最近我在团队里做 AI 辅助专利撰写的流程标准化，真正卡住我们的不是提示词写得不好，也不是大模型输出不稳定，而是一个更底层的问题：技术成果确权的权利根基到底是人的，还是 AI 的？人机协作之后，专利法意义上“发明人”的贡献边界该怎么画？这个问题不解决，后面所有的申请文件、审查答复和维权材料都可能踩空。
这篇文章想把 AI 辅助专利撰写背后的人机协作权利根基，从法律逻辑、证据管理、流程控制三个角度拆开讲清楚。既适合正在用 AI 写专利的研发工程师，也适合技术管理者、IP 法务和创业者。核心不是让你不用 AI，而是让你在用好 AI 的同时，知道每一步该留什么证据、该注什么风险。
1. 为什么“AI 辅助专利撰写”会撬动技术成果确权的传统根基
1.1 专利确权的两件传统事：发明人资格与技术贡献界定
过去我们在处理专利案件时，确权逻辑其实很单纯，就两件事：第一，谁对这个技术方案做出了实质性贡献，谁就是发明人；第二，这个技术方案解决了什么问题、通过什么手段解决、达到什么效果，这三者必须能够对应起来。
传统场景下，工程师在实验室里记录实验数据、推导公式、画流程图，这些过程本身就是证据链。专利申请文件无论怎么写，都只是把工程师脑子里的方案和手头的实验记录，转译成专利法要求的规范表述。发明人资格也好，权利归属也好，根基都在这个过程里。哪怕发明人后来跳槽了、保密协议丢了，只要技术交底书里的签名还在，实验记录本还在，法院和专利局就能大致还原出技术贡献的边界。
技术成果确权的传统逻辑看起来繁琐，但有一个巨大优点：因果关系清晰。工程师提出了什么、改了什么、验证了什么，都是有迹可循的。专利申请权、专利权归属，也就可以在职务发明、自由发明、委托发明这些框架里正常讨论。
1.2 AI 介入之后，传统根基出现了哪些松动
现在有了大模型辅助，情况就变了。一个工程师完全可以在方案细节还没想清楚的时候，让 AI 先给出一版技术特征列表；专利代理师也可能把交底书丢给 AI，让 AI 直接生成背景技术、权利要求初稿；更有甚者，让 AI 根据一句模糊的想法生成整篇专利说明书。
这种做法最直接的结果，是技术贡献不再完全来自“人的单向产出”，而是变成了人和模型共同参与、反复迭代的结果。比如工程师只说“想做一个异常检测方案”，AI 就可能替他补全了一整套特征提取流程，包括用什么网络结构、阈值取多少、甚至设计了实验数据表。工程师觉得写得挺顺，直接用了。
问题恰恰出在这里：如果把这个过程放在确权视角下看，AI 输出里有一大段内容，是不属于工程师初始构思的。它进入专利文本之后，就成了权利要求的限定特征。那么这些特征算谁的实质性贡献？发明人资格声明怎么填？法律上目前普遍坚持发明人必须是自然人，但 AI 提出的细节又确实参与了创造过程。这就是权利根基被动摇的核心矛盾：贡献来源和权利主体之间出现了缝隙。
1.3 一项技术从口头想法到授权文件的现代流水线
为了把后面的操作讲明白，我先描述一条非常常见的现代流水线。研发例会上，工程师提出一个技术方向，说“我们要解决视频编码里参考帧选取不稳定的问题”。这句话被写进会议纪要，然后扔给 AI。AI 基于这句话生成一份交底书草稿，里面包括背景技术、技术问题、方案框架、两个实施例和一组实验数据。
工程师在草稿上面改，删掉了 AI 编造的某个不存在的论文，补充了真实跑过的测试结果。之后代理师又用 AI 优化权利要求布局，把原本全是方法步骤的描述，改成方法加系统加存储介质的组合。最后这份文件又在发明人、代理师、企业 IP 部门之间来回往返若干次。
这条流水线最大的特点，是最终文件里已经分不清哪些语句来自工程师主动思考，哪些只是对 AI 输出的微调或照搬。到了确权阶段——不管是申请期间的发明人认定，还是授权后的无效程序、侵权诉讼中的技术贡献举证——你都不得不回溯这份文件的“思想来源”。而我见过的大量团队，恰恰没有保存这部分记录。干活的时候觉得 AI 真方便，等到要证明“人”的权利根基时，才发现完全没抓手。
2. 人机协作链条上的角色分工：AI 能当“发明人”吗
2.1 发明人资格的法律底线：主流审查体系为何坚持自然人
从目前主流专利体系看，发明人必须是有独立思考能力的自然人。AI 系统无论表现得多聪明，在法律上仍是工具。这个底线短期不会改变，因为专利制度有一个底层逻辑：可问责、可追溯。如果发明人不是自然人，后续的许可谈判、侵权维权、无效程序，甚至连最基本的“谁有权发表意见”都找不到主体。
所以专业表述很重要。当有人兴奋地告诉我“AI 发明了一个全新方案”时，我通常会纠正他：准确说法是“人在与 AI 协作过程中，借助 AI 确认并完善了一个技术方案”。发明人名单里可以写工程师、写科学家，但不能写某个大模型的名字。这个底线不等于禁止用 AI，它的真实含义是：用 AI 的人必须拿得出证据，证明关键技术路线和核心特征来自人的构思与选择。
2.2 从 DABUS 到各国审查指南：AI 参与专利撰写的法律边界
这些年关于“AI 能否当发明人”最有名的争议，就是 DABUS 案。DABUS 是一个生成技术方案的 AI 系统，它的名义申请人尝试把 DABUS 直接列为发明人，结果主流法域基本都驳回了。法院普遍认为，发明行为必须源于自然人的创造性活动，AI 生成的方案即使内容再完整，也不能替代发明人身份。
这个判决传递的边界信号非常明确：想确权，就必须把人的参与方式记录清楚、陈述清楚。同时，国内关于人工智能相关发明专利申请的审查实践也在不断细化，审查逻辑越来越强调：判断涉及 AI 算法的技术方案时，不能只看算法特征本身，还要看算法特征和技术特征如何共同作用，解决具体领域的实际问题。
换句话说，法律没有禁止 AI 辅助，但要求我们在技术问题、技术手段、技术效果的整体逻辑上去描述方案。举个例子，如果 AI 帮你写了一句“利用卷积神经网络对图像进行分类”，这句话单独看很容易被审查员认定为智力活动规则——因为它没有落到具体应用场景。但如果改写为“利用卷积神经网络对医学影像中的病灶区域进行多尺度特征提取，并结合临床标注数据调整分类阈值，以提升小病灶检出率”，技术逻辑就立住了。这个改写动作，本质上就是人的贡献。
2.3 权利书写的关键操作：把人的贡献写清楚，而不是贴 AI 输出
在实际撰写中，我始终坚持一条原则：AI 负责增强表达能力，人负责锁定技术贡献点。专利申请文件里涉及发明人、技术问题、技术效果、关键技术特征这些“权利根基要素”的地方，必须由人来判定和确认。
具体做法上，我建议团队在交底书里增加一个“构思记录”区块，回答这几个问题：方案最初是围绕什么问题产生的；哪个特征、哪个参数、哪个步骤是关键创新点；AI 在哪个环节补充了什么信息；我是如何验证或修改这些信息的。这个区块不一定最终写入专利文件，但它会成为发明人资格声明、审查意见答复和未来侵权举证时最重要的原始材料。
我见过很多工程师在 AI 帮助下短短半天写出一份看起来很完整的交底书，却完全没有记录“哪些话是自己的原话，哪些是 AI 扩出来的”。等授权后想主张某个特征组合的发明人归属，拿不出任何辅助证据，非常被动。别小看这个记录过程，它是把“AI 用起来”和“权利保得住”连接起来的那根线。
3. 确权证据链：如何用研发记录证明“人”的实质性贡献
3.1 从“我拥有源代码”到“我能证明技术贡献”的转变
很多技术团队有个根深蒂固的误解：代码有 git 提交记录、有多人评审，就等于万事大吉。但在专利确权语境下，拥有源代码只说明你实现了某项技术，并不代表你能说清技术贡献的边界，尤其在引入 AI 辅助后，时间和贡献都被模糊了。
举个常见场景：工程师希望优化一个目标检测算法，AI 帮他生成了一堆候选模块，其中有一个特征融合模块被工程师看中了，工程师之后手写了后处理逻辑把它接进系统。从源代码看，工程师确实写了代码，但那个关键创新点——特征融合方式，是 AI 先提出来的。将来写专利时，你很难只靠代码看出这个设计是人类深思熟虑的选择，还是碰巧选中了 AI 的推荐。确权证据链因此要从“代码存在”升级为“贡献可见”：重要技术决策要记录在案，包括讨论日期、决策人、从方案 A 改成方案 B 的理由、AI 推荐与人工修正的差异。
3.2 一套可复制的交底书-提示词-评审记录工作方法
我这里分享一套内部在用的方法，说不上完美，但可复制性很强，尤其适合研发团队直接落地。
第一步：工程师先用一页自然语言写下核心方案，只写三块：要解决的问题、现有方案的缺陷、自己觉得最关键的两三个创新点。这一步必须由人完成，不允许 AI 代笔。因为这一页就是未来的“人的贡献基线”。
第二步：把这页输入 AI，让 AI 帮忙扩写背景技术、梳理可能的替代方案、生成权利要求初稿。AI 的原始输出必须完整保留，最好存到专门文件夹，文件名带日期和模型版本。
第三步：工程师逐段对比 AI 输出与自己的原始方案，用修订模式改掉不准确或不属于自己设计意图的内容，并在批注里写明“删除原因”或“补充依据”。例如批注里写“AI 建议的阈值 0.7 来自生成结果，我未在真实数据上验证，删去；改为实验日志中验证过的 0.5”。
第四步：评审会使用的版本应包含 AI 初稿和人工修订痕迹，而不是只看最终版。评审记录里注明由谁拍板确认了最终的技术特征组合。
第五步：把整套材料打包，作为专利申请的内部档案。之后无论做专利布局、规避设计分析，还是应对无效程序，都能快速定位到人做了什么、AI 提供了什么。
这套流程的最大价值，是让确权证据前置到研发阶段，而不是等到要写专利时才开始补。补出来的记录通常不可靠，因为你已经忘记了当时为什么那样选。
3.3 需要警惕的三个隐患：AI 幻觉技术细节、背景技术混淆、公开不充分
第一个隐患是 AI 幻觉技术细节。大模型生成的内容通常非常流畅，但可能编造不存在的实验数据、不合理的阈值范围，甚至虚构对比文件。如果团队没验证就写进说明书，轻则审查时被指出公开不充分，重则在无效程序中被拿来做攻击材料，说专利公开的技术方案根本无法实现。
我的处理原则是：说明书里的具体数值、实验条件、对比结果，必须来自人工提供的实验记录；AI 生成的数据一律标注“待验证”，任何人不得直接写进申请文本。第二个隐患是背景技术混淆。AI 擅长把相似技术揉进背景技术部分，有时会把本申请的技术特征悄悄写进背景技术，导致审查员认为区别特征已经被现有技术公开。这个坑很隐蔽，我建议背景技术部分由工程师对照专利检索报告逐段核实，凡是和本申请技术贡献重叠的语句，一律删除或改写。
第三个隐患是公开不充分。专利法要求说明书对发明作出清楚、完整的说明，使本领域技术人员能够实现。AI 生成的“仿佛能实现”的描述，往往缺少关键细节，比如数据链路、前置处理步骤、参数确定方式。如果照搬，很容易留下公开不充分的隐患。这个问题的解法只有一个：每个关键实施例必须真实跑通至少一次，并把运行日志作为支撑材料存档。
4. 把权利根基落到日常：专利申请流程管理的可执行清单
4.1 专利申请前的人机协作影响评估
团队在决定是否申请专利之前，我强烈建议先做一次人机协作影响评估。核心是四个问题：
- AI 在本方案形成过程中扮演什么角色？仅整理表述、提供候选方案，还是直接生成了核心技术特征？
- 核心发明点是否存在人的自主决策证据，比如会议记录、草稿、实验日志？
- 权利要求里的每个必要技术特征，能否追溯到人的明确构思？
- 如果审查员或竞争对手质疑“这不是人类发明人的真实贡献”，团队有没有能力用记录回应？
如果四个问题里有一个回答得很勉强，我会建议先补记录再提申请，而不是急着抢申请日。专利抢的是“公开日”和“优先权日”，但根基在“构思完成日”。把构思过程记清楚，比早提交一个月重要得多。这个评估表完全可以做成内部模板，每次申请前过一遍，时间成本不到半小时。
4.2 发明人资格声明与 AI 使用声明的模板化处理
既然发明人必须是自然人，申请文件里关于 AI 使用情况的表述就需要谨慎。我建议团队准备一份内部声明模板，内容包括：专利申请筹备过程中使用了哪些 AI 工具；这些工具分别用在哪些环节；所有实质技术特征均由发明人本人提出，AI 仅用于语言整理、信息检索和初稿生成；发明人已对 AI 生成内容逐项核实。
这份声明不一定提交给专利局，但在内部管理和后续纠纷处理中，它是一张清晰的“底牌”。比如未来发生发明人资格争议，或者竞争对手质疑专利有效性，这份声明配合原始提示词和修订记录，就能还原出完整的人机协作过程。如果企业有 IP 管理系统，我建议把这份声明作为专利流程的必要节点，由发明人和部门经理共同签字确认，避免人员流动后说不清楚。
4.3 审查意见答复中的“人机协作”叙事策略
审查意见答复阶段，代理人通常会把重点放在“区别技术特征是否被现有技术公开”“是否具备技术启示”上。在 AI 辅助时代，答复时还要额外注意一件事：不要在意见陈述里反复强调“我们利用 AI 生成了方案”，否则所有技术特征都可能被归为工具行为，反而削弱了发明人贡献。
正确的叙事策略，是始终围绕发明人基于技术问题所做的针对性改进展开，强调关键步骤的取舍理由和实验验证。AI 辅助生成文本这个事实本身既不违法也不丢人，但在法律论证里，它应该定位为“辅助表达工具”，而不是技术方案的决策者。答复审查意见时，可以附带提供实验数据和研发记录，用真实数据支撑技术效果，这会比任何华丽的论证都更有说服力。
5. 一些把 AI 用出竞争力又不埋雷的实操经验
5.1 让 AI 写背景技术、让人类写技术贡献：分工心法
我用了很长时间才摸索出一个相对顺手的分工模式：AI 负责解决“表达密度”，人类负责解决“表达真实性”。
所谓表达密度，是 AI 非常擅长的，把一句话展开成三页、把技术问题写得更有层次、把权利要求改得更清晰、把实施方式罗列得更完整。所谓表达真实性，是 AI 根本保证不了的：技术问题是不是真存在、方案是不是真能跑、效果是不是真验证过。两者一旦错位，就很容易出问题。
比如让 AI 帮你整理复杂领域的背景技术文献，这是低成本高效能；但让 AI 直接拍板某个技术优化思路，那就要小心了。我见过一个团队让 AI 在图像处理方案里自动选择了损失函数组合，工程师没细问原因就采用了。申请之后审查员认为该组合依赖经验调参、缺乏技术启示支撑，答复时非常被动。问题不在于 AI 选得对不对，而在于团队根本没记录“人为什么认可这个选择”。
5.2 巧用 AI 做专利检索与对比文件梳理
要说 AI 辅助专利撰写里风险最低、回报最高的环节，我认为是专利检索和对比文件梳理。你可以在交底书阶段让 AI 基于技术方案生成关键词组合和 IPC 分类号建议，再用这些线索去官方数据库或商业数据库验证。AI 的检索结果不能当作权威结论，但用来发现检索盲区特别有用。
我个人习惯让 AI 先按“问题—方案—效果”三元结构生成一份技术特征清单，然后逐一排查检索命中的对比文件。比如 AI 建议从“动态阈值、异常检测、滑动窗口、实时流数据”几个维度去检索，我就能快速搭建起一个比对矩阵。比起直接一头扎进数据库里翻，这个方法的效率至少提升一倍。同时，对比文件的梳理过程也会让“区别技术特征”更清晰，对后续权利要求的布局帮助很大。
5.3 真实教训：哪些“AI 自动生成全文”的偷懒做法会导致后续维权困难
最后聊聊我踩过或旁观过的坑。最典型的一种做法是：工程师觉得自己的技术方向和实验都有了，把交底书写得很简略，直接丢给 AI 生成完整说明书，改一改用词就提交。短期看确实省了很多时间，但长期带来三个问题：第一，说明书里的实施例和真实实验数据对不上，后续需要补证明时非常困难；第二，权利要求布局没有经过技术贡献的逻辑梳理，授权范围容易偏窄；第三，万一竞争对手发起无效挑战，发明人自己都说不清哪些特征是当初的有意设计，这个案子会变得非常被动。
另一种偷懒做法，是把 AI 对某个技术特征的推理过程直接写进说明书，例如大段描述“模型认为……”“系统推测……”。这种语言在专利文件里极不专业，还可能被当作缺乏技术效果依据。我见过最夸张的例子，说明书里直接出现了“根据生成式模型的分析”这种表述，审查员第一眼就在新颖性创造性之外质疑了公开充分性。好的做法永远是：AI 生成的内容是素材池，人类要在素材池里做筛选、确认、重组，并在必要处补充真实证据。这个流程虽然比直接用 AI 慢一点，但确权根基稳得多。
这几年的实际工作给我最大的感受就一句话：AI 把专利撰写的门槛降低了，却把确权的证据要求抬高了。谁先把人机协作的证据管理做扎实，谁在技术成果确权上就掌握了主动权。文章里这些方法，都是我和同行们吃亏后总结出来的。大家在自己团队里落地时，还是那句话——少贴 AI 输出、多留人类思考痕迹。如果你也正在把 AI 引入研发和专利申请流程，可以按这套思路先试一遍，再把遇到的问题拿出来交流，我们继续把这些边界摸清楚。
