Advance China IP Law Office
The Author：
作 者：黄恕 华进专利事业群
引言
新《专利审查指南》（根据第八十四号局令修改）于2026年1月1日起正式实施，其第二部分第九章进一步完善了人工智能、大数据客体审查基准及配套示例，第二部分第九章第6.1节对审查基准的调整尤为关键，核心聚焦专利法第二十六条第三款“充分公开”原则的落地执行。随着大模型推广与应用持续深化，“黑盒化”技术披露、输入输出关联模糊等问题将成为人工智能领域专利申请被驳回的主要原因。
本文立足笔者实务经验，以新规审查基准为核心锚点，结合指南新增的【例20】和【例21】及实务中高频出现的问题申请，拆解人工智能模型说明书从“黑盒”到“输入-处理-输出”全链路清晰化的撰写逻辑，为创新主体适配新审查标准、提升专利申请质量提供参考。
一、新规核心要求与“去黑盒透明化”的法理支撑
新《专利审查指南》第二部分第九章第6.1节修订的核心变化，是将审查视角从“权利要求文本表面”延伸至“说明书技术方案的可实现性”，要求结合全文判断技术闭环完整性，落脚点是验证方案是否满足“所属技术领域的技术人员能够实现”。针对人工智能模型这类“黑盒”发明，审查逻辑明确为“记载的技术特征能否形成完整实现路径”。具体来说，需结合不同改进方向完成全链路清晰披露：若为模型构建/训练层面的改进，则需清晰记载“输入数据→模型结构/训练步骤→输出结果→技术效果及原理”的全链路，完整记载模型必要模块、层级、训练过程及参数等核心信息；若为现有人工智能模型或算法的应用场景适配/算法层面的改进，则需清晰记载“输入输出数据设置→与具体领域或场景相结合的算法改进/适配逻辑→输出结果→输入输出数据内在关联”的全链路，明确模型或算法与具体领域、场景的结合方式，以及输入输出数据的设置方式与内在关联关系，杜绝“仅提及人工智能模型、却不披露核心逻辑”的模糊表述。
这一要求与《专利法》第一条第一款的立法宗旨深度契合。该条款明确专利制度的核心目标是“保护专利权人的合法权益，鼓励发明创造，推动发明创造的应用，提高创新能力，促进科学技术进步和经济社会发展”。人工智能模型说明书从“黑盒”走向“透明”，本质是让本领域技术人员清晰掌握技术方案的具体实现路径，进而基于该技术开展后续改进与再次创新，避免可能因“黑盒”形成技术壁垒，真正实现技术传播与迭代，精准契合“促进科技进步”的立法初衷。
同时，这一要求也符合《民法典》权利义务对等原则。申请人主张专利权这一独占性民事权利，就需承担充分公开技术方案的义务，让公众在专利保护期届满后自由利用技术，或在保护期内基于公开内容合法创新。若以“黑盒”隐瞒核心逻辑，导致技术方案无法被理解和应用，本质是权利义务失衡，违背民事法律公平原则。
二、典型案例解析：合规逻辑与公开陷阱
1
正面案例【例20】
“输入-处理-输出”的闭环公开
新规新增的正面案例【例20】，采用“第一卷积神经网络+空间变换网络+第二卷积神经网络”组合架构实现人脸特征生成，其说明书因构建完整技术闭环被认定符合充分公开要求：输入端明确限定“待识别人脸图像”，无“采集的图像数据”这类泛化表述；处理层清晰界定各网络模块功能定位与交互关系——第一卷积神经网络提取特征区域图像、空间变换网络确定特征区域、第二卷积神经网络提取区域人脸特征，虽未限定空间变换网络在第一卷积神经网络中的具体插入位置，但基于其公知特性，不影响技术方案实现；输出端明确“人脸特征集合”，并清晰建立“特征共享减少内存占用”、“精准定位提高生成准确度”的技术因果，实现模型处理逻辑与技术效果的强关联。
该案例的核心启示在于，人工智能模型说明书的“充分公开”并非“过度公开”。无需披露可通过公知常识推导的内容，但必须将“输入数据类型、模块功能分工、交互逻辑、输出与效果的关联”等核心要素讲透，避免因省略关键逻辑导致“无法实现”发明创造。
2
反面案例【例21】
公开不充分的典型陷阱
新规明确列出的反面案例【例21】，其说明书存在两项问题：一是输入数据模糊且关联依据缺失，血常规和血生化检测各包含数十项指标，说明书未明确与肿瘤预测相关的关键指标，也未说明是否对指标赋予权重、如何赋予权重；同时，除面部皮肤癌等少数情况外，现有科学研究未证实人脸特征与恶性肿瘤存在关联，说明书既未记载该关联的科学依据，也未通过实验数据验证两者的因果关系。二是技术原理模糊不清，未披露模型如何基于杂乱的输入数据（未筛选的生化指标+无关联依据的人脸特征）实现肿瘤预测，既无模型架构细节，也无特征提取、数据融合的逻辑说明，导致本领域技术人员无法基于公开内容“复现”技术方案，最终被认定不符合充分公开要求。
上述正反案例直指核心：AI模型说明书的“输入-输出”公开，不仅要明确输入输出内容，更需深度披露模型数据处理逻辑及输入输出因果关联。尤其针对模型构建或训练类申请，需彻底摒弃“只提训练数据、回避模型架构与参数”的惰性撰写思维，打破大模型“黑盒”属性、实现技术逻辑全透明，方能从根本上规避“公开不充分”的驳回风险。
三、人工智能模型说明书撰写核心要点：“黑盒”变“透明”的关键方向
1
输入端：明确“数据是什么、来自哪里、如何预处理”
结合【例20】合规撰写逻辑，输入端披露需满足具体明确、无歧义、可实际获取三项核心要求：明确数据类型与范围，如工业设备30Hz振动时域数据、医疗CT影像DICOM格式数据等，避免“多维度数据”、“相关图像数据”等模糊表述；披露预处理规则，如“对振动数据做5Hz低通滤波，剔除信噪比低于3:1的异常数据”；说明数据合法性，如“采用公开ImageNet数据集训练”、“基于用户授权匿名化医疗数据构建训练集”，同时需契合新《专利法》第五条的合规要求。
2
处理层：讲清“模型架构、模型怎么算、模型中各层级/模块怎么协作、参数怎么设置”
处理层是打破大模型“黑盒”的核心，也是公开不充分问题的高频爆发点。以“钢材表面缺陷检测方法”为例，不少专利仅记载“输入钢材图像、输出缺陷识别结果”，既无卷积层、池化层等架构信息，也未披露学习率、迭代次数等训练参数，更未说明识别技术逻辑，本质是“数据+模型名称”的堆砌，导致方案无法复现，极易因不符合《专利法》第二十六条第三款被驳回。
因此，处理层需聚焦“结构+步骤+参数”三大核心要素详细披露，以下结合该案例示范合规撰写方式：
一是明确模型结构。无需披露底层无关代码，聚焦影响特征提取与分类精度的核心架构即可。例如采用定制化CNN架构，含4个卷积块、4个池化层及2个全连接层，核心架构为“卷积块×4+全局平均池化层+全连接层×2”；每个卷积块由3×3卷积层、BN层、ReLU激活函数组成，滤波器数量依次为32、64、128、256，填充方式为“保持特征图尺寸”；2×2最大池化置于各卷积块后，全局平均池化层将高维特征图转为固定向量，全连接层神经元数量1024→5，对应5类钢材表面缺陷。
二是按逻辑描述处理步骤。预处理后的256×256×3钢材图像输入网络→4个卷积块依次提取边缘、纹理、语义特征（卷积→归一化→激活→池化）→全局平均池化层将16×16×256特征图转为256维向量→全连接层依次完成特征融合映射、输出5类缺陷概率得分。
三是公开关键参数。训练采用Adam优化器，初始学习率1e-4，迭代300轮，目标函数为交叉熵损失函数；BN层动量0.9，ReLU负斜率0.01，全连接层Dropout丢弃概率0.5。引入ReLU、最大池化等公知算法时，无需重复原理，只需说明功能定位，如“ReLU引入非线性以学习复杂缺陷特征；最大池化减少参数量并增强对缺陷位置偏移的适应性”，明确与“精准提取钢材细微缺陷特征”创新点的关联。
3
输出端：说透“结果是什么、效果怎么来、如何验证”
输出端披露需实现“结果明确+效果可验证”的双重目标：明确输出形式与含义，如输出包含5类钢材表面缺陷的概率分布向量，各维度分别对应裂纹、磨损、变形、腐蚀、无缺陷等类型，而非仅表述“输出缺陷识别结果”；建立输入-输出的因果关联。具体可以在说明书中针对具体应用实例对应的效果进一步描述为：“卷积块提取的钢材表面特征包含缺陷关键信息，经全连接层映射后，可精准输出缺陷类型概率，实现识别准确率提升至95%”；并且进一步提供详细效果验证依据，通过实验数据增强技术方案的可信度。
掌握AI模型说明书“输入-处理-输出”的透明化撰写逻辑，意味着已经掌握新规下大模型说明书撰写的基础。在实务中，“黑盒表述”、“细节堆砌”、“关联无据”等高频误区，使得专利申请文件仍然存在较大因不符合26.3规定而被驳回的风险。《新规落地，“黑盒”破局——浅谈新专利审查指南下人工智能模型的说明书撰写（下）》将直击这三大典型误区，拆解针对性避坑要点，进一步厘清“充分公开”的实操判定标准，助力提升专利申请质量。
黄恕，高级专利质控工程师、省骨干专利代理师，14年+专利代理实务经验。深耕软件、通信、人工智能、计算机网络等领域，精通新申请撰写、OA 答复、复审无效及专利挖掘布局等实务，擅长处理计算机、AI大模型、智能控制类软件专利案件，在大数据分析、自动驾驶、智能制造、智能电网等领域积累了丰富的专利实务经验，可提供高质量的知识产权服务。
往期案例
想了解更多IP内容，敬请关注：
热门跟贴