《專利審查指南修改草案（征求意見稿）》關于AI領域的新規定

近日，國知局公布了審查指南的修改草案（征求意見稿）。本次修改聚焦于人工智能、比特流等技術領域的審查規定，針對審查實踐中的熱點問題進行了細化規定。本文將分析在AI方面的修改及其影響。

AI不能作為專利申請的發明人

修改草案在第一部分第一章4.1.2 發明人條款中明確規定：專利請求書中的發明人應當是個人，不得填寫單位、集體，以及人工智能的名稱。例如，不得將“某某課題組”或“人工智能XX”列為發明人。這一修改強調了發明人資格的法律要求，即只有自然人才能被認定為專利發明人。

目前尚無真正“人工智能自主完成發明”的成熟案例，大部分所謂AI發明仍需人類研發者參與。該條款重申任何AI系統（如機器學習模型）本身不能作為發明人署名，確保專利權利歸屬明確在人類發明者名下。

《專利法》及審查實踐一貫要求發明人為真實的自然人。本次指南修改是在出現AI申請專利（例如DABUS案件）的背景下作出的明確回應，杜絕申請人嘗試將AI列為發明人，從而避免法律和倫理爭議。

企業在提交AI相關專利時，應當如實填寫參與發明創造的所有人類研發人員的信息，不能將研發團隊名稱或AI系統名字填入發明人欄。這一規定對申請文件的形式審查提出了更嚴格要求，也意味著如果企業讓AI參與研發，也必須由人類發明者提煉和總結發明內容，以符合專利申請主體的規定。

這一點實際上對企業來說是有利的，對于AI生成的技術方案是否申請專利的考慮，只需要聚焦在技術方案本身的新創性上。

AI相關發明申請的倫理審查

人工智能和大數據應用常涉及個人信息處理和自主決策。本次指南草案新增了針對專利法第五條第一款的審查規定，明確數據和算法的法律、倫理底線：

如果申請文件中記載的發明內容（例如數據采集、標注管理、規則設置、推薦決策等）違反法律、社會公德或者妨害公共利益，則依據專利法第五條第一款不授予專利權。這強調發明的實施不能依賴非法手段或違背公序良俗。特別地，涉及對個人信息的采集與利用，必須符合《個人信息保護法》等法律要求；涉及AI決策倫理的，也須符合社會道德準則。

示例：基于大數據的商場床墊銷售輔助系統

案例概述：該發明提供一種商場內床墊銷售輔助系統，通過攝像頭和人臉識別模塊在顧客不知情的情況下采集其面部特征并識別身份，然后分析偏好以輔助營銷。權利要求涵蓋了攝像模塊、人臉識別模塊用于秘密采集人臉信息等技術特征。

審查邏輯：審查員關注到發明涉及在公共場所秘密采集個人圖像和身份信息用于商業目的。這違反了《中華人民共和國個人信息保護法》的要求——法律規定在公共場所安裝人臉采集設備必須出于維護公共安全的必要，且需明示提示，采集的個人身份信息只能用于維護公共安全。本發明顯然將數據用于商業營銷，既非公共安全必要，又未征得用戶同意。

由于數據采集和利用方式與法律相違背，該申請被認定屬于專利法第五條第一款的情形，不授予專利權。也就是說，任何依賴違法收集個人信息的技術方案都不能獲得專利。

所有涉及個人數據的大數據/AI發明，都必須確保數據獲取和處理手段合規合法。企業在此類專利申請中應描述合規的實施方式（如獲取用戶授權、匿名化處理等），避免將違法情景寫入說明書或權利要求。如果發明本質上無法避免違法，例如本例的“秘密收集人臉識別信息用于營銷”，那即使技術上創新也無法獲得專利。

示例：無人駕駛車輛應急決策模型的建立方法

案例概述：該發明提出一種無人駕駛車輛在遇到不可避免碰撞時的應急決策模型，據說明書推斷，其決策可能基于行人年齡和性別等因素來選擇“被保護對象”和“被撞對象”。權利要求涉及獲取歷史環境和障礙物數據、訓練決策模型并用于車輛避障決策等步驟。

審查邏輯：審查重點在于模型決策規則的倫理道德影響。分析指出：生命價值平等是基本倫理，無論年齡或性別，每個人生命應有同等尊嚴。如果無人車決策模型在無可避免事故中基于行人性別、年齡來決定撞誰保誰，這違背了公眾關于生命平等的道德觀。此外，這種算法偏好會加劇性別、年齡歧視偏見，引發公眾對無人車安全性的恐慌，破壞公共利益。

該發明的技術方案有悖社會公德，屬于不授予專利權的情形。即使其算法和傳感技術本身先進，但由于應用層面的決策準則不道德，整項發明被排除出可專利客體。

涉及人工智能自主決策的發明，如果其結果或邏輯違背倫理（例如歧視、危害弱勢群體、安全隱患），都可能面臨第五條審查的否決。企業在設計和專利申請此類AI技術時應謹慎：盡量避免將可能不道德的決策規則付諸實施或寫入專利。如果某種權衡決策不可避免，也應在說明書中強調符合倫理原則的約束或安全措施，以降低被認定違背公德的風險。

AI相關發明申請的創造性審查：算法與技術特征的互動貢獻

人工智能相關發明往往同時包含算法特征和硬件/應用特征。本次指南修訂進一步明確了創造性評價的基準：如果權利要求中算法特征與技術特征在功能上相互支持、存在互動關系，則在評估創造性時應考慮算法特征對技術方案所作出的貢獻。換言之，不能簡單將算法部分視作與技術無關而忽略。

同時，指南通過正反兩方面新增典型案例，說明何種AI發明具備創造性，何種不具備：

示例：廢鋼等級劃分神經網絡模型的建立方法（具備創造性）

案例概述：本發明要解決提高廢鋼按平均尺寸劃分等級準確性的問題，提出了一種建立廢鋼等級劃分神經網絡模型的方法。發明方案通過卷積神經網絡學習，實現對雜亂堆疊的廢鋼圖像進行特征提取（顏色、邊緣、紋理等），輸出廢鋼等級分類結果，以提高分揀效率和準確率。權利要求包含具體的技術手段，例如三條線路的卷積層+池化層提取顏色和邊緣特征，進一步提取紋理特征等細節。

對比文件1公開了一種利用已確定種類的廢鋼圖像數據訓練模型的方法。區別在于：本發明訓練的數據集和提取的特征不同，并且對卷積層和池化層的層數及連接方式做出了調整改進，以適應廢鋼尺寸雜亂無序的識別任務。這些改進并未被現有技術公開，也非本領域公知常識。

審查邏輯：審查員首先正確確定實際要解決的技術問題是“如何提升廢鋼等級劃分的準確性”。針對該問題，本發明在算法上做出了特定改進：增加和調整卷積/池化層線路以提取關鍵特征。由于算法特征（模型架構調整）與技術目標緊密結合，共同提高了分揀準確率，所以應當把這些算法改進視為技術貢獻的一部分。進一步，審查員判斷現有技術整體上沒有給出將對比文件1作上述改進的啟示，因此該方案不顯而易見，具備創造性。

本發明通過特定的算法改進實現技術性能提升，其算法特征與硬件應用相互配合解決了實際問題，因而權利要求具備創造性。

當AI算法經過有針對性的改良以克服技術難題、取得技術效果（如更高準確率、更快速度）時，這些算法細節應被視作發明的重要創新點。企業在撰寫專利時應突出算法與設備/應用的協同作用，說明算法改進如何帶來技術上的突破，以便在創造性評述中得到認可。

示例：識別船只數量的方法（不具備創造性）

案例概述：該申請提出一種利用深度學習模型識別海域內船只數量的方法，旨在解決準確統計船只數量的技術問題。方案獲取船只圖片數據，通過常規深度學習訓練出目標檢測模型來計數船只。權利要求大致涵蓋獲取圖像、標記船只、訓練模型并輸出船只數量等步驟，但未體現任何算法結構上的特殊改進。

對比文件1公開了一種識別果實數量的方法，也是通過對圖像進行標注來訓練深度學習模型識別目標數量。兩者技術手段類似，只是識別對象由果實換成了船只。

審查邏輯：盡管應用場景不同，但如果AI模型訓練方法本身沿用了常規手段，沒有因為識別對象的變化而在算法上做出新的調整（如不同的網絡結構或訓練方法），那么解決的技術問題和采用的技術手段實際上與現有技術并無實質差異。審查意見指出：將深度學習應用于新對象（從果實到船只）不需要克服額外的技術困難，屬于本領域技術人員的常規能力，因此不足以構成創造性的區別。

該發明僅是將成熟的圖像識別技術用于新類別目標的簡單遷移，沒有技術手段上的革新，因而不具備創造性。

很多AI應用型發明容易落入此情況——更換數據類型或應用場景，但算法流程未變。如果企業的發明只是常規算法的直接應用，創造性將難以認可。為提高專利成功率，申請文件應盡可能體現針對新場景的技術改進（如模型結構優化、訓練算法的創新等），否則可能因技術手段平平而被認定為顯而易見。

AI相關發明申請的說明書充分公開的新要求

AI算法的“黑箱”特性給專利說明書的撰寫帶來挑戰：如果關鍵模型細節披露不充分，可能導致專利不滿足充分公開要求。對此，修改草案在第二部分第九章 6.3.1 說明書的撰寫中增加了具體要求，針對兩種常見情形確保發明內容充分公開：

對于涉及人工智能模型的構建或訓練的發明，說明書中一般需要清楚記載模型必要的模塊、層級或連接關系，以及訓練所需的具體步驟、參數等。也就是說，如果發明的創新點在于AI模型本身（結構或訓練方法），則模型架構、訓練流程等核心細節必須公開，使本領域技術人員能夠據此實現該模型。

對于涉及在特定領域/場景中應用AI模型或算法的發明，說明書中一般需要清楚記載模型/算法如何與該具體領域場景相結合，以及算法或模型的輸入、輸出數據是如何設置以表明其內在關聯關系等。也就是，如果AI只是作為工具應用于某行業問題，說明書應詳細描述AI與應用場景交互的機制（如輸入輸出對應關系、參數設定），以證明發明能夠解決該領域的技術問題。

上述要求的核心是在說明書層面保證充分公開：讓本領域技術人員閱讀后能夠實現發明方案，而不因AI部分的模糊描述而無法實施。

所有AI相關專利申請的說明書都應對算法部分做充分交代。企業在撰寫時要注意：不能只描述功能效果，而缺乏實現細節。對于自主開發的新模型，要公開其結構設計和訓練策略；對于應用現有模型解決行業問題，要明確模型如何配置、輸入輸出如何對應行業數據。如果涉及著名的開源模型或已知算法，在說明書中至少應引用或簡述其原理，并交代如何集成到發明中。否則，說明書可能因公開不充分被發回修改甚至駁回。

示例：用于生成人臉特征的方法（說明書充分公開的示例）

發明概述：該申請旨在提高人臉圖像生成結果的準確度，提出在第一卷積神經網絡中設置“空間變換網絡 (STN)”來確定人臉圖像的特征區域。通過多個卷積神經網絡共享信息，減少內存占用并提升生成準確率。然而，說明書并未明確指出STN模塊在第一卷積網絡中的具體插入位置。

審查要點：表面看說明書遺漏了一個實現細節（STN的位置），但審查需要判斷這是否導致公開不充分。在本領域技術人員眼中，STN作為一個獨立模塊，可以嵌入CNN的任意位置而不影響其識別特征區域的功能。換言之，無論STN放在模型的何處，都能實現預期技術效果，不存在實現上的不確定性或多個實現方案導致的不可再現問題。

盡管說明書未詳細注明STN插入哪一層，但這一細節并不影響實現發明。所屬領域技術人員知曉各種插入方式均可行，能解決技術問題。因此，該發明的解決方案已在說明書中充分公開，滿足專利法要求。

如果申請人在說明書中省略了某些公知或無關緊要的實現細節，且本領域技術人員可以憑常識補充這些細節并實現發明，則不會影響充分公開的認定。企業可以放心地略去對技術實現無實質影響的細節，以保持說明書簡明；但前提是這樣的省略不會讓實現方案出現不確定性。

示例：基于生物信息預測癌癥的方法（說明書未充分公開的示例）

發明概述：該申請旨在提高惡性腫瘤預測的準確性，構建了一種惡性腫瘤增強篩查模型。模型輸入包括受試者的血常規、血生化檢測指標和人臉圖像特征，輸出預測值。也就是說，它嘗試將生物化驗數據和人臉特征結合，用AI預測癌癥風險。

審查要點：說明書存在關鍵缺陷：未披露具體哪些血液指標與腫瘤相關，也未解釋人臉特征與罹患腫瘤之間有何關聯。對于本領域技術人員來說，目前醫學和AI知識并不能自明地推斷“哪些指標能判斷惡性腫瘤”以及“人臉特征如何反映癌癥風險”。換句話說，發明提出了一個猜想式的方案，但沒有給出讓技術人員信服的實施細節或數據支撐。

由于缺少必要的關聯機制描述，導致發明所要解決的技術問題實際上無法通過說明書所載方案解決——技術人員不知如何選取有效指標、如何利用人臉特征。故該申請未滿足充分公開要求。審查認為：如果說明書連實現途徑和因果關系都未講清，就無法認為公開了完整解決方案。

此示例警示企業，不要提交缺乏實證依據的泛泛方案。在AI跨領域應用中，如果某些要素關聯尚不明確，申請人應在說明書中提供實驗數據、文獻證明或至少合理的機理推測。否則，專利文件會因無實際可實施的技術教導而被認定公開不充分。此外，企業在立項研發時也應評估方案可行性——純粹依賴AI黑箱得出結論而無法解釋其合理性的方案，不僅專利申請有風險，實際研發也可能難以落地。

上述指南修改對人工智能相關專利從申請到審查的多個環節提出了新要求。企業需要據此調整專利申請策略和研發布局，以提高授權成功率并規避法律風險。以下從說明書撰寫、權利要求構造、創造性論證和研發規劃幾個方面分析其影響：

說明書撰寫更加詳實透明：新的充分公開要求意味著企業在撰寫AI專利說明書時，必須提供更詳盡的技術細節。這可能需要投入更多研發資源記錄和驗證模型結構、參數選擇、訓練步驟，以及AI在具體場景中的工作細節。企業應建立標準流程，將AI模型開發文檔化，以便撰寫專利時直接提取關鍵參數和結構說明。這也促使研發團隊在設計階段就關注“如何解釋我的模型”，減少“黑箱”成分，從源頭提高發明的可公開性。

鑒于審查指南強調算法特征與技術特征的結合貢獻，權利要求書應當體現發明的技術改進點，而不僅是商業規則或算法的流程描述。企業在起草AI相關權利要求時，宜將算法步驟置于具體技術環境中描述，如結合特定硬件模塊、傳感器輸入、工業控制流程等，使算法成為解決技術問題的一部分。這樣既避免了權利要求被認定為抽象算法，又方便在創造性審查時強調技術效果。此外，對于涉及視頻、圖像等數字數據的發明，可考慮多維度撰寫（方法、裝置、介質）以覆蓋不同權利要求類型，符合指南對權利要求形式的規范。

本次修改通過案例明確了創造性判斷的思路，關鍵在于發明是否解決了技術上的挑戰。因此，企業在專利申請文件和后續答復中，應圍繞“本發明解決了什么技術難題，現有技術為何無法輕易解決”來展開。

強調算法改進帶來的性能提升（例如更高精度、更低算力占用），并提供對比數據或實驗結果支撐。如果發明結合了特定應用場景，說明常規算法直接應用的不足，以及本發明為克服這些不足做出的特殊設計。

避免將發明表述為只是在不同數據集上應用通用算法，而要突出技術手段上的差異。必要時，引用同行業普遍遇到的技術瓶頸，來凸顯發明的非顯而易見性。 通過上述措施，在專利文件中預先埋下創造性論據，有助于審查時說服審查員認可算法特征的貢獻。

指南對法律和倫理的明確要求（專利法第五條）將影響企業的研發取向。AI項目在立項和實施時，企業應同步評估其法律風險和社會影響：涉及個人隱私數據的項目，要優先考慮合規方案（如獲取用戶同意、數據脫敏等），從研發設計上杜絕違法路徑。

涉及AI決策倫理的項目，應設置倫理審核機制，確保算法決策符合主流價值觀。例如無人駕駛決策可考慮以最小傷害原則代替歧視性規則。只有在算法邏輯上符合公序良俗，相關專利才有授權機會。 同時，創造性標準的提高意味著企業應聚焦核心技術突破進行布局，而非大范圍地將AI用于任何場景都去申請專利。因為平庸的應用型專利將難以通過審查，專利組合應更側重那些有技術深度和差異化的創新。

新的指南提供了更清晰的審查尺度，這反過來幫助企業更好地準備申請文件。對企業而言，提交申請前自查說明書是否滿足AI特有的披露要求，尤其注意避免“黑箱”描述。對于每項權利要求，自問“算法和硬件是如何配合產生技術效果的”，確保文件中已有解答。針對潛在第五條問題，主動刪改或解釋可疑內容，提交補充說明以表明合規。 這樣做可以減少來回補正、駁回復審的情況，提高審查效率和授權概率。

Maxipat致力于作為成為科技創新和知識產權工作的AI加速器，主要包括輔助創新：提高研發的科技創新效率；智能搜索與分析：將專利搜索和報告制作借助AI實現智能化，包括智能查新、無效、FTO、Landscaping報告；投資助手：快速生成投資賽道報告、專利購買篩選、專利轉化評估。目前開放注冊中。輔助科技創新和知識產權工作的AI智能體

感興趣的朋友可以通過以下三種方式填寫申請信息：

1. 請發郵件到郵箱：info@maxipat.com

2. 點擊文末閱讀全文；

3. 掃描以下二維碼

感興趣的朋友可以加筆者微信patentlight