人工智能领域相关专利申请的审查：挑战与应对
编者按
国家知识产权局在2025年对《专利审查指南》（2023）进行局部修改后的《专利审查指南》（下称新修改的《专利审查指南》），已于2026年1月1日起正式施行。其中人工智能领域相关专利申请审查标准的修改立足于人工智能产业发展需求和申请审查实践，通过对伦理道德、创造性和充分公开等多个方面的要求，为广大创新主体和审查员提供了明确指引。本版特邀请业界专家结合《专利审查指南》最新修改内容就人工智能领域相关专利申请审查面临的挑战与应对之策进行探讨。
佘力焓
在传统的科技革命中，技术以工具性的形态呈现，人类使用技术以洞察和改变世界；而在人工智能的科技革命中，技术以目的性为指向，人类有可能在人工智能的框架内完成自我利益的实现。这不仅表征着人工智能对人类社会的深远影响，而且意味着人类社会需要重新理解技术规则。国家知识产权局近年来多次规范和完善人工智能领域相关专利申请的审查规则，为人工智能领域相关技术保护和产业发展指明了方向。
新修改的《专利审查指南》明确了人工智能无法成为发明人，发明人必须为自然人。发明人是指对发明创造的实质性特点作出创造性贡献的人，是发明创造的主体。发明人不同于专利权人。发明人是创造完成技术方案的主体，换句话说，可被授予专利权的技术方案的实质性内容和创造性贡献均来自发明人。在完成发明创造的过程中，只负责组织工作、为物质技术条件的利用提供方便的主体或者从事其他辅助工作的参与者，不属于发明人。专利法的立法目的在于激励人类的创新创造，只有人类才能实现激励机制，而机器无法被激励。在民法中，参与任何法律关系的法律主体都必须具有权利能力，对于某些特定的法律关系，参与者还必须具有行为能力。发明人是发明创造法律关系的参与者，应当具备拥有权利和承担义务的资格，还应该具备享有权利和履行义务的自由意志。人工智能并不具有权利能力和行为能力，难以成为发明人，只有人类主体才能满足发明创造法律主体资格的要求。
因而，围绕人类中心主义，人工智能领域相关专利申请需要审查发明人是否为自然人，秉承技术方案的原则，审查专利申请的客体适格性，并对专利申请客体的审查进行理论拓展。
挑战与应对一：逻辑抽象性
人工智能领域相关专利申请既涉及神经网络、遗传算法、深度学习等基础模型，也会涉及医疗诊断、电子通讯、自动驾驶等技术应用模型。这些算法模型通过大量的参数自动从海量的数据中找寻规律和知识特征，并进行自动化决策。输入与输出之间并非线性关系，而是形成网络化的联结关系。非线性逻辑的抽象性使输入和输出难以形成人类可以直接理解的因果关系，并具有抽象思维的特点。我国《专利审查指南》（2023）第二部分第一章第4.2节中明确规定各种语言的语法、汉字编码方法；计算机的语言及计算规则；计算机程序本身等在通常情况下被认为是“智力活动的规则与方法”，不能授予专利权。人工智能领域相关专利申请的抽象逻辑，使其难以成为适格的专利申请客体。
针对日新月异的人工智能领域相关专利申请，新修改的《专利审查指南》将第二部分第九章第6节的标题调整为“涉及人工智能、大数据等包含算法特征或商业规则和方法特征的发明专利申请审查相关规定”，回应了对于人工智能领域相关专利申请的审查需求。新修改的《专利审查指南》第二部分第九章第6.1节中指出，如果权利要求中除了算法特征，还包含技术特征，不排除其获得专利权的可能性。对于包含算法特征的权利要求，判断可专利性应当针对要求保护的解决方案，即权利要求所限定的解决方案进行，不应当简单割裂技术特征与算法特征，而应将权利要求记载的所有内容作为一个整体，对其中涉及的技术手段、解决的技术问题和获得的技术效果进行分析，有可能形成属于专利法规定的技术方案。
人工智能技术方案还集中于算法模型和应用场景的算法改进，因此，需要在权利要求限定的整体方案中明确应用场景的支持，充分利用说明书对权利要求的技术方案进行公开，并对必要实施案例进行充分描述。在专利授权判定的过程中，需要考虑应用场景和应用领域的转换，分析其实际解决的技术问题，考察算法特征与技术特征的结合对现有技术的技术贡献，从技术方案的改进和技术启示出发，对人工智能算法技术方案给予专利权的保护。
挑战与应对二：数据依赖性
人工智能领域相关专利申请的技术效果，取决于算法模型训练数据的数量和质量。从某种程度上而言，人工智能发明创造的法律生命在于数据，数据决定了人工智能的“法律人格”。相同的算法架构在不同的应用场景，经过不同的数据输入，将形成不同的大模型。例如，相同的算法架构分别应用于医疗系统和金融系统，经过各自系统的数据投喂和训练，最终将形成差异化的医疗大模型和金融大模型。人工智能领域相关专利申请的数据依赖与专利审查的“三性”及技术可重复性之间将产生张力和冲突，而更大的挑战在于数据训练所带来的风险。
新修改的《专利审查指南》新增了一条审查标准，即“对于包含算法特征或商业规则和方法特征的发明专利申请，如果其中的数据采集、标签管理、规则设置、推荐决策等含有违反法律、社会公德或者妨害公共利益的内容，则根据专利法第五条第一款的规定，不能被授予专利权。”这在人工智能领域相关专利申请的审查中加入伦理审查，以防范人工智能技术所引起的伦理风险，引导人工智能技术“智能向善”。人工智能领域相关专利申请的技术方案高度依赖数据训练，在数据处理中，需遵守法律法规、行业标准和社会伦理，确保数据持有、加工和经营的合规性，同时尊重和保护数据主体权益。以专利申请的申请日和授权公告日为时间节点，将人工智能领域相关专利申请的生命周期分为三个阶段，分别为申请前、审查中和授权后，在每个阶段都需要构建数据合规的可解释性要求和审查标准。
挑战与应对三：模型迭代性
人工智能领域相关专利申请依据数学模型而构建，例如机器学习算法。根据《信息安全技术 机器学习算法安全评估规范》国家标准（GB/T 42888-2023）的规定，机器学习算法是指功能单元通过学习新知识技能或整理已有知识技能以改进其性能的算法。人工智能技术可以通过机器学习而不断演进。模型迭代性可以使专利申请在数据训练阶段积累知识和信息，并在后续的技术使用过程中不断优化和调整大模型的性能。专利申请模型经过迭代更新后，后续的人工智能领域相关专利的技术效果将区别于专利申请时的技术方案。在专利审查上存在可专利性判定的难题，尤其是创造性的判断。
相比于传统技术方案，人工智能领域相关专利申请包含算法特征，其创造性审查面临新挑战。新修改的《专利审查指南》第二部分第九章第6.1.4节规定，如果权利要求中的算法应用于具体的技术领域，可以解决具体技术问题，那么可以认为该算法特征与技术特征功能上彼此相互支持、存在相互作用关系，该算法特征成为所采取的技术手段的组成部分，在进行创造性审查时，应当考虑所述的算法特征对技术方案作出的贡献。发明专利质量的高低在于创造性审查标准的把握。在人工智能飞速发展的时代，针对社会科技生活的复杂性，我国亟需确立更适配的创造性审查标准，涉及“所属技术领域的技术人员”的拟制、创造性判断方法、专利申请的说明书公开方式等。同时，人工智能领域相关专利的创造性在法律纠纷中至关重要，特别是在涉及专利侵权、商业机密窃取以及先例证据确立等案件中。
挑战与应对四：算法黑箱性
人工智能领域相关专利申请包含复杂的神经网络模型和以“亿”为单位数量级的模型参数，可以展开繁复的数据输入和非线性的运行模式，而模型内部的算法运行逻辑对于外部用户而言，在现实中处于不可见的状态。人工智能领域相关专利申请模型内部逻辑不透明，将导致技术方案无法再现并被验证其实际可行性，即所属技术领域的技术人员无法实现该技术方案，没有做到充分公开而无法被授予专利权。在人工智能领域相关专利申请中，算法技术本身的透明度影响了可专利性的判断，但算法透明并非绝对性和静态化的专利授权要件，在“有限垄断”换取“充分公开”的专利法制度设计中，算法黑箱性将导致在侵权责任承担、公平无歧视、隐私自主、社会公共福祉等方面产生伦理风险。
对算法黑箱的调适可以考虑从两个方面展开：一方面，对充分公开模式进行适应性调整，在无法提供海量数据的情况下，接受人工智能领域相关专利申请的间接公开，以“模型架构、数据训练和实施例数据的组合”形式予以公开，并采用技术效果指标予以验证；另一方面，强化技术方案的披露义务，对于自适应和动态发展的人工智能领域相关专利申请，在每年缴纳年费、维持专利权的同时提交专利性能报告，若专利性能报告内容公开不充分，则在专利侵权时无法提供相应充分的司法救济和行政救济。
作为对技术予以保护的规则体系，专利审查工作体现了人类对社会技术规则进行构造的理论和实践。正如《知识产权保护和运用“十五五”规划》提出的“适时修改人工智能相关发明专利申请指引”，在以人工智能为代表的科技创新浪潮下，专利审查工作面临从传统工业时代到人工智能时代的适应性变革。（作者单位：中国政法大学）
（编辑：刘珊 实习编辑：蔡友良）