近日，国知局公布了审查指南的修改草案（征求意见稿）。本次修改聚焦于人工智能、比特流等技术领域的审查规定，针对审查实践中的热点问题进行了细化规定。本文将分析在AI方面的修改及其影响。

AI不能作为专利申请的发明人

修改草案在第一部分第一章4.1.2 发明人条款中明确规定：专利请求书中的发明人应当是个人，不得填写单位、集体，以及人工智能的名称。例如，不得将“某某课题组”或“人工智能XX”列为发明人。这一修改强调了发明人资格的法律要求，即只有自然人才能被认定为专利发明人。

目前尚无真正“人工智能自主完成发明”的成熟案例，大部分所谓AI发明仍需人类研发者参与。该条款重申任何AI系统（如机器学习模型）本身不能作为发明人署名，确保专利权利归属明确在人类发明者名下。

《专利法》及审查实践一贯要求发明人为真实的自然人。本次指南修改是在出现AI申请专利（例如DABUS案件）的背景下作出的明确回应，杜绝申请人尝试将AI列为发明人，从而避免法律和伦理争议。

企业在提交AI相关专利时，应当如实填写参与发明创造的所有人类研发人员的信息，不能将研发团队名称或AI系统名字填入发明人栏。这一规定对申请文件的形式审查提出了更严格要求，也意味着如果企业让AI参与研发，也必须由人类发明者提炼和总结发明内容，以符合专利申请主体的规定。

这一点实际上对企业来说是有利的，对于AI生成的技术方案是否申请专利的考虑，只需要聚焦在技术方案本身的新创性上。

AI相关发明申请的伦理审查

人工智能和大数据应用常涉及个人信息处理和自主决策。本次指南草案新增了针对专利法第五条第一款的审查规定，明确数据和算法的法律、伦理底线：

如果申请文件中记载的发明内容（例如数据采集、标注管理、规则设置、推荐决策等）违反法律、社会公德或者妨害公共利益，则依据专利法第五条第一款不授予专利权。这强调发明的实施不能依赖非法手段或违背公序良俗。特别地，涉及对个人信息的采集与利用，必须符合《个人信息保护法》等法律要求；涉及AI决策伦理的，也须符合社会道德准则。

示例：基于大数据的商场床垫销售辅助系统

案例概述：该发明提供一种商场内床垫销售辅助系统，通过摄像头和人脸识别模块在顾客不知情的情况下采集其面部特征并识别身份，然后分析偏好以辅助营销。权利要求涵盖了摄像模块、人脸识别模块用于秘密采集人脸信息等技术特征。

审查逻辑：审查员关注到发明涉及在公共场所秘密采集个人图像和身份信息用于商业目的。这违反了《中华人民共和国个人信息保护法》的要求——法律规定在公共场所安装人脸采集设备必须出于维护公共安全的必要，且需明示提示，采集的个人身份信息只能用于维护公共安全。本发明显然将数据用于商业营销，既非公共安全必要，又未征得用户同意。

由于数据采集和利用方式与法律相违背，该申请被认定属于专利法第五条第一款的情形，不授予专利权。也就是说，任何依赖违法收集个人信息的技术方案都不能获得专利。

所有涉及个人数据的大数据/AI发明，都必须确保数据获取和处理手段合规合法。企业在此类专利申请中应描述合规的实施方式（如获取用户授权、匿名化处理等），避免将违法情景写入说明书或权利要求。如果发明本质上无法避免违法，例如本例的“秘密收集人脸识别信息用于营销”，那即使技术上创新也无法获得专利。

示例：无人驾驶车辆应急决策模型的建立方法

案例概述：该发明提出一种无人驾驶车辆在遇到不可避免碰撞时的应急决策模型，据说明书推断，其决策可能基于行人年龄和性别等因素来选择“被保护对象”和“被撞对象”。权利要求涉及获取历史环境和障碍物数据、训练决策模型并用于车辆避障决策等步骤。

审查逻辑：审查重点在于模型决策规则的伦理道德影响。分析指出：生命价值平等是基本伦理，无论年龄或性别，每个人生命应有同等尊严。如果无人车决策模型在无可避免事故中基于行人性别、年龄来决定撞谁保谁，这违背了公众关于生命平等的道德观。此外，这种算法偏好会加剧性别、年龄歧视偏见，引发公众对无人车安全性的恐慌，破坏公共利益。

该发明的技术方案有悖社会公德，属于不授予专利权的情形。即使其算法和传感技术本身先进，但由于应用层面的决策准则不道德，整项发明被排除出可专利客体。

涉及人工智能自主决策的发明，如果其结果或逻辑违背伦理（例如歧视、危害弱势群体、安全隐患），都可能面临第五条审查的否决。企业在设计和专利申请此类AI技术时应谨慎：尽量避免将可能不道德的决策规则付诸实施或写入专利。如果某种权衡决策不可避免，也应在说明书中强调符合伦理原则的约束或安全措施，以降低被认定违背公德的风险。

AI相关发明申请的创造性审查：算法与技术特征的互动贡献

人工智能相关发明往往同时包含算法特征和硬件/应用特征。本次指南修订进一步明确了创造性评价的基准：如果权利要求中算法特征与技术特征在功能上相互支持、存在互动关系，则在评估创造性时应考虑算法特征对技术方案所作出的贡献。换言之，不能简单将算法部分视作与技术无关而忽略。

同时，指南通过正反两方面新增典型案例，说明何种AI发明具备创造性，何种不具备：

示例：废钢等级划分神经网络模型的建立方法（具备创造性）

案例概述：本发明要解决提高废钢按平均尺寸划分等级准确性的问题，提出了一种建立废钢等级划分神经网络模型的方法。发明方案通过卷积神经网络学习，实现对杂乱堆叠的废钢图像进行特征提取（颜色、边缘、纹理等），输出废钢等级分类结果，以提高分拣效率和准确率。权利要求包含具体的技术手段，例如三条线路的卷积层+池化层提取颜色和边缘特征，进一步提取纹理特征等细节。

对比文件1公开了一种利用已确定种类的废钢图像数据训练模型的方法。区别在于：本发明训练的数据集和提取的特征不同，并且对卷积层和池化层的层数及连接方式做出了调整改进，以适应废钢尺寸杂乱无序的识别任务。这些改进并未被现有技术公开，也非本领域公知常识。

审查逻辑：审查员首先正确确定实际要解决的技术问题是“如何提升废钢等级划分的准确性”。针对该问题，本发明在算法上做出了特定改进：增加和调整卷积/池化层线路以提取关键特征。由于算法特征（模型架构调整）与技术目标紧密结合，共同提高了分拣准确率，所以应当把这些算法改进视为技术贡献的一部分。进一步，审查员判断现有技术整体上没有给出将对比文件1作上述改进的启示，因此该方案不显而易见，具备创造性。

本发明通过特定的算法改进实现技术性能提升，其算法特征与硬件应用相互配合解决了实际问题，因而权利要求具备创造性。

当AI算法经过有针对性的改良以克服技术难题、取得技术效果（如更高准确率、更快速度）时，这些算法细节应被视作发明的重要创新点。企业在撰写专利时应突出算法与设备/应用的协同作用，说明算法改进如何带来技术上的突破，以便在创造性评述中得到认可。

示例：识别船只数量的方法（不具备创造性）

案例概述：该申请提出一种利用深度学习模型识别海域内船只数量的方法，旨在解决准确统计船只数量的技术问题。方案获取船只图片数据，通过常规深度学习训练出目标检测模型来计数船只。权利要求大致涵盖获取图像、标记船只、训练模型并输出船只数量等步骤，但未体现任何算法结构上的特殊改进。

对比文件1公开了一种识别果实数量的方法，也是通过对图像进行标注来训练深度学习模型识别目标数量。两者技术手段类似，只是识别对象由果实换成了船只。

审查逻辑：尽管应用场景不同，但如果AI模型训练方法本身沿用了常规手段，没有因为识别对象的变化而在算法上做出新的调整（如不同的网络结构或训练方法），那么解决的技术问题和采用的技术手段实际上与现有技术并无实质差异。审查意见指出：将深度学习应用于新对象（从果实到船只）不需要克服额外的技术困难，属于本领域技术人员的常规能力，因此不足以构成创造性的区别。

该发明仅是将成熟的图像识别技术用于新类别目标的简单迁移，没有技术手段上的革新，因而不具备创造性。

很多AI应用型发明容易落入此情况——更换数据类型或应用场景，但算法流程未变。如果企业的发明只是常规算法的直接应用，创造性将难以认可。为提高专利成功率，申请文件应尽可能体现针对新场景的技术改进（如模型结构优化、训练算法的创新等），否则可能因技术手段平平而被认定为显而易见。

AI相关发明申请的说明书充分公开的新要求

AI算法的“黑箱”特性给专利说明书的撰写带来挑战：如果关键模型细节披露不充分，可能导致专利不满足充分公开要求。对此，修改草案在第二部分第九章 6.3.1 说明书的撰写中增加了具体要求，针对两种常见情形确保发明内容充分公开：

对于涉及人工智能模型的构建或训练的发明，说明书中一般需要清楚记载模型必要的模块、层级或连接关系，以及训练所需的具体步骤、参数等。也就是说，如果发明的创新点在于AI模型本身（结构或训练方法），则模型架构、训练流程等核心细节必须公开，使本领域技术人员能够据此实现该模型。

对于涉及在特定领域/场景中应用AI模型或算法的发明，说明书中一般需要清楚记载模型/算法如何与该具体领域场景相结合，以及算法或模型的输入、输出数据是如何设置以表明其内在关联关系等。也就是，如果AI只是作为工具应用于某行业问题，说明书应详细描述AI与应用场景交互的机制（如输入输出对应关系、参数设定），以证明发明能够解决该领域的技术问题。

上述要求的核心是在说明书层面保证充分公开：让本领域技术人员阅读后能够实现发明方案，而不因AI部分的模糊描述而无法实施。

所有AI相关专利申请的说明书都应对算法部分做充分交代。企业在撰写时要注意：不能只描述功能效果，而缺乏实现细节。对于自主开发的新模型，要公开其结构设计和训练策略；对于应用现有模型解决行业问题，要明确模型如何配置、输入输出如何对应行业数据。如果涉及著名的开源模型或已知算法，在说明书中至少应引用或简述其原理，并交代如何集成到发明中。否则，说明书可能因公开不充分被发回修改甚至驳回。

示例：用于生成人脸特征的方法（说明书充分公开的示例）

发明概述：该申请旨在提高人脸图像生成结果的准确度，提出在第一卷积神经网络中设置“空间变换网络 (STN)”来确定人脸图像的特征区域。通过多个卷积神经网络共享信息，减少内存占用并提升生成准确率。然而，说明书并未明确指出STN模块在第一卷积网络中的具体插入位置。

审查要点：表面看说明书遗漏了一个实现细节（STN的位置），但审查需要判断这是否导致公开不充分。在本领域技术人员眼中，STN作为一个独立模块，可以嵌入CNN的任意位置而不影响其识别特征区域的功能。换言之，无论STN放在模型的何处，都能实现预期技术效果，不存在实现上的不确定性或多个实现方案导致的不可再现问题。

尽管说明书未详细注明STN插入哪一层，但这一细节并不影响实现发明。所属领域技术人员知晓各种插入方式均可行，能解决技术问题。因此，该发明的解决方案已在说明书中充分公开，满足专利法要求。

如果申请人在说明书中省略了某些公知或无关紧要的实现细节，且本领域技术人员可以凭常识补充这些细节并实现发明，则不会影响充分公开的认定。企业可以放心地略去对技术实现无实质影响的细节，以保持说明书简明；但前提是这样的省略不会让实现方案出现不确定性。

示例：基于生物信息预测癌症的方法（说明书未充分公开的示例）

发明概述：该申请旨在提高恶性肿瘤预测的准确性，构建了一种恶性肿瘤增强筛查模型。模型输入包括受试者的血常规、血生化检测指标和人脸图像特征，输出预测值。也就是说，它尝试将生物化验数据和人脸特征结合，用AI预测癌症风险。

审查要点：说明书存在关键缺陷：未披露具体哪些血液指标与肿瘤相关，也未解释人脸特征与罹患肿瘤之间有何关联。对于本领域技术人员来说，目前医学和AI知识并不能自明地推断“哪些指标能判断恶性肿瘤”以及“人脸特征如何反映癌症风险”。换句话说，发明提出了一个猜想式的方案，但没有给出让技术人员信服的实施细节或数据支撑。

由于缺少必要的关联机制描述，导致发明所要解决的技术问题实际上无法通过说明书所载方案解决——技术人员不知如何选取有效指标、如何利用人脸特征。故该申请未满足充分公开要求。审查认为：如果说明书连实现途径和因果关系都未讲清，就无法认为公开了完整解决方案。

此示例警示企业，不要提交缺乏实证依据的泛泛方案。在AI跨领域应用中，如果某些要素关联尚不明确，申请人应在说明书中提供实验数据、文献证明或至少合理的机理推测。否则，专利文件会因无实际可实施的技术教导而被认定公开不充分。此外，企业在立项研发时也应评估方案可行性——纯粹依赖AI黑箱得出结论而无法解释其合理性的方案，不仅专利申请有风险，实际研发也可能难以落地。

上述指南修改对人工智能相关专利从申请到审查的多个环节提出了新要求。企业需要据此调整专利申请策略和研发布局，以提高授权成功率并规避法律风险。以下从说明书撰写、权利要求构造、创造性论证和研发规划几个方面分析其影响：

说明书撰写更加详实透明：新的充分公开要求意味着企业在撰写AI专利说明书时，必须提供更详尽的技术细节。这可能需要投入更多研发资源记录和验证模型结构、参数选择、训练步骤，以及AI在具体场景中的工作细节。企业应建立标准流程，将AI模型开发文档化，以便撰写专利时直接提取关键参数和结构说明。这也促使研发团队在设计阶段就关注“如何解释我的模型”，减少“黑箱”成分，从源头提高发明的可公开性。

鉴于审查指南强调算法特征与技术特征的结合贡献，权利要求书应当体现发明的技术改进点，而不仅是商业规则或算法的流程描述。企业在起草AI相关权利要求时，宜将算法步骤置于具体技术环境中描述，如结合特定硬件模块、传感器输入、工业控制流程等，使算法成为解决技术问题的一部分。这样既避免了权利要求被认定为抽象算法，又方便在创造性审查时强调技术效果。此外，对于涉及视频、图像等数字数据的发明，可考虑多维度撰写（方法、装置、介质）以覆盖不同权利要求类型，符合指南对权利要求形式的规范。

本次修改通过案例明确了创造性判断的思路，关键在于发明是否解决了技术上的挑战。因此，企业在专利申请文件和后续答复中，应围绕“本发明解决了什么技术难题，现有技术为何无法轻易解决”来展开。

强调算法改进带来的性能提升（例如更高精度、更低算力占用），并提供对比数据或实验结果支撑。如果发明结合了特定应用场景，说明常规算法直接应用的不足，以及本发明为克服这些不足做出的特殊设计。

避免将发明表述为只是在不同数据集上应用通用算法，而要突出技术手段上的差异。必要时，引用同行业普遍遇到的技术瓶颈，来凸显发明的非显而易见性。 通过上述措施，在专利文件中预先埋下创造性论据，有助于审查时说服审查员认可算法特征的贡献。

指南对法律和伦理的明确要求（专利法第五条）将影响企业的研发取向。AI项目在立项和实施时，企业应同步评估其法律风险和社会影响：涉及个人隐私数据的项目，要优先考虑合规方案（如获取用户同意、数据脱敏等），从研发设计上杜绝违法路径。

涉及AI决策伦理的项目，应设置伦理审核机制，确保算法决策符合主流价值观。例如无人驾驶决策可考虑以最小伤害原则代替歧视性规则。只有在算法逻辑上符合公序良俗，相关专利才有授权机会。 同时，创造性标准的提高意味着企业应聚焦核心技术突破进行布局，而非大范围地将AI用于任何场景都去申请专利。因为平庸的应用型专利将难以通过审查，专利组合应更侧重那些有技术深度和差异化的创新。

新的指南提供了更清晰的审查尺度，这反过来帮助企业更好地准备申请文件。对企业而言，提交申请前自查说明书是否满足AI特有的披露要求，尤其注意避免“黑箱”描述。对于每项权利要求，自问“算法和硬件是如何配合产生技术效果的”，确保文件中已有解答。针对潜在第五条问题，主动删改或解释可疑内容，提交补充说明以表明合规。 这样做可以减少来回补正、驳回复审的情况，提高审查效率和授权概率。

Maxipat致力于作为成为科技创新和知识产权工作的AI加速器，主要包括辅助创新：提高研发的科技创新效率；智能搜索与分析：将专利搜索和报告制作借助AI实现智能化，包括智能查新、无效、FTO、Landscaping报告；投资助手：快速生成投资赛道报告、专利购买筛选、专利转化评估。目前开放注册中。辅助科技创新和知识产权工作的AI智能体

感兴趣的朋友可以通过以下三种方式填写申请信息：

1. 请发邮件到邮箱：info@maxipat.com

2. 点击文末阅读全文；

3. 扫描以下二维码

感兴趣的朋友可以加笔者微信patentlight