关于代理式人工智能系统及相关技术的专利格局研究

《World Patent Information》：Patent landscape study on agentic AI systems and related technologies

　　摘要
多年来，人工智能（AI）已经从任务执行发展到自主系统，为下一代数字自动化和智能奠定了基础。早期的人工智能模型（如生成式AI）旨在执行基于任务的功能，例如分类、搜索优化或基于规则的决策制定。下一阶段的人工智能代理引入了能够自动执行任务并代表用户与应用程序编程接口（API）交互的系统。自主AI代表了最新且最具变革性的系统，并引入了新的编排和架构范式。自主AI系统利用多层技术实现感知、规划和多步骤推理、决策制定以及大规模协调行动的能力。该架构包括五个简单层次：用户交互层、自主AI编排层、AI代理层、应用程序编程接口（API）和数据集成层，以及最终输出层，后者负责呈现所有层次的结果。据估计，全球每年的AI专利申请创造的价值超过500亿美元[8]。这些技术进步和产品开发与全球AI专利申请的增加同步进行。生成式AI、AI代理和自主AI技术在某些方面有所重叠：生成式AI提供推理/内容生成，而AI代理则增加了自动化、规划和编排功能。大多数先前的出版物主要集中在AI或生成式AI的专利格局上。本文提出了一种强大的搜索策略，用于从广泛的AI相关发明中识别和分离出与自主AI相关的专利，并重点介绍了自主AI及相关技术的专利申请趋势。

引言
人工智能正进入一个转型阶段，在这个阶段，自主性、适应性和战略性知识产权所有权正在重塑全球技术领导地位。自主AI包括能够独立推理、设定目标并采取行动的高级AI系统，代表了超越传统反应式机器学习模型的重大进步[1]。与依赖预定义输入和固定工作流程的早期AI系统不同，自主AI系统通过涵盖感知、推理、记忆、行动和持续学习的层次化架构动态解释目标、做出决策并适应实时环境[2,3]。自主AI的发展得益于大型语言模型、强化学习以及规划算法的进步，同时还有LangChain [4]和AutoGen [5]等先进的编排框架的支持。部署这些系统需要专门的IT基础设施，包括高性能计算、分布式云和边缘基础设施，以及由图形处理单元（GPU）架构和机器学习运作（MLOps）管道创新支持的安全API生态系统[6,7]。通过多智能体协同，这些系统能够分解复杂任务，与人合作，并优化其推理过程以实现越来越高的自主性能。新一代的企业级自主AI系统，如Moveworks、Microsoft Copilot Agents、OpenAI Operator、Aisera、CrewAI、Adept、Beam、UiPath、Orby、Kore.ai和Anthropic的Claude，反映了自主推理和多智能体编排系统的市场竞争。这些系统具备三项核心能力：（1）自主性——在最少的人类监督下进行推理、规划和行动的能力；（2）编排——通过多智能体工作流程协调工具、系统、API和人类输入；（3）企业适用性——集成性、安全性、合规性和运营可靠性。据估计，全球每年的AI专利申请创造的价值超过500亿美元[8]。随着技术的进步，对基础算法、自主架构和自主系统能力的控制变得越来越重要[8]。这些技术进步和产品开发与全球AI专利申请的增加同步进行。2022年11月OpenAI发布的ChatGPT聊天机器人进一步凸显了理解生成式AI（GenAI）和相关发明专利格局的重要性。大多数关于自主AI系统的科学出版物集中在模型层面组件、大型语言模型（LLM）和自主AI的架构基础[9,10]上，而关于保护自主AI系统的知识产权（尤其是专利）的信息非常有限。机器学习工具、生成式AI和包含大型语言模型的系统已被用于旅游管理、人力资源管理、工作流管理等领域，最近还探索将其应用于自动化专利搜索、分析和专利管理活动，这些活动传统上依赖于大量的人力。最初，基于机器学习的工具被用于专利分析。Chi等人（2026）[11]对基于机器学习的专利分析进行了综述，该综述对用于专利分类、检索、推荐和评估的机器学习工具的应用进行了分类，并指出了关键挑战，包括长文档处理、多模态信息整合和评估标准，为理解从传统ML方法向新兴LLM和生成式AI基础专利信息学的过渡提供了概念基础和框架[11]。最近，LLM、多模态模型和生成式AI也被研究用于专利搜索、分析和管理。例如，大型语言模型（LLM）被用来使用GPT-3.5-turbo模型从专利文本的不同部分（尤其是专利权利要求或详细描述）生成简洁摘要，这些摘要随后被用于改进RoBERTa和XLM-RoBERTa模型的分类任务。在子类级别的多标签专利分类和子组级别的单标签专利分类中，基于AI生成的摘要训练的模型提供的输出优于基于原始摘要训练的模型[12]。另一个系统利用大型语言模型（LLM）将大量专利文档总结为简洁有意义的摘要，采用了低秩适应（LoRA）方法和大型语言模型Meta AI-factory（LLaMA）等高效训练框架，总结了与先进车辆到一切（V2X）技术相关的专利。这项研究进一步表明，使用LLM生成的文本与领域专家总结的专利具有几乎90%的语义相似性[13]。基于生成式AI的系统已被用于分析国际专利分类（IPC）定义，快速为量子技术专利构建和技术功能矩阵，从而显著减少了手动分析所需的时间[14]。大型语言模型LLM还用于自动为专利文档分配多个层次相关的CPC分类，同时保留了CPC分类法中的关系[15]。也有研究报告了人工智能（AI）在专利分析中的实际应用，结合了计量分析、基于BERT的主题建模和文献回顾来探索AI在专利分析中的应用[16]。专利分析揭示了新兴的技术趋势、关键的行业利益相关者和技术重要发明。因此，结合专利活动和科学研究出版物可以更全面地理解自主AI技术。

国际组织如世界知识产权组织（WIPO）和经济合作与发展组织（OECD）已经开发了使用专利数据识别和分析AI相关发明的结构化方法。这些研究提供了关于AI和生成式AI技术的关键专利分类代码和搜索方法的重要见解。WIPO（2019）[17]分析了超过34万个AI相关专利家族和160多万篇科学出版物，以了解AI技术的演变、主要授权人和专利家族的地理分布。使用的搜索方法结合了专利分类代码和关键词搜索来识别AI相关发明。该报告还展示了使用AI特定技术的专利分类在专利家族中的趋势。鉴于生成式AI的迅速兴起，WIPO还在2024年发布了一份关于生成式人工智能的专利格局报告[18]。根据WIPO（2024）的报告，生成式AI相关专利家族的数量从2014年的733个增加到2023年的14,000多个，到2023年全球已有近230,000个AI相关专利家族。公司通常强调保护与AI相关的基础专利和特定应用专利。在生成式AI领域，中国专利家族的数量最多，其次是美国专利家族。OECD在2025年发布的报告提出了一种通过专利分析识别新兴AI技术的方法。与主要依赖专利分类代码或关键词搜索的早期方法不同，该报告提出了一种半自动化的方法，将合作专利分类（CPC）技术组与AI特定关键词相结合。该框架设计为动态且可适应的，能够识别新出现的AI技术，包括生成式AI[19]。总之，WIPO和OECD开发的方法表明，为了高效搜索AI及相关技术，识别专利分类和特定技术的关键词组合非常重要。虽然WIPO报告提供了有关AI和生成式AI的专利分类代码和专利格局趋势的详细信息，但OECD报告则提供了能够捕捉新兴AI技术的适应性方法。因此，这些报告及其所包含的研究已成为分析AI相关和生成式AI相关专利格局的重要方法论参考。

许多现代自主AI系统在其推理和交互组件中整合了生成式AI模型，例如基于大型语言模型的代理、自主编码代理、对话代理、研究代理和自主规划系统。因此，一项专利可能同时涉及人工智能、生成式AI、AI代理和自主AI技术。组织正在迅速向开发人员和用户开放他们的生成式AI和自主AI系统，以加速采用和创新。虽然这种开放性增加了机会，但也增加了网络安全风险，因为互联的自主AI系统可能会暴露易受攻击的表面，例如安全性较低的API、内存模块或行动执行层可能会泄露敏感数据或操纵自主行为。这些风险体现在全球治理框架中，包括国家标准与技术研究院（NIST）的人工智能风险管理框架（2023）和IEEE 7000系列标准（适用于自主和智能系统[20]）。几家领先的技术组织，如Anthropic、Block、OpenAI、Amazon Web Services（AWS）、Bloomberg、Cloudflare、IBM、Nvidia、Google等，加入了Linux基金会发起的自主AI基金会（AAIF）。AAIF与其成员合作，制定和规范开放标准，定义企业如何构建可信赖的、准备好迎接AI的数据系统，确保推动未来AI发展的语义层保持开放、互操作性和社区驱动。自主AI的专利申请带来了独特的挑战，尤其是在美国专利商标局（USPTO）、欧洲专利局（EPO）和印度专利局等主要国家办公室的 subject-matter 合格性方面。在美国，AI相关发明经常被视为抽象概念[21,22]。因此，为了获得专利保护，申请人必须证明他们的发明提供了技术改进，符合USPTO 2019年的修订版专利 subject-matter 合格性指南[23]。同样，自主AI相关发明必须符合不同国家设定的专利申请和审查指南。先前发表的文献主要讨论了（1）基于AI/ML/LLM的工具和系统在专利分析中的应用，以及（2）关于AI相关和生成式AI相关专利家族的专利分析。关于AI和生成式AI系统的专利格局报告通常将专利分配到技术类别，并研究了专利趋势。然而，已发布的专利分析报告并未分析AI与最近的生成式AI、AI代理和自主AI技术之间的重叠关系。此外，先前的报告尚未详细披露自主AI技术的专利趋势以及这些专利与自主AI相关产品的映射关系。由于技术进步迅速、全球专利家族数量增加以及自主AI技术在 Enterprise 中的应用日益增多，有必要（1）开发一种强大的搜索策略，从广泛的AI相关发明中识别和分离出与自主AI相关的专利；（2）研究自主AI及相关技术的专利格局。与现有文献相比，本文提出了一种强大的搜索策略，从广泛的人工智能技术搜索查询开始，逐步细化搜索查询，将捕获的专利集合缩小到涉及自主AI技术的部分。本文进一步展示了代理型人工智能（Agentic AI）技术专利申请的趋势。以下是文章的各个部分概述：

### 方法论
我们设计了一种搜索策略，从广泛的人工智能和机器学习相关专利家族开始，逐步将结果集 refined 为针对特定代理的专利家族。具体步骤如下：

#### 专利搜索结果
关于人工智能、机器学习及相关技术的专利家族展示了广泛的人工智能/机器学习技术集群，包含大约108万个专利家族，这些专利在推动生成型人工智能（Generative AI）和代理型人工智能系统及技术的发展中起到了基础性作用。通过进一步精炼，我们得到了大约94.9万个与生成型人工智能、推理系统及相关技术层相关的专利申请。

#### 代理型人工智能相关CPC代码簇中的专利家族
CPC代码的分布显示，技术重心正从生成型人工智能转向系统层面的编排、控制和分布式计算能力，这表明研发方向正在向自主和代理型人工智能系统转变。代理型人工智能技术相关的CPC代码定义及其专利申请数量的详细信息见表3。

专利家族数量最多的领域包括程序控制系统、计算架构、内存管理和网络技术。

### 结论
我们采用分阶段逐步 refined 的方法制定了专利搜索策略：首先从广泛的人工智能技术相关专利开始查询，然后进一步缩小搜索范围，仅获取针对代理型人工智能系统的专利记录。最初，使用定义核心人工智能/机器学习技术的CPC代码作为基础，检索出所有相关专利记录。

### RediT作者贡献声明
- **Sivakami Dhulap**：负责撰写初稿、数据可视化、软件开发、资源准备、方法论设计、数据分析整理及数据审查。
- **Kishore Sreenivasan**：负责审稿与编辑、结果验证、项目监督、资源协调、方法论完善、调查工作以及资金筹集。
- **Prabuddha Ganguli**：负责审稿与编辑、结果验证、项目监督、方法论构建及概念框架的提出。

### 资金支持
本研究未获得任何公共机构、商业机构或非营利组织的专项资助。

### 利益冲突声明
作者们没有需要声明的利益冲突。

### 编辑披露声明
作为国际编辑委员会成员，Prabuddha Ganguli教授未参与本文的同行评审过程，也无法获取任何与评审相关的信息。本文的编辑工作完全由另一位期刊编辑负责。

### 致谢
作者们感谢印度浦那CSIR（Council of Scientific and Industrial Research）信息产品研究与发展部门（URDIP）提供的基础设施支持及研究机会，使我们能够专注于代理型人工智能系统及相关技术这一新兴的跨学科领域。

**Sivakami Dhulap** 于2002年在印度浦那大学获得有机化学硕士学位，随后在CSIR-URDIP攻读专利法研究生文凭、化学信息学研究生文凭以及知识产权管理博士学位，并持有注册印度专利代理人资格（IN/PA 5652）。她的研究兴趣包括专利分析和信息化支持服务，致力于推动数据驱动的、基于证据的决策过程。

**Sivakami Dhulap | Kishore Sreenivasan | Prabuddha Ganguli**