在人工智慧（AI）領域，專利權利項的撰寫至關重要，直接影響技術的保護範圍與法律效力。近期，AI初創企業DeepSeek在專利申請方面的動向引起了廣泛關注。他們一方面開源大型語言模型（LLM），另一方面積極申請專利，這種策略引發了業界對於AI技術保護與開放之間平衡的討論。
本文將揭露 DeepSeek 的專利權利項，瞭解其權利範圍界定，思考如何保護核心技術並促進商業應用。
DeepSeek 專利權利項
1.一種人工智能模型訓練數據集的構建方法，其特徵在於包括以下步驟：
1)將數據集劃分為若干大小相同的數據序列；
2)以數據序列為單位建立索引；
3)根據需求比例在數據集中抽取樣本數據；
4)將樣本數據以數據序列為單位混合併隨機打亂；
5)將打亂後的樣本數據進行均勻切分得到若干個數據塊，每個數據塊包含若干個完整的數據序列；
6)在每一步模型訓練的數據輸入時，通過索引批量讀取相應數據塊作為該步驟的模型訓練數據。
2.根據權利要求1所述的一種人工智能模型訓練數據集的構建方法，其特徵在於，如果採用自行獲取的數據構建數據集，需要在步驟1)之前對獲取數據進行數據清潔以及tokenize的步驟。
3.根據權利要求2所述的一種人工智能模型訓練數據集的構建方法，其特徵在於，所述數據清潔包括原始數據的智能抽取、按行去重、哈希去重、規則過濾等步驟。
4.根據權利要求1‑3所述的一種人工智能模型訓練數據集的構建方法，其特徵在於，所述tokenize的步驟包括：長文本分解為最小單位的token，然後將token轉化為向量的數據結構。
5.根據權利要求1‑4任一所述的一種人工智能模型訓練數據集的構建方法，其特徵在於，所述數據序列為一維數組，包括N個連續token。
6.根據權利要求1‑5任一所述的一種人工智能模型訓練數據集的構建方法，其特徵在於，步驟2)中所述索引為一維數組[index 1,index2,index 3,…,index i]，index i代表第i個數據序列的第一個token的下標，所述下標為第i個數據序列中第一個token存儲位置的偏移量。
7.根據權利要求1‑6所述的一種人工智能模型訓練數據集的構建方法，其特徵在於步驟3)‑步驟6)中的樣本抽取、隨機打亂、樣本數據切分等數據操作均以數據序列為單位，通過索引進行操作，不實際修改存儲單元中的數據。
8.根據權利要求1‑7所述的一種人工智能模型訓練數據集的構建方法，其特徵在於，所述批量讀取通過異步IO實現。
9.一種終端裝置，其特徵在於包括：至少一個處理器和存儲器；存儲器，用於存儲程序指令；處理器，用於調用並執行存儲器中存儲的程序指令，以使所述終端裝置執行權利要求1‑8所述的人工智能模型訓練數據集的構建方法。
10.一種計算機可讀存儲介質，其特徵在於，計算機可讀存儲介質中存儲有指令，當其在計算機上運行時，使得所述計算機執行權利要求1‑8所述的人工智能模型訓練數據集的構建方法。