法院网)。但若百度技术方案不巧包含了专利的全部要点，则存在侵权风险。
华为盘古：目前来看，盘古模型几乎都是深度学习端到端方案，并没有曝光使用DIKWP所涉及的那些特征模块。因此，其技术特征重合度很低。除非DIKWP专利范围广到涵盖“大型预训练模型的一般架构”——这不太可能，否则盘古暂不存在侵犯DIKWP专利的嫌疑。
需要指出，侵权判定还涉及等同原则：即即便某一特征在形式上不同，但如果实现相同功能、达到相同效果且属非本质变化，也可判为等同侵权 (被控侵权产品是否侵犯涉案发明专利权的判定-中国法院网)。以百度为例，假如DIKWP专利要求“利用知识图谱补全信息”，百度改成“利用互联网搜索补全信息”，这功能和效果相似，只是数据来源不同，可能被视为等同手段。中国法院在等同判断上总体采取谨慎态度，需要满足无实质性差异 (被控侵权产品是否侵犯涉案发明专利权的判定-中国法院网)。鉴于知识图谱 vs 搜索引擎还是有差异（结构化 vs 非结构化），百度可主张有实质区别，不属于等同。这些法律上的比对细节将决定最终是否构成侵权。
3. 直接或间接侵权可能性：上述分析主要针对直接侵权（企业自己实施了受专利保护的技术方案）。从直接侵权角度，目前迹象表明DeepSeek、阿里、百度、华为均未明示实施DIKWP专利所要求的全部技术特征，直接侵权可能性偏低。不过，未来如果他们在大模型中引入类似DIKWP的设计（比如加入显式知识图谱推理模块、决策意图模块等），则需要重新评估。
间接侵权（如教唆、帮助他人侵权）在本场景下不太突出。因为这些公司都是自行研发并提供模型服务，而不是提供某个部件给他人组装侵权产品。因此不存在典型的“部件供应商”或“方法的部分步骤由他人实施”的情形。他们要么不侵权，一旦侵权就是直接实施侵权方法。唯一值得注意的是开源模型的情况：DeepSeek如果在其开源代码中包含了受DIKWP专利保护的算法实现，那么使用该开源代码的第三方可能成为侵权主体，而DeepSeek发布者可能被指控为帮助侵权（提供工具）。但鉴于DeepSeek实现与DIKWP专利尚有距离，这种情况暂未发生。
四、侵权预测与防范方法
**1. 专利诉讼案例借鉴：**虽然AI大模型领域目前鲜有公开的专利侵权诉讼，但可以参考相近领域的经验以及一般专利纠纷思路。专利权人若认为某公司侵犯其发明专利，通常会进行以下步骤：
**技术监测与比对：**持续监控目标公司的产品白皮书、技术论文和实际应用功能，将其技术方案与己方专利逐条对照。如果发现高度相似甚至雷同的技术特征，则初步判断存在侵权嫌疑 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)。在DIKWP团队的博文中，他们就采用类似方法对比了DeepSeek的功能表现与DIKWP专利特征 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)。
证据保全与诉前分析：专利诉讼需要证据证明侵权事实。对于软件或方法类专利，这可能涉及代码鉴定、专家比对报告等。比如，可以通过对大模型输出行为进行测试，来推断其是否执行了某些专利步骤 (Preliminary Exploration of DEEPSEEK Infringement on DIKWP ...)。也可申请证据保全公证，对公开的演示或接口进行记录分析。在已有案例中，专利权人往往会邀请专业机构出具对比检验报告，详细指出被控产品如何落入专利权利要求。
诉讼与抗辩：一旦起诉，双方将围绕专利权利要求的解释和技术比对展开。被告公司常用抗辩包括：不侵权抗辩（其技术缺少专利特征、不覆盖专利范围） (被控侵权产品是否侵犯涉案发明专利权的判定-中国法院网)；现有技术抗辩（即便用了相似技术，那也是已有技术，不应落入专利保护范围） (被控侵权产品是否侵犯涉案发明专利权的判定-中国法院网)；以及专利无效宣告（主张涉案专利本身不具备新颖性/创造性）。由于DIKWP专利多为近年授权，创新性较强，被告直接以现有技术抗辩或无效专利的难度相对较高，但不能排除。
司法鉴定与判决：法院在复杂技术案件中可能委托专利侵权司法鉴定，帮助认定技术事实。最终判决将根据全面覆盖原则和等同原则认定侵权与否，并决定是否禁令及赔偿。以往高科技领域的诉讼（如通信、手机领域）表明，侵权判定需要严谨证明每个要素，任何一项不符即可免除侵权 (被控侵权产品是否侵犯涉案发明专利权的判定-中国法院网)。这提醒我们在预测侵权时，要找到逐一对应关系，而不能泛泛而谈“很像”。
2. 市场竞争监控：在大模型白热化竞争背景下，如果某家企业的技术路线开始靠近DIKWP专利所覆盖领域，这本身就是一种信号。比如近期DeepSeek火爆促使巨头加快开源和合作 (科学网-第2次“DeepSeek事件”预测-DIKWP白盒测评)，“第二次DeepSeek事件”也引发业界对模型内在机制的讨论 (科学网-第2次“DeepSeek事件”预测-DIKWP白盒测评)。DIKWP团队可以通过舆情和行业动态来捕捉这些信号。一旦发现多家企业都在尝试某种DIKWP所擅长的技术（如统一语义模型、可解释AI决策等），说明市场正往这个方向演进，潜在侵权可能性增大。此时专利权人可主动出击：比如发布声明提醒业界注意相关专利存在，以软方式警示竞品谨慎采用类似方案。这种策略有时能促使竞争者在技术实现上绕开专利点，以免将来吃官司。
3. 企业专利布局比对：大型科技公司一般都有自身的专利布局。通过检索阿里、百度、华为近年在AI、大数据领域的专利申请，可以分析他们是否寻求了类似DIKWP的专利保护，从而侧面了解其技术路线与DIKWP的重合度。若发现某公司申请的专利内容与DIKWP技术接近，可能意味着该公司内部也在研发类似方案，但希望通过自行申请专利来规避他人（包括DIKWP团队）的专利障碍。反之，如果这些公司申请专利时有意避开DIKWP擅长的领域，甚至引用了DIKWP的专利文献作为现有技术，那表明他们已经注意到DIKWP专利并选择了技术绕避。例如，假设阿里提交了一份“多模态语义对齐方法”的专利，其中列举了Yucong Duan教授的相关专利作为对比，那么几乎可以确定阿里在设计实现时会避免侵犯Duan团队的权利。又或者百度在其“知识增强对话”专利中提出了一套不同于DIKWP的方法（比如用语言模型内部检索而非独立知识图谱推理），这正是设计绕开的体现。通过分析这些专利文件，可以推测各企业采取的技术绕避路径。这些路径包括但不限于：使用深度学习替代符号推理、在训练阶段融合知识替代推理阶段调用知识、采用更通用的多模态融合架构而不涉及具体语义图谱等。这些都是规避DIKWP专利的策略。如果大企业已经申请了绕避性的专利，说明他们也预见到了潜在的侵权冲突并做了防范，这对DIKWP团队也是一种预警。
4. 侵权检测的实践方法：对于DIKWP团队而言，一种可行的侵权检测办法是“白盒测试”和“黑盒测试”相结合 (科学网-第2次“DeepSeek事件”预测-DIKWP白盒测评)。黑盒测试是指通过公开接口来测试模型行为，看其输出是否表现出使用了某些DIKWP独有的推理机制；白盒测试则需要一定程度的合作或公开源码，直接检查代码实现是否调用了相关模块。Yucong Duan教授的团队提出了DIKWP测评体系，设计了一系列测试题目对应DIKWP模型各层次转换路径 (科学网-DeepSeek事件的DIKWP坍塌：成因、影响与未来1-3年趋势预测)。将这些题目用于主流大模型，如果发现某模型在需要“智慧”或“意图”层面的题目上表现异常好，且解题思路类似于DIKWP流程，就值得深入研究内部机制是否借鉴了DIKWP技术。这种方法不能直接定性侵权，但能锁定嫌疑，为进一步证据获取指明方向。必要时，还可寻求行政调处或专利管理部门的调查（中国专利法也允许行政处理侵权纠纷 ([PDF] 专利侵权纠纷行政裁决办案指南 - 中国政府网)），以快速制止潜在侵权行为。
五、法律与商业影响预测
1. 法律风险与应对：如果判定某大模型确实落入DIKWP专利保护范围，法律上最大的风险是专利侵权诉讼带来的禁令和赔偿。DIKWP团队的专利大多在中国授权，意味着他们可在中国法院起诉要求停止侵权。对于如百度、阿里这类已将大模型投入商业化的平台，一旦被禁令限制，将在市场竞争中失去先机，损失巨大。这会迫使被诉方迅速寻求和解或者技术调整。反之，如果这些巨头认为自身未侵权或专利无效，可能选择应诉，同时发起专利无效请求。无效程序由国家知识产权局专利局负责，根据现有技术文献判断专利是否有效。DIKWP专利曾获吴文俊人工智能大奖等荣誉，说明其创新性被认可 ((PDF) DIKWP-国产ChatGPT专利技术(DIKWP人工意识团队2023年3月版))；但广泛的权利要求也更容易被找到现有技术攻击。因此，侵权争议中存在专利被部分无效的可能，这将削弱DIKWP团队的法律优势。为防范这种风险，DIKWP团队应提前做好专利组合的巩固，如梳理关键专利的权利要求，将容易被现有技术覆盖的内容适当缩窄，突出真正新颖部分。此外，可以准备好反证材料，证明自己的专利技术在申请前国内外尚无报道，以抵御无效宣告。从法律层面看，最理想的状态是双方不对簿公堂，通过谈判许可解决。毕竟一场诉讼可能旷日持久，胜负不确定性也高。若能在对方产品大规模上线前达成授权许可或技术合作，则可双赢：专利权人获得收益，对方也免除后顾之忧。DIKWP团队作为高校背景，或许更倾向于合作共赢，而非诉讼。
2. 市场竞争格局变化：无论侵权与否，DIKWP所代表的“可解释、意图驱动的AI”方向正在成为关注焦点。如果其专利得到广泛认可和实施，将抬高进入这一领域的技术门槛，从而影响市场格局。具体而言：
**DIKWP团队自身价值提升：**拥有近百件相关专利的DIKWP人工意识团队 ((PDF) DIKWP-国产ChatGPT专利技术(DIKWP人工意识团队2023年3月版))若证明其技术在大模型升级中不可或缺，那么无论通过许可还是合作，其手中的专利组合都将变得炙手可热。可能出现大型公司主动寻求与DIKWP团队联盟的情况，将其技术融入自家产品。这种合作能够加快DIKWP理念的产业化，也提升了团队的市场议价能力。专利的价值不仅体现在授权费，也体现在促进标准的制定——如果DIKWP模式通过专利许可成为事实标准的一部分，团队将在产业生态中占据核心地位。
竞争者的策略调整：另一方面，巨头公司为了规避法律风险，可能更加倾向于开发自有原创方案来解决类似问题，或者选择取得专利许可而非冒险侵犯。比如，在意识到Yucong Duan教授的专利覆盖“语义模糊消解”后，某公司也许会避开知识图谱路线，改为纯机器学习消歧，哪怕效果稍逊也要确保不侵权。这种策略调整可能使某些公司的技术路线绕远路，短期内减慢了他们相关功能的推进速度。这对先行布局DIKWP技术的一方反而有利，形成**“以专利制胜”的竞争优势。也有可能出现公司之间交叉许可、联合抗衡**的局面：若多家巨头都感觉受到DIKWP专利掣肘，他们可能联合支持一些开放技术来绕开该专利，或者共同资助专利无效行动。在市场博弈中，专利既是保护伞也是谈判砝码。
创新与合作新机遇：值得一提的是，DIKWP团队已表现出开放合作的姿态，例如提出“DIKWP与DeepSeek融合让AI走向可信、自主、负责的未来” (DIKWP 与DEEPSEEK 合作让AI 真正走向“可信、自主、负责任” 的未来)的倡议。若各方选择合作而非对抗，将诞生新的技术融合：大模型提供强大的感知和生成能力，DIKWP框架提供高层认知控制，两者结合有望催生下一代自主AI系统。这种融合型产品一旦出现，将改变目前大模型拼参数、拼数据的竞争格局，转而比拼智能质量和可解释性。在商业上，谁先推出兼具“大模型能力+人工意识特征”的产品，谁可能占据高端市场。同时，DIKWP专利持有人在这种合作中可收取技术使用费或成为联合研发方，商业价值得到充分实现。
3. 可能的诉讼及和解走向：假设最不理想的情况发生：某公司被认定侵犯DIKWP专利并拒绝和解，法院下达禁令停止其相关服务。这将对该公司业务造成重大打击，也会在业界引起震动。一款热门的大模型被迫下线或阉割功能，无疑会引发公众对专利权人与被告双方的评价。专利权人虽然维护了权利，但也可能被质疑“垄断基础技术”。因此，通常双方会在判决前寻求庭外解决。从历史经验看，高技术领域的专利纠纷大多以和解或交叉许可告终（例如通信产业的专利大战最终各方握手言和共享专利池）。在本案中，如果出现诉讼，预计最终也可能达成如下结果之一：要么被告支付一定费用获得许可，要么双方达成合作开发协议，共享技术成果。对于DIKWP团队来说，合理的诉讼策略可能是谋求谈判而非禁令，因为合作带来的长远收益或许比一次性赔偿更大。
**4. 商业应对措施：**无论侵权风险大小，相关大模型企业都应及早制定预案：
**专利尽职调查：**在拓展新功能前，检索相关领域已有专利，尤其是DIKWP团队这样公布了大量专利成果的主体 ((PDF) DIKWP-国产ChatGPT专利技术(DIKWP人工意识团队2023年3月版))。针对可能冲突的专利，咨询法律意见，决定是规避设计还是寻求授权。投入商用前，确保已解除主要专利风险。
**技术规避和替代：**如前所述，采取不同技术路径实现相同功能，是避免侵权的首选。比如要实现语义层面的错误校正，可以考虑利用语言模型自身的反馈检测，而不直接照搬DIKWP的知识比对方案。再如，实现决策可控，可以通过输出多种方案供人工选择，替代AI自带意图模块。虽然可能牺牲一些自动化程度，但能避免侵权雷区。
**获取专利许可：**如果评估认为DIKWP某些专利对自家产品至关重要且无法绕开，那么与其冒险，不如尽早接洽取得许可。一方面许多高校系专利收费可能较为合理（甚至有共建合作可能），另一方面拿到许可后可安心推广，也避免日后被禁的被动局面。
**加强自主专利储备：**大模型公司也应强化自身在语义理解、知识融合等方面的专利布局。这样即使发生纠纷，也有专利作为筹码与对方谈判（典型的“专利对峙”策略）。如果能证明自己的某项专利对方也在用，双方更容易接受交叉许可而非诉讼两败。
5. 对AI产业的影响展望：专利侵权争议的出现，长期看将促使AI产业更加重视核心技术创新和专利布局。过去一年大模型热潮中，许多公司可能专注于模型效果和速度，对专利壁垒关注不够。然而随着基础模型功能趋同，差异化将来自于诸如DIKWP这种创新思想。如果这些思想被专利覆盖，那么知识产权就会成为产业博弈的重要部分。可以预见，未来AI专利联盟或标准组织会涌现，通过专利共享降低彼此风险。例如，某种“人工意识接口”如果成为标准，相关专利可能由多方共享。总的来说，DIKWP专利和大模型的碰撞，是我国AI产业从野蛮生长走向规范竞争的一个缩影。一方面，专利保护激励了像DIKWP团队这样长期投入基础创新的科研力量；另一方面，也督促商业公司在追逐热点时尊重知识产权、寻求合作共赢。最终的结果有望使得AI核心技术生态更加健康：既有开放开源的成分，也有专利授权的机制，创新者和应用者各得其所。
6. 结论：综合以上分析，目前DeepSeek、阿里、百度、华为等大模型在实现上与DIKWP核心专利尚存在一定距离，大多数不存在直接侵权。但随着大模型技术朝着语义理解更深、决策更自主的方向演进，他们与DIKWP专利的技术边界正在缩小。短期内，侵权风险更多是理论上的；中长期看，除非行业选择与DIKWP团队合作融合，否则若自行开发出类似功能，很可能触及其专利雷区。建议各方本着**“避险谋利”**的思路：企业加强专利审查和合作意愿，专利权人开放心态促进落地，这样才能在保障创新收益的同时，加速AI产业的发展，实现双赢。正如一篇行业评论所言：“仅靠功能雷同或目标相似通常不足以构成侵权” ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)，但真正的领先者应当在合法合规的轨道上追求功能超越——这既是对法律的尊重，也是对自身和整个产业负责的态度。
参考资料：
Duan, Yucong 等, “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。”, 科学网博客, 2025 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)
Zejin Lab, 《一种语义通信系统中的信息传输方法》, 中国发明专利, 授权公告号 CN113839750B, 2022 (一种语义通信系统中的信息传输方法（CN202111408524.0）-中国专利〖掌桥科研〗)
Duan, Yucong 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。”, DIKWP专利与DeepSeek对比报告, 2025 ((PDF) DEEPSEEK 侵权 DIKWP 专利以及合作融合的可能性初探)
李飞飞团队, “复现DeepSeek R1真相：基座为阿里云Qwen模型”, 科创板日报/新浪科技, 2025 (李飞飞团队“50美元”复现DeepSeek R1真相：基座为阿里云Qwen模型_手机新浪网) (李飞飞团队“50美元”复现DeepSeek R1真相：基座为阿里云Qwen模型_手机新浪网)
百度智能云, “文心知识图谱：纳入了百万级别的实体和亿级别的关系”, 百度云官方介绍, 2023 (文心一言”背后的数据库力量：文心知识图谱 - 百度智能云)
阿里云达摩院, “发布通义大模型系列，打造国内首个AI统一底座，实现模态表示、任务表示、模型结构的统一”, 阿里云开发者社区, 2023 (覆盖200+服务场景，阿里「通义」大模型系列打造国内首个AI统一底座（1）-阿里云开发者社区) (覆盖200+服务场景，阿里「通义」大模型系列打造国内首个AI统一底座（1）-阿里云开发者社区)
中国法院网, “发明专利侵权判定的基本方法是全面覆盖方法：被控产品与专利全部特征一一对应且相同，则构成侵权；有一项不相同或不等同，则不构成侵权。”, 福州法院, 2015 (被控侵权产品是否侵犯涉案发明专利权的判定-中国法院网)
百度开放社区, “文心一言是知识增强的大语言模型，持续从海量数据和大规模知识中融合学习，具备知识增强、检索增强和对话增强的技术特色。”, 浅谈文心一言, 2023 (浅谈文心一言-阿里云开发者社区)
转载本文请联系原作者获取授权，同时请注明本文来自段玉聪科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3429562-1472879.html?mobile=1
收藏
