AI 企业的核心技术该申请专利还是走商业秘密？
简答
AI 企业的核心技术不能一刀切：模型架构与算法方案可被反向推演，宜走专利；训练数据管线与调参经验无法从结果还原，宜走商业秘密；模型权重视开源策略单独决定。时序上必须赶在模型开源或 API 上线之前完成专利决策，因为发布即公开。
展开说明
按技术三要素分别判断
模型架构与算法方案：竞争对手通过调用接口观察输入输出、阅读论文即可逼近复现，保密性天然脆弱，与专利「以公开换排他」的逻辑正好匹配。判断依据是一条朴素标准——凡是能从产品表现反推的东西，保密挡不住，专利才挡得住；反推的门槛越低，越要靠专利把方案钉在纸面上。
训练数据管线、清洗规则、数据配比与调参经验：外界只能看到最终效果，无法还原过程，符合商业秘密「不为公众所知悉、采取保密措施、具有商业价值」的构成要件，而且不需要申请、审查与缴纳年费，边际成本最低。
模型权重：不开源且部署在自有服务里时可以按秘密管理；一旦开源，权重本身进入公有领域，残余价值在于配套的训练细节仍可保密，同时应评估是否为架构方案申请专利。权重的保护强度取决于部署方式，开源与否直接决定它还能不能算作秘密资产。
时序红线：发布即公开
API 上线、模型开源、论文投稿、产品发布演示，都可能构成公开。发明专利审查中，申请日之前的任何公开都可能成为破坏新颖性的对比文件；秘密一旦脱离控制也无法恢复。所以专利决策点必须前移到发布动作之前。
建议在研发流程中固定一个发布前评审节点：每次对外发布前过一遍清单——哪些要素申请专利、哪些继续保密、哪些随开源一并放弃，并形成书面结论；清单结论要有留痕，事后发生争议时才能证明决策时点早于公开。一般场景下的取舍逻辑见 专利与商业秘密怎么选。
组合策略而非二选一
实操上常见的是专利加秘密的组合：用专利公开算法骨架换取排他权，用秘密保留工程细节（数据配比、超参数、清洗管道、部署经验）。对手即使拿到专利文本，复现效果仍隔着看不见的工程鸿沟。
专利化之前还要评估两个现实问题：侵权行为能否从外部发现（纯内部算法被抄袭很难察觉，专利价值打折）；方案是否依赖难以书面描述的隐性经验（依赖越深越适合秘密）。两个问题都答不好时，先保守保密、小步验证，比仓促申请更稳。秘密成立的门槛见 商业秘密构成要件。
常见误区
误区一：先发论文再申请，指望宽限期。发明专利的新颖性宽限期仅适用于特定情形且需履行声明与证明手续，常规期刊投稿不在其列，通常直接丧失新颖性；把握不准时按最不利口径处理，能早点申请就不要赌例外。
误区二：把一切都当秘密。秘密无法对抗他人的独立研发与反向工程，核心方案被抄袭后只能事后维权且举证困难；可从产品外部观测的方案才最值得专利化。专利与秘密的先后与搭配应在立项时定，而不是临发布再补。三种保护方式的搭配见 三种保护组合，法条依据见 《中华人民共和国专利法》（2020 年修正）全文。
参考来源
引用均为官方文件或公开报道，访问日期 2026-11-06。