.png?width=500&height=250&name=%E7%9F%A5%E7%9A%84%E8%B2%A1%E7%94%A3%E4%BA%8B%E5%8B%99%E6%89%80%E3%82%A8%E3%83%9C%E3%83%AA%E3%82%AF%E3%82%B9%20(500%20%C3%97%20250%20px).png)
AI代理操作电脑——支撑Anthropic“Computer Use”的专利群。在本系列文章中，我们此前已对保护执行基础架构的US 12,430,150 B1以及保护代理本体本身的US...
AI代理的强大程度不仅取决于模型本身，还取决于“使用何种数据、如何进行学习以及如何运行”这一整体基础架构。在支撑Anthropic“Computer Use”的一系列专利中，本文将深入探讨的正是保护这一数据流（管道）的专利申请 US 2025/0299074 A1。
在本系列文章中，我们此前已讲解了构建（US 2025/0299023）、执行基础架构（US 12,430,150）以及智能体本体（US 12,566,913）。本专利则保护了第四层——从学习到推理的“数据流”（MLOps基础架构）。精通AI知识产权的专利代理人将结合具体的权利要求进行讲解。
💡 要点：本文是Anthropic专利系列的具体解析（第4篇）。结合《战略分析篇》一并阅读，可立体地理解Anthropic围绕“计算机使用”构建的专利网络全貌。
目录
30秒摘要｜AI代理的“数据护城河”
● 申请内容：统筹AI代理从学习到推理的数据流（数据流逻辑）的系统。
● 核心技术：①学习服务器与生产服务器的分离；②连接两者的数据流逻辑；③名为“带注释的代理轨迹”的高质量学习数据。
● 状态：美国专利申请公开（A1）＝审查中，共20项权利要求。
● 战略意义：在产品的“骨架”（前3项专利）基础上，进一步旨在将AI竞争力的源泉——“数据与管道”纳入专利保护范围。
● 核心技术：①学习服务器与生产服务器的分离；②连接两者的数据流逻辑；③名为“带注释的代理轨迹”的高质量学习数据。
● 状态：美国专利申请公开（A1）＝审查中，共20项权利要求。
● 战略意义：在产品的“骨架”（前3项专利）基础上，进一步旨在将AI竞争力的源泉——“数据与管道”纳入专利保护范围。
专利申请基本信息
| 项目 | 内容 |
|---|---|
| 公开号 | US 2025/0299074 A1 |
| 发明名称 | 用于提供能够自动化多模态软件使用的人工智能代理的数据流逻辑 |
| 公开日 | 2025年9月25日 |
| 申请日 | 2024年10月8日 |
| 优先权日 | 2024年3月20日 |
| 申请人 | Anthropic PBC（2025年4月17日更正） |
| 权利要求数 | 20 |
| 状态 | 公开申请（正在审查中） |
四层架构｜Anthropic“Computer Use”专利的全貌
Anthropic通过4个不同的层级，对名为“Computer Use”的单一产品进行了多层次的保护。让我们梳理一下包含本案在内的整体情况。
| 层级 | 专利/申请 | 保护对象 | 示例 |
|---|---|---|---|
| ① 构建 | US 2025/0299023 A1 | 构建代理的机制·专用语言 | 脚本 |
| ② 运行平台 | US 12,430,150 B1 | 运行时（客户端/服务器） | 舞台 |
| ③ 代理程序本体 | US 12,566,913 B2 | 代理的智能与动作 | 角色 |
| ④ 数据流 | US 2025/0299074 A1（本文） | 从学习到推理的管道·学习数据 | 血流·营养 |
💡 要点：除了“剧本·舞台·演员”这些“可见部分”外，本案还涵盖了“血流”＝数据及管道。由于AI的竞争力取决于数据基础，因此对这一第四层的权利化，是增强专利网络深度的关键一招。
技术①｜训练服务器与生产服务器的分离（train↔inference）
权利要求1的核心在于明确区分了两种服务器。
【训练（training）↔ 推理（inference）的分离】 [训练阶段] 训练服务器（training servers） ・接收智能体＋训练数据集 ・对智能体进行训练 → 生成已训练的智能体 │ ▼ 配置（configure） [推理阶段] 生产服务器（production servers） ・执行已训练的智能体 ・接收客户端的提示 ・将提示转换为智能体调用指令 ・生成输出并返回给客户端
在机器学习系统中，通常会将“训练模型的环境（training）”与“实际向用户提供服务的环境（inference／生产环境）”区分开来。本案正是将这一MLOps（机器学习运维）的基本结构本身，在AI智能体（agent）的语境下作为权利要求进行了界定。
技术②｜数据流逻辑＝整体的交通疏导
连接这两组服务器并统筹数据流的便是“数据流逻辑（data flow logic）”。根据权利要求1，该逻辑执行以下四项功能：
| 阶段 | 数据流逻辑的运行机制 |
|---|---|
| 训练时 | 向学习服务器提供智能体和学习数据集，进行训练 |
| 部署 | 使用已训练好的代理构建生产服务器 |
| 推理阶段 | 将客户端的提示词提供给生产服务器，由其转换为对智能体的调用 |
| 返回 | 将生成的输出提供给客户端使用 |
💡 要点：通过构建名为“数据流逻辑”的统合组件，将从学习到部署、推断再到返回的整个生命周期作为一个系统进行管理。这种不关注单个部件而是把握“流程”的架构，正是系统专利的典型特征。
技术③｜“带注释的代理轨迹”这一数据挖掘
本案中最具战略意义的是权利要求1中明确记载的学习数据内容。权利要求规定，学习数据集包含“用于多模态界面自动化任务的预定义代理轨迹（agentic trajectories）图像”，且“每个轨迹都附有描述操作及代理判断的详细多模态注释”。
也就是说，这是记录了AI智能体“如何观察屏幕、如何思考、如何操作”这一系列行为并附有注释的高质量学习数据。此类数据绝非一朝一夕就能构建而成。独有的学习数据正是竞争对手难以复制的“护城河（moat）”，而将其纳入权利要求要素这一点，恰恰体现了Anthropic的战略。
说明书中列举了多种作为学习数据的形式，包括软件操作录像、网页图像、文档以及附有注释的智能体行为序列等。通过将“数据的制作方法和内容”纳入权利范围，旨在保护智能体的“思维源泉”。
逐条解读权利要求1
支持权利化的限制整理
| 限定 | 技术含义 | 生效理由 |
|---|---|---|
| 训练服务器／生产服务器的分离 | 训练↔推理的MLOps架构 | 系统的具体硬件配置 |
| 带注释的智能体轨迹（训练数据） | 记录了行为与判断的高质量数据 | 数据矿藏。将差异化优势转化为资产 |
| 数据流与逻辑 | 全生命周期的统筹管理 | 捕捉“流程”的系统专利核心 |
专利代理人的视角｜为何要主张“整个系统”
本案的权利要求1所主张的并非特定的微小部件，而是包含学习服务器、生产服务器、学习数据、数据流及逻辑的“整个系统”。这具有战略意义。
① 难以规避。大规模提供AI代理的服务商，必然以某种形式拥有“训练环境”和“生产环境”，并在两者之间传输数据。通过掌控整个系统，即使更改部分构成要素，也更容易被纳入权利范围。
② 将数据这一无形资产纳入权利范围。通过将“带注释的轨迹”作为权利要求要素，将难以模仿的数据资产纳入了法律保护的范围。
注意｜宽泛的权利要求也伴随着相应的风险：对整个系统进行广泛主张的权利要求，相应地也面临因现有技术而被判定无效的风险（尤其是通用MLOps架构中，公知技术较多的领域）。本案在审查中最终将获准注册到何种范围，需要密切关注后续进展（本案目前正在审理中）。在权利要求中兼顾宽泛与狭窄的平衡，是实务中的常规做法。
在日、美、欧的审查中将如何评价
美国（USPTO）
由于具备“训练服务器”和“生产服务器”这一具体系统架构，以及“带注释的数据”这一技术要素，该专利在Alice/Mayo测试中较易避免被认定为“抽象概念”。不过，MLOps架构中已知案例众多，因此进步性（新颖性、非显而易见性）可能成为争议焦点。
日本（JPO）
由于服务器群、数据流和逻辑等信息处理是通过硬件资源具体实现的，因此该架构作为软件相关发明，较易满足专利适格性要求。进步性的关键在于“带注释的代理轨迹”这一数据设计，以及数据流统筹的技术巧思。
欧洲（EPO）
虽然容易主张其对“从学习到推理的管道”这一技术系统的贡献，但为了避免被评估为纯粹的“运营约定”，明确说明技术效果（效率、可靠性等）是有效的。
关于AI智能体专利在日、美、欧三国审查实务的比较，已在《日本、美国、欧洲的专利案例与审查实务》中进行了详细解说。
对企业自身专利申请的启示｜保护“数据”与“管道”
① 不仅要保护产品，还要保护“基础架构”。不仅要保护实施的技术，学习到推理的管道（MLOps基础架构）也是权利保护的对象。
② 将独有的学习数据纳入专利保护范围。像“带注释的轨迹”这样难以模仿的数据生成方法和结构，将成为强大的“护城河”。应考虑将其纳入权利要求要素中。
③ 同时针对整个系统和组件进行申请。兼顾宽泛的系统权利要求与狭窄而扎实的组件权利要求，在无效风险与难以规避性之间取得平衡。
④ 将产品多层次划分后进行申请。例如构建、执行基础架构、主体、数据基础架构等，按各层级分别申请专利，从而加固专利保护网。
何不将保护范围扩展至本公司AI、产品乃至“数据与处理流程”？
精通IT、软件及AI领域的专利代理人将为您提供全方位支持，包括免费可获权性诊断、涵盖数据及MLOps的权利要求设计、竞争专利监控，以及日本、美国和欧洲的申请策略。
预约首次免费咨询 IT·AI知识产权服务常见问题（FAQ）
Q. US 2025/0299074 A1是一项什么样的专利？
A. 这是Anthropic公司的一项美国专利申请公开，其保护对象是提供可自动化软件使用的AI代理的“数据流逻辑”。其特点在于将学习服务器（用于训练智能代理）与生产服务器（用于执行已训练智能代理的推理）分离，并统筹管理两者之间的数据流（学习数据的供应、已训练模型的部署、客户端提示词的处理、输出结果的返回）。2025年9月25日公开，正在审查中，共计20项权利要求。
问：“数据流逻辑”是什么？
A. 这是统筹系统内数据流动的机制。本申请负责一系列“数据流管理”工作，包括：①在学习阶段向服务器提供学习数据；②将训练好的智能体部署到生产服务器；③在推理阶段将客户端的提示流向生产服务器；④将输出结果返回给客户端。
Q. 该专利与前3项专利有何不同？
A. Anthropic的“计算机使用”通过四个层次实现了多层保护：①构建（US 2025/0299023）、②执行基础（US 12,430,150）、③智能体本体（US 12,566,913），以及④本项专利所涉及的“数据流＝从学习到推理的管道（MLOps基础架构）”。这种结构不仅涵盖了产品的“骨架”，更掌控了其“血流”。
Q. 什么是“带注释的智能体轨迹”？
A. 这是权利要求1中提及的学习数据的核心，即在多模态接口自动化任务中，对“智能体行为轨迹（agentic trajectories）的图像”添加了“描述动作及智能体判断的详细标注”。这是记录了AI代理“如何思考、如何行动”的高质量学习数据，将成为竞争力的源泉（数据护城河）。
Q. 这对我们公司的AI开发有什么参考价值吗？
A. 不仅“产品本身”，就连“从学习到推理的数据管道”以及“自主学习数据的制作方法”也可能成为专利的对象。特别是生成自主学习数据（如带注释的轨迹等）的机制，由于是竞争对手难以轻易复制的“护城河”，因此是极具专利申请价值的领域。
本文注意事项：本文基于已公开的专利申请公报，对技术和制度进行一般性解读。US 2025/0299074 A1是一项正在审查中的公开申请，尚未注册。由于权利要求可能因修正而发生变更，因此最终的权利范围尚未确定。文中引用的权利要求、摘要及说明书内容虽基于公开公报数据（Google Patents／FreePatentsOnline等），但在涉及法律重要用途（自由实施分析、侵权分析、专利申请等）时，请务必查阅美国专利商标局（USPTO）的正本及最新审查进展信息，并咨询专家进行个别评估。日语译文仅供理解参考，正文以英文原文为准。
推荐阅读（Anthropic专利系列）：
・
解读Anthropic的专利战略｜为何专利申请量较少・“代理构建”专利 US 2025/0299023 A1（构建层）
・“计算机使用”核心专利 US 12,430,150 B1（执行基础）
・「AI代理」专利 US 12,566,913 B2（代理本体）
・
解读Anthropic的专利战略｜为何专利申请量较少・“代理构建”专利 US 2025/0299023 A1（构建层）
・“计算机使用”核心专利 US 12,430,150 B1（执行基础）
・「AI代理」专利 US 12,566,913 B2（代理本体）
来源
- US 2025/0299074 A1（Google Patents）：https://patents.google.com/patent/US20250299074A1/en
- 权利要求书·说明书（FreePatentsOnline）：https://www.freepatentsonline.com/y2025/0299074.html
