中美在人工智能領域的專利申請最新指引與實例分析

#本文由作者授權發(fā)布，不代表IPRdaily立場，未經作者許可，禁止轉載#

“2024年發(fā)布的USPTO專利客體審查指南更新以及中國的AI專利申請指引，為AI相關專利申請劃定了更加清晰的邊界。”

來源：IPRdaily中文網（iprdaily.cn）

作者：佑斌

近年來，人工智能技術迅猛發(fā)展，相關專利申請量大幅增長，給現行專利審查帶來了新挑戰(zhàn)。中國、美國的相關部門都在2024年發(fā)布了AI相關發(fā)明專利的審查指南、申請指引。2024年2月13日，美國專利商標局發(fā)布《AI輔助發(fā)明的發(fā)明人資格指南》，緊接著在2024年7月17日，美國專利商標局發(fā)布《包括AI的專利客體的審查指南更新》，公開了涉及AI發(fā)明專利的客體資格審查指引案例，旨在為AI相關的發(fā)明專利申請作出指引。2024年12月31日，中國國家知識產權局發(fā)布《人工智能相關發(fā)明專利申請指引（試行）》，對AI輔助發(fā)明的發(fā)明人資格問題、AI發(fā)明專利客體、創(chuàng)造性、說明書公開充分等問題作出規(guī)定。

《人工智能相關發(fā)明專利申請指引（試行）》（下稱“指引”）。該指引在現行專利法和審查指南框架下，進一步細化了AI領域專利審查政策，針對人工智能專利申請中的熱點法律問題提供了操作指引。

主要內容包括：

專利客體標準：明確了如何判斷AI發(fā)明是否屬于專利法意義下的技術方案，避免被認定為抽象的智力活動規(guī)則。

創(chuàng)造性評價：給出了在創(chuàng)造性審查中如何考慮算法特征技術貢獻的標準，提出了“算法特征與技術特征功能上相互支持、存在相互作用關系”的判斷思路。

充分公開要求：針對AI算法復雜、“黑箱”等特性，提供了說明書撰寫的指導原則，幫助申請人滿足專利法對充分公開的要求。

其他問題：例如發(fā)明人資格（明確人工智能本身不能成為專利發(fā)明人）及倫理考慮等，也有所提及。

《指引》的發(fā)布對AI相關專利審查產生了積極影響。一方面，它為審查員和申請人提供了統一預期，減少理解分歧，提高審查效率；另一方面，通過明確關鍵審查標準（客體、創(chuàng)造性、公開等），幫助申請人更清晰地了解專利申請要求，避免因理解不當導致駁回，提高申請成功率?？傊?，《指引》為人工智能創(chuàng)新提供了及時的專利保護指引，有助于激發(fā)創(chuàng)新活力，促進AI技術發(fā)展和產業(yè)應用。

《指引》首先對常見的人工智能相關發(fā)明進行了類型劃分，以便針對不同類型給出有側重的申請建議。按照人工智能在發(fā)明方案中的作用，主要可以分為三大類型：

（1）模型本身的專利

涉及人工智能算法或模型本身的改進或優(yōu)化，例如新的模型結構、模型壓縮方法、模型訓練算法等。這類發(fā)明專注于AI技術本身的突破，是對AI模型內部機理的改進。例如：

CN118036755B專利：提出了一種“大語言模型的量化方法及推理方法”，通過對大型語言模型各層參數進行量化處理，降低模型占用的存儲和計算資源。這一發(fā)明解決了大模型部署中的內存占用問題，實現了在不顯著損失精度的情況下壓縮模型規(guī)模，屬于模型本身的優(yōu)化創(chuàng)新。

CN117273148B專利：涉及對深度學習模型的訓練過程改進，提高了模型收斂效率和性能。這些案例表明，只要在AI模型算法層面有新的技術方案（如新的網絡結構、參數優(yōu)化方法等），都可以作為發(fā)明內容申請專利。

（2）模型的功能

涉及基于人工智能算法或模型所實現的功能。這類發(fā)明并不側重于改變模型的內部結構，而是將現有AI模型用于實現特定的技術功能，作為發(fā)明方案的內在部分。常見的AI功能包括：自然語言處理（使計算機理解/生成語言）、計算機視覺（使計算機“看懂”圖像/視頻）、語音處理（識別和合成語音）、知識表示與推理（如知識圖譜）、數據挖掘分析等。發(fā)明人可以利用這些AI功能模塊，賦能傳統技術方案以實現新的效果。例如：

CN117114063B專利：由百度公司獲得，名稱為“用于訓練生成式大語言模型和用于處理圖像任務的方法”。該發(fā)明將生成式大語言模型（LLM）應用于圖像處理任務，涉及計算機視覺和大模型技術的結合。通俗而言，就是讓原本擅長語言處理的模型去“看圖說話”，需要特殊的訓練方法來賦予模型圖像理解和生成能力。這體現了AI模型功能的跨領域應用，也是專利保護的功能型AI發(fā)明。

CN118036661B專利：公開了一種“大語言模型混合精度量化方法”，通過在模型推理時采用混合精度計算，提高了大型AI模型的運行效率。雖然這項發(fā)明看似也在優(yōu)化模型，但它的出發(fā)點是為了實現“在有限硬件資源上高效運行大模型”這一功能。因此我們也可將其理解為圍繞模型功能實現的優(yōu)化方案，使得AI模型的功能在實際應用中更高效地發(fā)揮。

（3）模型在特定領域的應用

涉及將人工智能模型應用于具體行業(yè)領域或場景的發(fā)明。這類專利關注AI賦能傳統領域，利用AI技術解決該領域特有的技術問題。應用領域廣泛，包括交通運輸、電信、醫(yī)療健康、安全、商業(yè)、教育、娛樂、金融等各行各業(yè)。例如：

CN118053451B專利：同樣是將人工智能模型用于某特定行業(yè)場景的發(fā)明（例如在工業(yè)控制或醫(yī)療診斷場景中應用AI模型，實現傳統方法難以達到的智能化功能）。這類發(fā)明的共同特點是：針對特定領域存在的技術痛點，引入適當的AI模型并進行優(yōu)化改造，從而提出新的技術解決方案。只要方案中AI模型的應用是解決該領域技術問題的關鍵組成部分，就有可能獲得專利保護。（專利解讀來源于Maxipat）

以上三類典型類型涵蓋了“AI算法本身創(chuàng)新”到“AI賦能通用功能”再到“AI賦能具體行業(yè)”的不同層次創(chuàng)新?！吨敢丰槍γ糠N類型的特點提供了相應的審查關注點和撰寫建議，以幫助申請人有針對性地準備申請文件。下面我們將結合案例，分別從專利客體、創(chuàng)造性和充分公開三個關鍵審查要求出發(fā)，分析AI發(fā)明專利的申請要點。

專利客體要求是指發(fā)明是否屬于專利法保護的技術領域，尤其對于AI相關發(fā)明，需要判斷其是否構成技術方案而非純粹的智力活動規(guī)則。根據中國《專利法》和審查指南，抽象的智力活動規(guī)則和方法是不授予專利的。由于人工智能算法本質上基于數學模型和算法，如果一項AI發(fā)明僅僅停留在數學算法或理論本身，沒有具體技術應用，就可能被認定為智力活動規(guī)則，從而不屬于專利保護客體。舉例來說，“一種基于抽象算法且不包含任何技術特征的通用神經網絡模型建立方法”，由于沒有具體技術手段，僅是數學算法流程，這種權利要求就會被視為智力活動的規(guī)則和方法，不可被授予專利權。

為避免AI發(fā)明落入“非專利客體”的禁區(qū)，《指引》給出了明確的建議：在權利要求中引入與算法特征相關聯的技術特征。也就是說，申請人在撰寫權利要求時，不應只描述純算法步驟，還應當限定其在具體技術環(huán)境下的實施。比如權利要求中指出算法由特定硬件（如“由人工智能芯片運行”）執(zhí)行，或者限定算法用于處理特定工業(yè)數據或信號（如“用于對圖像進行處理和分類”）。

這樣，權利要求整體上就包含了硬件實體或面向具體數據的操作，屬于技術手段的應用，不再是純智力活動規(guī)則。例如，《指引》中提到：將神經網絡模型處理方法限定用于圖像數據的分類，因為“對圖像數據的處理和分類”屬于技術領域的操作，因此這樣的方案整體上被視為技術方案而非智力活動。同理，在我們的案例中，每項專利都結合了具體的應用場景：如大語言模型的量化方法是面向計算機存儲/計算資源優(yōu)化的技術手段，生成式模型處理圖像的方法涉及圖像處理領域，這些限定使得權利要求不只是數學方法，而是扎根于特定技術問題的解決方案。

當然，避免被認定為智力規(guī)則只是第一步。即使權利要求不屬于智力活動規(guī)則，還必須符合專利法第二條第二款關于“技術方案”的要求。也就是權利要求的方案需要體現為利用自然規(guī)律解決一定的技術問題，獲得技術效果。判斷標準是：看發(fā)明面向的問題是否屬于技術問題，所采用的手段是否遵循自然規(guī)律（如工程原理、計算機技術原理），達到的效果是否是自然規(guī)律作用下的可驗證技術效果。對于AI發(fā)明來說，關鍵在于所解決的問題要是技術領域的問題，而不是單純的商業(yè)、管理或人文領域問題；以及算法的作用要落實到技術效果上。例如，利用神經網絡模型預測食品安全風險，如果通過引入時間戳、基于各時刻的數據訓練模型，從而提高了對未來時間點風險預測的準確度，那么這里解決的是預測準確性這一技術問題，采用的是數據處理建模的技術手段，達到了更準確預測的技術效果，此方案就構成技術方案。反之，利用神經網絡預測經濟景氣指數的例子則被《指引》明確為不構成技術方案。因為經濟景氣指數與經濟數據、電力數據之間的關聯主要反映經濟規(guī)律而非自然規(guī)律，換言之問題出在經濟領域（非技術問題），算法探尋的是經濟規(guī)律模式，沒有引入任何工程技術手段。因此即使用了AI模型，也未利用技術手段，不屬于專利法意義上的技術方案。

對于如何確保AI發(fā)明符合客體要求，《指引》也提供了實用的撰寫和答復建議。首先，在撰寫申請文件時，建議申請人在說明書中詳細闡明發(fā)明要解決的技術問題、采用的技術手段和獲得的技術效果。將這些內容前置準備好，不僅有助于撰寫清晰的權利要求，也便于日后答復審查意見時說明方案的技術屬性。如果審查過程中遇到疑問，可以在答復審查意見時，根據原說明書記載適當修改權利要求，并在意見陳述中充分論證修改后的方案屬于技術方案。這種做法在實踐中非常重要——例如某項AI發(fā)明最初權利要求寫得比較抽象，審查員提出客體異議，申請人就可以根據說明書，把權利要求限定到具體技術應用場景，并解釋算法如何解決技術問題、產生技術效果，以說服審查員。這實際上是將發(fā)明的技術實質亮出來，避免因表述不清而被當作非技術方案。綜上，只要申請人從一開始就把算法放到具體裝置或應用中去描述，并突出技術問題-技術手段-技術效果的鏈條，AI相關發(fā)明通過客體審查的幾率就會大大提高。

創(chuàng)造性是發(fā)明專利授權的核心要求之一。對于人工智能發(fā)明來說，審查創(chuàng)造性時一個突出難點在于：很多算法和模型本身是已知的，如果發(fā)明只是將常規(guī)AI算法用于某個場景，往往容易被認為是顯而易見的應用。鑒于此，《指引》針對算法類發(fā)明提出了“算法特征與技術特征功能上相互支持、存在相互作用關系”的判斷標準。簡單來說，就是看算法特征和其他技術特征之間是否緊密結合，共同構成了解決技術問題的手段，并產生了相應技術效果。如果是，則應當作為一個整體來看待，從而算法本身對方案的貢獻也計入創(chuàng)造性評價；反之，如果算法與技術場景結合松散，可有可無，那么僅憑算法的已有性就可能導致創(chuàng)造性不足。

那么如何使算法特征與技術特征達到“功能上相互支持”呢？《指引》給出了很實用的撰寫要點：在涉及將AI模型用于特定功能或領域的發(fā)明中，申請文件應明確：要實現該功能/應用所要解決的技術問題，所采用的遵循自然規(guī)律的技術手段（算法在其中如何運作），以及獲得的技術效果。尤其當發(fā)明對現有算法流程或模型參數進行了特殊調整以適應特定用途時，要寫清楚該調整解決了哪些技術難題，帶來了哪些有益的技術效果。只要能夠說明：算法經過改進后針對特定問題取得了技術突破，那么就可認為算法特征與整體技術方案是相互作用、互相支撐的，算法的新穎貢獻應算入創(chuàng)造性評價。

舉例來說，《指引》中提到機器人跌倒狀態(tài)檢測的案例：

某發(fā)明提出了一種基于多傳感器的仿人機器人跌倒檢測方法，其中引入了一種新的模糊決策算法來判斷機器人穩(wěn)定狀態(tài)，比起現有技術更好地解決了如何準確判斷機器人是否將要跌倒這一技術問題。在這個方案中，傳感器硬件（技術特征）和模糊決策算法（算法特征）緊密配合：算法處理傳感器數據，輸出機器人姿態(tài)穩(wěn)定性的判斷，成功預判跌倒方向，顯然取得了技術效果的改進。因此這里算法和裝置是功能上互相支持的，新的算法成為技術方案不可或缺的一部分，應計入創(chuàng)造性評價。這種情況下，即便該模糊算法本身源自已知原理，只要其應用組合創(chuàng)造性地解決了機器人領域的難題，就可以認定整項發(fā)明具有創(chuàng)造性。

反過來，如果發(fā)明只是簡單將現有AI算法應用到另一個場景，而未做任何改進，則可能難以通過創(chuàng)造性審查?！吨敢访鞔_指出：對于此類情形，需要綜合考慮算法/模型應用場景的遠近、是否存在應用啟示、跨場景應用的技術難度、是否克服技術障礙以及是否產生出人意料的技術效果等因素。若只是直接換了應用數據，算法本身沒有調整，效果也在意料之中，那么這樣的方案通常被認為是顯而易見的。例如，將一種用于識別圖像中水果的現有深度學習算法拿來識別圖像中的船只。兩者技術實現上并無差異，唯一改變的是訓練數據從水果變成了船只。如果算法結構、訓練方法都未做新的設計或克服特別的困難，輸出準確率的提升也只是源于訓練數據本身，這種應用就缺乏創(chuàng)造性。因為對于本領域技術人員來說，把一個圖像識別模型從識別水果改為識別船只，是一個順理成章的嘗試，不需要創(chuàng)造性的勞動，也沒有產生意想不到的效果。

此外，還有一種情況是AI算法與計算機系統的內部結構產生特定技術關聯，比如針對算法優(yōu)化設計硬件架構，或利用算法提高計算機內部資源管理效率等。如果發(fā)明涉及這方面的改進，使計算機系統性能得到提升，那么算法特征與硬件特征可作為一個整體看待，其結合帶來的性能提升也應視為創(chuàng)造性貢獻的一部分。這實際上拓寬了創(chuàng)造性考量的視角：不局限于算法本身新不新，而是看算法與其他技術要素一起有沒有形成非顯而易見的新效果。例如我們前述的CN118094037B顯存管理專利，就屬于AI模型與計算機體系結構相結合的創(chuàng)新，它通過特定的顯存調度算法提升了GPU對大模型的支持能力。如果這一方案在申請時并非業(yè)界普遍采用的常規(guī)手段，且顯著改善了性能，那么顯然具有創(chuàng)造性。

總的來說，針對AI發(fā)明的創(chuàng)造性要求，申請人應當重點突出發(fā)明的技術突破點：是算法本身有創(chuàng)新（如新的網絡結構、訓練策略），還是算法在特定應用中有巧妙的改進或結合（如為解決行業(yè)難題對算法進行了特別調優(yōu)），抑或算法與系統深度融合帶來了技術效果？在撰寫專利時，用技術問題和技術效果來框定發(fā)明的貢獻點，并相應強調現有技術中不存在這一結合或無法取得相同效果。我們看到，上述案例如百度的多模態(tài)大模型專利，就解決了怎樣讓語言模型執(zhí)行視覺任務的技術挑戰(zhàn)；華為的大模型量化專利則實現了現有技術中難以兼顧的“大模型高精度推理與低資源占用”。這些技術上的非顯而易見進步正是他們獲得專利的原因。遵循《指引》提供的思路來布局創(chuàng)造性論述，無疑將有助于AI專利申請人在審查中更有效地證明發(fā)明的創(chuàng)造性。

充分公開是指專利說明書需要對發(fā)明作出清楚完整的描述，以使本領域技術人員據此能夠實施。本來，這一要求對任何技術領域都適用，但在人工智能領域尤其具有挑戰(zhàn)性。原因在于：AI算法往往高度復雜和抽象，例如深度學習模型包含大量層次和參數，內部工作機制猶如“黑箱”，很難用簡單文字完全闡明。另外，AI算法的效果高度依賴于具體的數據集和實驗環(huán)境，結果的可重復性和可驗證性較難保證。這導致，如果說明書披露不充分，審查員可能懷疑本領域技術人員能否實現或復現發(fā)明的技術效果，進而發(fā)出不符合充分公開的駁回理由。

針對這一問題，《指引》專門分析了不同類型AI發(fā)明在說明書撰寫中的關注點，并提供了一些指導建議?？偨Y來說，不同類型的AI創(chuàng)新在撰寫說明書時應把握以下要點：

模型訓練方面的發(fā)明：如果發(fā)明貢獻在于新的模型訓練方法，說明書中應當清楚記載模型訓練所涉及的算法及具體步驟、訓練流程等。也就是把訓練數據準備、網絡結構、訓練策略、超參數設置、收斂判別標準等關鍵細節(jié)交代清楚。這樣本領域工程師才能按照說明書復現訓練過程，獲得相應模型。在我們的案例中，如CN117114063B涉及將大語言模型用于圖像任務，那么訓練中可能有哪些特別設計（例如多模態(tài)訓練步驟、損失函數調整等）都需要充分披露，才能支撐如此復雜的模型訓練發(fā)明。

模型結構方面的發(fā)明：如果發(fā)明貢獻在于新的模型架構或結構改進，說明書中應詳細描述模型的必要模塊組成、層次結構、各部分連接關系等。并且要準確、客觀地寫明模型實現了什么功能、達到了什么效果。必要時，可以通過實驗數據或對比分析來證明新結構帶來的性能提升。例如CN118036755B的大模型量化專利，說明書中想必列舉了在典型數據集上的測試結果，證明量化后模型內存占用大幅降低且精度損失很小，以此來佐證該量化方法的有效性和技術效果。本領域技術人員據此就能理解：該量化方案如何實施，以及實施后性能指標如何，這是充分公開的重要體現。

特定領域應用的發(fā)明：如果發(fā)明主要在于AI在某具體場景的應用，說明書應明確描述AI模型如何和該應用場景結合。包括：輸入輸出數據是如何取得和預處理的，模型在該場景中執(zhí)行哪些步驟，產生什么輸出，以及輸入和輸出數據之間有何關聯。必要的話，應解釋這種關聯性為何能夠解決該領域的問題。本領域技術人員看了說明書，應當能明白模型在此場景下是怎么工作的、為何可以達成所述功能。

通過上述針對性的披露，申請人可以大大增強說明書的可實施性，避免“本領域技術人員無法實現”的質疑?！吨敢冯m然承認這些建議仍比較原則，并未給出具體案例細節(jié)，但其指導思想很明確：哪塊是發(fā)明創(chuàng)新點，就把哪塊拆開了講透，該給算法流程的就不給結論性描述，該給參數和實驗數據的就不要惜字。如指引所言，這對于當前快速演進的AI領域尤為重要，因為模型結構、訓練方法層出不窮，大家對如何撰寫這類發(fā)明還在摸索。充分詳實的披露不僅有助于申請順利授權，也關系到專利授權后的穩(wěn)定性。如果說明書含糊不清，日后專利維權時很可能因不符合支持要求或不清楚而被無效掉。我們在案例中看到，這些獲得授權的AI專利無一不是技術細節(jié)豐富的：無論是模型算法（如量化策略、訓練步驟）還是應用流程（如數據處理和系統架構），都有較完整的描述支撐，保障了專利的含金量。

綜上，《人工智能發(fā)明專利申請指引》通過細化客體標準、創(chuàng)造性判斷和充分公開等關鍵要求，為AI領域的專利申請?zhí)峁┝嗣鞔_的路線圖。申請人應當結合自身發(fā)明類型，參考指引中的建議撰寫申請文件和權利要求，避免純算法堆砌，突出技術效果證明，并詳盡披露實現過程。通過本文介紹的典型案例可以看出：只有將AI發(fā)明放在技術方案的框架下充分闡述，其新穎性和創(chuàng)造性才能被審查員正確認知，從而大幅提高專利申請的成功率。面對日益激烈的AI技術競爭，善用《指引》精神來布局專利，無疑將使創(chuàng)新成果獲得更有力和穩(wěn)健的保護。

美國專利商標局（USPTO）于2024年7月發(fā)布了《專利客體審查指南更新》，專門針對人工智能相關發(fā)明的專利適格性（Subject Matter Eligibility）提供了新的說明和示例。該指南重申：AI相關發(fā)明并沒有特殊的額外門檻或豁免，其客體審查仍按照現有的專利適格性框架進行。也就是說，無論一項發(fā)明是否由AI開發(fā)或包含AI元素，審查員都應應用Alice/Mayo兩步法，首先確認權利要求屬于法定類別，然后判斷其是否“涉及司法例外”以及是否包含“顯著超過”司法例外的附加元素。USPTO明確指出：“AI輔助完成的發(fā)明并非在專利適格性上被一刀切地排除”，發(fā)明是否可專利取決于其權利要求內容本身，而非研發(fā)過程中使用了AI與否。

針對AI發(fā)明在審查實踐中的難點，新指南著重澄清了兩大關鍵問題：一是如何判斷權利要求是否引用了抽象理念（Step 2A第一步），二是當權利要求涉及抽象理念時，如何評估其是否被整合進實際應用（尤其是是否改進了計算機功能或其他技術領域，對應Step 2A第二步)。指南承認，對于AI發(fā)明而言，Step 2A第一步可能具有挑戰(zhàn)性，因為許多AI發(fā)明都涉及數學算法或數據處理等抽象概念。因此，USPTO強調審查員需區(qū)分“權利要求認定了抽象理念”（則需要進一步適格性分析）與“僅涉及或基于抽象理念”（則可能不屬于司法例外）。簡單來說，如果權利要求的限定僅僅“在使用”某種算法或數學方法，但整體上并未將其作為發(fā)明主題加以主張，則不應一概視為認定了抽象理念。

此外，指南對Step 2A第二步（實際應用）也提供了更明確的說明和案例。尤其在AI領域，若權利要求中的AI算法被用于特定的技術問題并帶來具體技術改進，則可視為將抽象理念整合到了實際應用中，從而滿足專利客體要求。例如，提高計算機運行效率、增強特定技術領域的性能等，都被作為判斷“實際應用”的重要考慮因素。

在沒有步驟2A的第二個分支的情況下，權利要求引用了司法例外之后，就要進入步驟2B，要判斷權利要求是否具有附加因素足以明顯超過司法例外，這一點實際上就是含有初步的創(chuàng)造性的判斷，即附加的因素帶來創(chuàng)造性的貢獻。

在步驟分成兩個分支的情況下，第二分支是判斷附加因素是否將司法例外整合到實際應用中。這其中有一部分的判斷是和步驟2B有重疊的，但是要比直接進入步驟2B進行評估要寬松，在步驟2A的第二分支中判斷附加因素是否無關緊要的額外手段（insignificant extra-solution activity）或者僅僅是應用司法例外的指示。如果是這兩種情況，比如只是在權利要求中到“接收信息”、“發(fā)送信息”，這就是典型的無關緊要的額外手段，不會因為這些內容讓含有算法特征的權利要求符合客體標準。僅僅是應用司法例外的指示主要指在權利要求中寫一些套話，比如“用訓練的神經網絡去處理”這些指令性的描述。

在步驟2A的第二分支中，當權利要求反映了對計算機功能的改進或者其他技術領域的改進，這時候就相當于將司法例外整合到實際應用了。所以步驟2A的第二分支是隱含創(chuàng)造性的初步判斷的。但是步驟2A的創(chuàng)造性的判斷要比步驟2B要寬松，步驟2B是要明確排除公知、常規(guī)的、管用的手段，步驟2A的第二分支是排除掉無關緊要的額外手段或應用例外的指令或指示。二者有明顯區(qū)別，也正是這個區(qū)別讓進入美國的人工智能申請因為客體被駁回的減少了很多。

值得注意的是，新指南還再次強調了發(fā)明人必須是自然人的原則：僅由AI自主完成的創(chuàng)新不屬于可獲得專利權的發(fā)明。AI可作為工具輔助發(fā)明創(chuàng)造，但不能取代人被列為發(fā)明人。總的來說，2024年7月的這次指南更新為AI相關的專利申請?zhí)峁┝烁逦目腕w適格性判斷標準，并附帶了三個全新示例案例（47/48/49）來說明如何應用這些標準。

新版指南提供了三組AI相關的假想案例（Examples 47、48、49），模擬審查過程以說明哪些類型的AI發(fā)明是專利適格的，哪些則會被認定為抽象概念而不予保護。這些案例的設置和分析對申請人具有指導意義，揭示了撰寫AI發(fā)明專利申請時應注意的要點。下面分別解析這三個新增案例及其示范意義：

案例47：異常檢測（Anomaly Detection）

背景：案例47涉及利用人工神經網絡（ANN）進行異常檢測的發(fā)明。該案例的權利要求設計了兩種情形，一是具有具體硬件結構的實現方式，二是僅概括算法步驟的實現方式，從而比較二者在適格性上的差異。

權利要求1（硬件實施）：一項包含多層神經元和突觸電路的特殊裝置或系統，用于檢測異常模式。例如，權利要求中限定了若干“神經元”組件（包含寄存器和處理單元）以及存儲突觸權重的電路，共同構成了一個人工神經網絡。USPTO的分析認為，該權利要求描述的是具體的機器結構和硬件組件，并未落入抽象理念的范疇。換言之，此權利要求雖然“涉及”了AI算法（神經網絡模型），但所限定的是一種硬件裝置本身，屬于有形的技術方案，并不“認定”抽象理念。根據指南，這樣的權利要求沒有包含司法例外，因而不需要進行進一步的Alice測試分析，即可判定為專利適格。案例47通過此情形強調：將AI算法以具體技術手段實現（如特殊電路或芯片），能夠避免觸及抽象理念的禁區(qū)。正如USPTO提醒審查員的，那些只是涉及而非認定了抽象概念的發(fā)明，應當被視為符合專利客體要求。

權利要求2（算法流程）：相較之下，另一情形的權利要求用更抽象的方式描述AI異常檢測，例如僅列舉利用神經網絡模型分析數據以識別異常的步驟，而未限定具體技術手段。假設該權利要求包含：獲取數據、對數據進行離散化處理、利用神經網絡執(zhí)行訓練和檢測等步驟。USPTO分析發(fā)現，此方案中包含多個抽象概念：例如“離散化”步驟可在人腦中完成，屬于 mentale process（人類心智活動）；神經網絡的訓練過程涉及數學算法（如反向傳播和梯度下降），屬于Mathematical Concept（數學概念）。因此，該權利要求認定了抽象理念，需要進一步審查其附加元素是否將其整合成實際應用或構成發(fā)明構思。經分析，USPTO認為該權利要求僅僅調用通用計算機和ANN實現既定結果（“檢測并分析異常”），并未具體限定神經網絡如何實現改進或發(fā)揮技術作用。計算機和神經網絡在此只是執(zhí)行指令的工具，相當于在抽象理念后面簡單附加“用計算機實現”或“應用它”的做法。缺乏實質性的技術限定，使得該方案沒有被整合到任何具體應用中，也沒有額外的發(fā)明構思，因而被認定為不符合專利客體要求。案例47通過這一對比，示范了同樣是AI異常檢測，如果權利要求書寫得過于抽象（僅強調算法本身或結果，而無具體技術手段或應用場景)，就會落入“不專利的抽象想法”范圍；反之，結合具體硬件結構或明確技術改進能夠使AI發(fā)明通過適格性門檻。

案例48：語音分離（Speech Separation）

背景：案例48聚焦基于AI的語音信號分離技術。該案例提供了三個示例性權利要求，其中一個被視為不適格，另外兩個被視為適格，重點比較了簡單數據處理和具體應用方案的區(qū)別。

權利要求1（不適格）: 涉及一種語音分離的方法，包括步驟：接收混合語音信號、將其轉換為時頻域的頻譜圖、提取特征、并使用深度神經網絡（DNN）生成對應的嵌入向量。這些步驟基本上是對音頻信號進行數學轉換和特征計算。指南指出，權利要求1僅涉及對信息的數學處理，本質上是**“利用數學技術操縱信息”這一抽象理念，沒有進一步限定這些處理結果如何用于實際的技術用途。盡管這些步驟對于實現語音分離算法是必要的，但它們本身并未增加任何額外的技術限制或發(fā)明性的概念，因此該權利要求被認定為“執(zhí)行數學算法的抽象方案”，不符合專利客體要求。簡單來說，權利要求1只是描述了常規(guī)的數據接收和處理流程，缺乏將結果應用于具體技術問題的限定，因而被判定為抽象且不專利。

權利要求2（適格）: 在權利要求1的基礎上增加了后續(xù)步驟，例如將神經網絡輸出的嵌入向量進行聚類、對每個聚類應用掩膜以提取單一聲源的語音信號，進一步合成新的音頻并傳輸儲存。更關鍵的是，案例描述中指出這些分離出的語音信號被用于提升特定應用的性能——如用于語音識別系統，以提高免提環(huán)境下語音指令識別的準確率。通過增加步驟4-8，權利要求2將純粹的信號分離過程與具體的技術應用情景關聯起來：它不只是分離聲音，而是利用分離結果來改進語音識別這一實際技術效果。USPTO分析認為，這些附加步驟對抽象結果賦予了有意義的限制，將原先的數學處理過程整合進了一個實際應用（提高語音識別精度的系統），從而使該權利要求滿足專利適格。對比權利要求1，權利要求2多了一個層次——將AI算法的輸出投入后續(xù)具體用途，產生實用效果，因此具有專利客體資格。案例48由此示范：對于AI算法處理（如語音分離）類發(fā)明，僅有輸入->算法->輸出的描述可能不夠，還應當明確算法輸出如何運用在特定領域以解決實際問題。通過闡明AI在特定情境下帶來的技術改善（例如降低噪聲干擾、提高識別準確率），可以將抽象算法轉變?yōu)榭蓪＠募夹g方案。

案例48的分析對申請人具有指導意義。如果一項AI發(fā)明涉及信號處理或數據分析類步驟，申請人在撰寫權利要求時應考慮加入后續(xù)應用或具體用途。正如指南所示，增加諸如“將結果用于XX系統以實現YY改進”之類的限定，有助于表明發(fā)明解決了特定技術問題而不僅僅是在做數學運算，從而提高通過101適格性審查的概率。

案例49：纖維化治療（個性化醫(yī)療AI應用）

案例49涉及利用AI模型輔助制定個性化醫(yī)療方案的發(fā)明。具體場景是針對青光眼患者植入微支架后的術后纖維化（瘢痕）治療個性化方案，即通過患者基因信息預測其發(fā)生術后炎癥并發(fā)癥的風險，并相應調整治療。這個案例旨在說明，在醫(yī)療診療領域應用AI的專利申請中，如何劃分抽象思想（如疾病風險評估中的算法）與實際應用（具體治療步驟）的界限。

權利要求1（不適格）: 包含步驟：提取患者樣本并基因分型得到基因型數據集；利用一種AI模型（如“ezAI”模型）對若干遺傳位點賦權計算多基因風險評分，據此識別該患者為術后炎癥高風險；以及據此給予患者“適當的治療”?？梢钥闯觯瑱嗬?結合了生物信息分析和醫(yī)療決策：前兩步涉及生物數據的獲取和數學算法計算（屬于抽象概念或自然規(guī)律的運用），最后一步是醫(yī)療行為。按照指南分析，前面的基因檢測和風險評估步驟屬于司法例外（涉及自然規(guī)律和抽象算法）且本身并未包含技術應用；而雖然權利要求1提到了“給予適當的治療”，但這一措辭過于籠統，并未限定具體治療手段，只是提出一個執(zhí)行決策的概念。USPTO認為，這種“適當治療”泛泛而談的表述，實質上等同于對前述抽象結果給出“應用之”的指示，并沒有將抽象的評估過程真正限定到特定實際治療方案。因此，權利要求1整體上仍被視為主要針對抽象的診斷/預測思路，屬于不適格的主。換言之，僅僅提出“根據AI分析結果進行相應治療”而不說明具體治療措施，不足以使權利要求擺脫抽象概念的范疇。

權利要求2（適格）: 在上述基礎上，進一步限定了“適當的治療”的具體形式——例如明確指出所給予的治療方案是使用X化合物的眼藥水。這一細節(jié)看似很小，但法律效果截然不同：通過將AI評估結果連接到特定的、實際的治療措施，權利要求2為抽象的算法決策增加了有意義的技術限定。USPTO分析指出，限定使用特定藥物（Compound X眼藥水）為治療，不僅使整個方案具有了特定的實質步驟，更將前面的風險預測融入到真實世界的治療應用中，因而構成了對司法例外的“實際應用”整合。結果，權利要求2被認定為專利適格。案例49表明，在醫(yī)療領域運用AI時，如果權利要求僅涵蓋數據分析和疾病風險判斷（往往被視為抽象算法或自然法則的運用），最好進一步限定具體的臨床措施（例如給藥方案、治療步驟），以確保整體方案具有技術實質。這種限定能夠將算法的輸出“落地”到實際醫(yī)療操作中，從而滿足專利客體要求。不過，指南也提醒，此類包含“實施治療”步驟的權利要求在執(zhí)法層面可能產生分割侵權等問題，因為算法分析和臨床給藥可能由不同主體執(zhí)行。因此在撰寫時需要權衡：一方面明確具體治療以通過適格性審查，另一方面盡量避免權利要求被拆分導致難以有效維權。

案例49與美國最高法院Mayo案（2012）的情形類似，后者曾裁定將體內代謝測量結果用于指導藥物劑量調整的權利要求不具專利適格性。但USPTO通過該案例示范，增加具體治療限制可以賦予AI醫(yī)療發(fā)明以“技術方案”的面貌，使其更有可能獲得專利權。需要注意的是，中國專利法明確將“疾病的診斷和治療方法”排除在可專利客體之外，因此像案例49這種涉及人體治療的方法在中國無論是否用到AI，原則上都不能獲得專利保護（見下文中美對比部分）。

美國與中國在專利客體（適格性）方面有著不同的法律框架，但對于人工智能相關發(fā)明的審查，雙方近期發(fā)布的指南表現出趨同的理念：純粹的算法或數據智力活動不應獲得專利，只有當AI方案結合了具體技術手段并解決實際技術問題時，才被視為可專利的技術方案。

美國采用司法例外（judicial exceptions）原則，即如果權利要求落入抽象理念、自然法則等例外范疇，則需進一步檢視其附加特征是否使之“顯著多于”例外本身。這一套標準源自美國法院判例（如Alice/Mayo），USPTO通過Step 2A和2B步驟加以實施。而中國則采用“技術方案”判定：中國專利法要求發(fā)明創(chuàng)造必須是運用自然規(guī)律的技術方案，將“智力活動的規(guī)則和方法”等視為不專利客體（相當于抽象理念）。因此，中國審查更關注權利要求整體是否具有技術性質，即是否運用了技術手段解決技術問題并取得技術效果。盡管表述不同，美國的“實際應用/技術改進”與中國的“技術問題-技術手段-技術效果”在精神上是一致的。

審查指南內容：2024年USPTO指南明確提出，審查AI發(fā)明時要重點關注兩方面：（1）權利要求是否認定了抽象思想（如算法、數學概念）；（2）如果包含抽象成分，是否通過特定技術上下文或改進將其整合為實際應用。與此呼應，中國國家知識產權局于2024年12月發(fā)布了《人工智能相關發(fā)明專利申請指引（試行）》，提出了“三大典型情景”來判斷AI發(fā)明是否屬于技術方案：

這些情景實際與美國判斷“實際應用/技術改進”的思路相吻合：例如，中國情景2強調提升計算機內部性能，對應美國指南所述“改進計算機本身的功能”這一實踐應用類型；情景3強調特定領域中的精度提升，類似于美國案例48中通過AI提高語音識別準確率的情形。情景1則強調數據本身的技術意義，這也與美國審查中關注算法所處理對象是否具有技術性質是一致的。比如如果AI算法處理的是醫(yī)學圖像、工業(yè)傳感器數據等具有物理意義的數據，更容易被認定為技術方案，而不僅是抽象數據處理。

情景1：算法處理具備確定技術含義的數據。如果算法處理的數據在所屬技術領域中具有確定的技術意義，使得本領域技術人員能夠直接理解該算法執(zhí)行了利用自然規(guī)律解決技術問題的過程并達成技術效果，則該方案屬于技術方案。

情景2：算法或模型與內部硬件有具體技術關聯。如果權利要求體現出算法模型與計算機內部結構間的特定關聯，解決了如提高硬件計算效率、減少存儲/傳輸、提升處理速度等內部性能問題，并取得相應技術效果，則屬于技術方案。

情景3：在特定應用領域中利用AI挖掘大數據內在關聯。如果權利要求反映出在具體應用領域對海量數據進行處理，利用AI算法（如神經網絡）發(fā)掘出了符合自然規(guī)律的內在關聯，解決了提高該領域大數據分析可靠性或精度的技術問題，取得了相應技術效果，則屬于技術方案。

相似理念：歸納而言，中美兩國都要求AI發(fā)明的權利要求中包含技術特征而非僅僅數學方法或邏輯思維。例如，美國要求權利要求包含“額外元素”將AI算法應用在具體技術環(huán)境或體現技術改進；中國則要求權利要求體現出**“技術手段+自然規(guī)律+技術效果”的鏈條，使方案呈現出技術屬性。兩國指南都建議申請人在撰寫AI相關權利要求時，應避免純算法或抽象表述，而要強調AI對現實技術問題的解決作用。另外，在發(fā)明人資格方面，中美也態(tài)度一致：指引重申發(fā)明人必須是自然人，AI不能署名為發(fā)明人。USPTO亦在2024年早些時候明確了相同立場，強調完全由AI創(chuàng)作的發(fā)明不被承認為可專利發(fā)明。

這實際上在客體審查階段就將“AI自主產出”排除在外了。

差異與特點：盡管理念相通，法律技術上的差異仍然存在：司法例外 vs 技術方案: 美國的做法是在確定權利要求屬于工業(yè)應用領域后，再通過司法例外原則篩除過于抽象的內容；中國則是在一開始就要求方案本身具備技術屬性，否則直接不被視為發(fā)明創(chuàng)造。這導致美國申請人經常需要針對101條款拒絕進行抗辯，而中國申請人則更多在說明技術效果上下功夫以避免被認定為“非技術方案”。

指南覆蓋范圍: USPTO此次指南專注于客體適格性（101問題），而《指引》更加全面，不僅涉及客體認定，還對說明書充分揭示、創(chuàng)造性評價以及倫理合規(guī)等方面提出了要求。例如，中國指南特別強調AI算法具有“黑箱”屬性，要求說明書中充分披露算法流程、參數和訓練數據等，以支持其技術效果；又如在創(chuàng)造性判斷中，要求將算法特征與技術特征整體考慮，看它們如何功能上相互支持。這些內容在USPTO的客體指南中未涉及，因為屬于專利審查的其他方面。

總之，中美兩國針對AI專利的審查基準都在與時俱進地細化。美國通過案例指導的方式闡明了抽象理念與技術應用的邊界，中國則通過歸納情景進一步明確了技術方案的判定標準。兩國制度差異下，申請人需分別注意：在美國，關注附加技術元素和改進效果以避免101拒絕；在中國，確保整個方案具備技術導向且不觸碰法律排除領域（如純智力規(guī)則）。

2024年USPTO的指南更新以及中國發(fā)布的AI專利申請指引（試行）都釋放出積極信號：專利機構正努力為AI創(chuàng)新提供更清晰的保護路徑。對于研發(fā)和申請AI相關專利的主體而言，這些指南具有重要的實踐意義：

提高可預見性，指導申請撰寫：USPTO詳述的示例和分析使得審查標準更加透明。申請人可以參照這些案例來起草專利申請，突出AI發(fā)明的實際技術貢獻，從而降低遭遇抽象客體拒絕的風險。例如，通過在權利要求中加入具體技術應用場景、明確算法帶來的性能提升或具體處理步驟，申請人能夠更有把握地滿足專利適格性要求。同樣，中國的指引明確了AI專利申請應當具備技術問題和技術效果，這為申請人提供了編寫說明書和權利要求時的準則。

鼓勵技術創(chuàng)新與布局：指南的更新表明專利局希望在保護AI創(chuàng)新與防止專利濫授之間取得平衡。通過澄清模糊地帶（如什么樣的AI算法屬抽象理念、如何體現技術應用等），可以減少審查過程中的不確定性，增強申請人對專利授權的信心。這將鼓勵AI研發(fā)人員積極將其創(chuàng)新成果申請專利，在明確規(guī)則下優(yōu)化專利布局策略。

中美申請策略差異：鑒于兩國法律框架不同，申請人應因地制宜地調整策略。在美國申請AI相關專利時，務必關注101適格性問題，充分強調發(fā)明的具體實用技術意義（例如在系統架構上的改進或在特定應用中的效果）；在中國申請時，則要確保權利要求和說明書體現充分的技術屬性，避免使用過于概念化的表述，并注意不觸及中國專利法的不授予領域。兩套指南提供的理念和示例，實際上可以交叉借鑒：申請人既要像美國指南那樣思考如何將AI發(fā)明融入實際技術應用，也要像中國指南要求的那樣寫明技術問題和手段，從而最大程度地滿足各管轄區(qū)的要求。

綜上，2024年發(fā)布的USPTO專利客體審查指南更新以及中國的AI專利申請指引，為AI相關專利申請劃定了更加清晰的邊界。申請人應深入理解其中的要點和示范案例，在專利文件中突出AI發(fā)明的技術貢獻和實際應用價值。這不僅有助于順利獲取專利權，也將推動AI技術創(chuàng)新成果以更規(guī)范有效的方式獲得法律保護。

（原標題：中美在人工智能領域的專利申請最新指引與實例分析）

來源：IPRdaily中文網（iprdaily.cn）

作者：佑斌

編輯：IPRdaily辛夷          校對：IPRdaily縱橫君

注：原文鏈接：中美在人工智能領域的專利申請最新指引與實例分析（點擊標題查看原文）

「關于IPRdaily」

IPRdaily是全球領先的知識產權綜合信息服務提供商，致力于連接全球知識產權與科技創(chuàng)新人才。匯聚了來自于中國、美國、歐洲、俄羅斯、以色列、澳大利亞、新加坡、日本、韓國等15個國家和地區(qū)的高科技公司及成長型科技企業(yè)的管理者及科技研發(fā)或知識產權負責人，還有來自政府、律師及代理事務所、研發(fā)或服務機構的全球近100萬用戶（國內70余萬+海外近30萬），2019年全年全網頁面瀏覽量已經突破過億次傳播。

（英文官網：iprdaily.com  中文官網：iprdaily.cn） 

本文來自IPRdaily中文網（iprdaily.cn）并經IPRdaily.cn中文網編輯。轉載此文章須經權利人同意，并附上出處與作者信息。文章不代表IPRdaily.cn立場，如若轉載，請注明出處：“http://globalwellnesspartner.com