中国AI专利申请的审查基准

一、引言
近年来，向中国国家知识产权局递交的AI专利申请的数量急剧增加，2025年递交的包括AI算法改进以及AI算法应用在内的AI专利申请数量超过20万件。国家知识产权局通过对如此大量的AI专利申请的审查，也逐步明确和完善了针对AI专利申请的审查规则。本文将结合《专利审查指南》以及复审案例来总结中国的AI专利申请的审查基准。
二、智力活动的规则和方法
1、指南规定
《专利审查指南》第二部分第九章第6.1.1节规定：如果权利要求涉及抽象的算法或者单纯的商业规则和方法，且不包含任何技术特征，则这项权利要求属于专利法第25条第1款第（2）项规定的智力活动的规则和方法，不应当被授予专利权。
如果权利要求中除了算法特征或商业规则和方法特征，还包含技术特征，该权利要求就整体而言并不是一种智力活动的规则和方法，则不应当依据专利法第25条第1款第（2）项排除其获得专利权的可能性。
智力活动的规则和方法的判断相对简单，如果权利要求涉及纯粹的抽象算法，没有应用场景，不涉及具有确切技术含义的数据的处理，则其属于智力活动的规则和方法。但如果权利要求不属于单纯的智力活动的规则和方法，则还需进一步判断其是否属于技术方案。
2、案例解析
案例1涉及一种建立数学模型的方法，通过增加训练样本数量，提高建模的准确性。其权利要求1如下：一种建立数学模型的方法，其特征在于，包括以下步骤：
根据第一分类任务的训练样本中的特征值和至少一个第二分类任务的训练样本中的特征值，对初始特征提取模型进行训练，得到目标特征提取模型，其中，所述第二分类任务是与所述第一分类任务相关的其他分类任务；
根据所述目标特征提取模型，分别对所述第一分类任务的每个训练样本中的特征值进行处理，得到所述每个训练样本对应的提取特征值；
将所述每个训练样本对应的提取特征值和标签值组成提取训练样本，对初始分类模型进行训练，得到目标分类模型；
将所述目标分类模型和所述目标特征提取模型组成所述第一分类任务的数学模型。
该案例1的方法能够克服由于训练样本少导致过拟合而建模准确性较差的缺陷，并提高建模的准确性，获得了有益的效果。但是，其处理对象、过程和结果都不涉及与具体应用领域的结合，属于对抽象数学方法的优化，且不包括任何技术特征，因此，属于智力活动的规则和方法，不能获得专利权。
三、技术方案
1、指南规定
《专利审查指南》第二部分第九章第6.1.2节规定：
对一项包含算法特征或商业规则和方法特征的权利要求是否属于技术方案进行审查时，需要整体考虑权利要求中记载的全部特征。如果该项权利要求记载了对要解决的技术问题采用了利用自然规律的技术手段，并且由此获得符合自然规律的技术效果，则该权利要求限定的解决方案属于专利法第2条第2款所述的技术方案。
对于AI专利申请，其构成技术方案的条件与一般的专利申请相同，即，满足技术问题、技术手段和技术效果这三个要素。具体如何判断，《专利审查指南》给出了三种典型的情形，以便于实务操作。
具体地，《专利审查指南》第二部分第九章第6.1.2节规定：如果权利要求中涉及算法的各个步骤体现出与所要解决的技术问题密切相关，如算法处理的数据是技术领域中具有确切技术含义的数据，算法的执行能直接体现出利用自然规律解决某一技术问题的过程，并且获得了技术效果，则通常该权利要求限定的解决方案属于专利法第2条第2款所述的技术方案（情形1）。
如果权利要求的解决方案涉及深度学习、分类、聚类等人工智能、大数据算法的改进，该算法与计算机系统的内部结构存在特定技术关联，能够解决如何提升硬件运算效率或执行效果的技术问题，包括减少数据存储量、减少数据传输量、提高硬件处理速度等，从而获得符合自然规律的计算机系统内部性能改进的技术效果，则该权利要求限定的解决方案属于专利法第2条第2款所述的技术方案（情形2）。
如果权利要求的解决方案处理的是具体应用领域的大数据，利用分类、聚类、回归分析、神经网络等挖掘数据中符合自然规律的内在关联关系，据此解决如何提升具体应用领域大数据分析可靠性或精确性的技术问题，并获得相应的技术效果，则该权利要求限定的解决方案属于专利法第2条第2款所述的技术方案（情形3）。
情形1涉及算法与应用场景的结合。为了体现这种结合，需要至少满足如下两个要件：（1）算法处理的数据是技术领域中具有确切技术含义的数据；（2）算法的执行遵循自然规律。
情形2涉及算法与计算机系统的内部结构的结合。在该情形下，构成技术方案需要满足三个要件：（1）算法与计算机系统的内部结构存在技术关联；（2）解决硬件运算效率或执行效果的技术问题；（3）实现相应的计算机内部性能改进的技术效果。
情形3涉及具体应用领域的大数据的数据挖掘。在该情形中，算法与具体应用场景已经是相互结合的，但其构成技术方案的关键在于：挖掘出的关联关系应当符合自然规律。
2、案例解析
（1）关于情形1
案例2的权利要求1如下：
一种卷积神经网络CNN模型的训练方法，其特征在于，所述方法包括：
获取待训练CNN模型的初始模型参数…；获取多个训练图像；
…得到每个训练图像在所述各级卷积层上的第一特征图像；
…进行水平池化操作，得到每个训练图像在各级卷积层上的第二特征图像；
根据每个训练图像在各级卷积层上的第二特征图像确定每个训练图像的特征向量；
…对每个特征向量进行处理，得到每个训练图像的类别概率向量；
根据所述每个训练图像的类别概率向量及每个训练图像的初始类别，计算类别误差；
基于所述类别误差，对所述待训练CNN模型的模型参数进行调整；
基于调整后的模型参数和所述多个训练图像，继续进行模型参数调整的过程，直至迭代次数达到预设次数；
将迭代次数达到预设次数时所得到的模型参数作为训练好的CNN模型的模型参数。
案例2处理的是技术领域中具有确切技术含义的数据，即，图像；在不同卷积层上对图像进行不同处理并训练的手段，属于遵循自然规律的技术手段，并获得了能够识别任意尺寸待识别图像的技术效果。因此，案例2的算法与应用场景紧密结合，属于技术方案。
作为反面例子，案例3的权利要求1如下：一种基于Transformer构建样本高效世界模型的方法，其特征在于，包括如下步骤：
S0、读取历史交互数据，将历史交互数据分离得到历史动作序列数据和历史原始状态数据；其中历史交互数据包括物体状态信息、物体相对位置以及离散的动作空间；
S1、采集当前时刻的原始状态数据…转换为多尺度特征数据；…生成增强状态数据；…分别得到当前离散潜变量数据和历史离散潜变量数据；
S2、…构建因果结构数据；…生成因果增强表征数据；…输出状态预测数据；
S3、…构建时序关联数据；…计算不确定性数据；…生成多步预测序列数据；
S4、…得到分层价值数据；…计算策略梯度数据；…得到优化策略数据；
S5、…形成新交互数据；…得到优质样本数据；…生成更新模型数据；…输出模型调优数据；
其中，在工业机器人场景中，历史交互数据包括：机器人状态信息…；相对位置信息…；离散动作空间…；工艺参数数据…；系统状态数据…；
原始状态数据包括：传感器数据…；环境数据…。
案例3处理的也是在技术领域中具有确切含义的数据，例如，权利要求1中的传感器数据包括“力矩传感器读数、视觉传感器图像”等，但该案例3没有被认可为技术方案。复审决定认为：权利要求1中的工业机器人场景的历史交互数据和原始状态数据仅是模型的输入数据，是为了构建世界模型而筛选的样本数据，但是并未提及“优质样本数据”筛选条件和过程与工业机器人场景是如何密切关联的。
因此，虽然案例3限定了应用场景和具有确切技术含义的数据，但应用场景和算法之间是割裂的，根据说明书的记载，算法并未解决工业机器人的应用场景中的任何具体的技术问题，仅仅涉及模型算法的优化。
（2）关于情形2
案例4涉及一种深度神经网络模型的训练方法，其权利要求1如下：
一种深度神经网络模型的训练方法，包括：
当训练数据的大小发生改变时，针对改变后的训练数据，分别计算所述改变后的训练数据在预设的候选训练方案中的训练耗时；
从预设的候选训练方案中选取训练耗时最小的训练方案作为所述改变后的训练数据的最佳训练方案，所述候选训练方案包括单处理器训练方案和基于数据并行的多处理器训练方案；
将所述改变后的训练数据在所述最佳训练方案中进行模型训练。
案例4的算法与计算机系统的内部结构关联，即，从单处理器训练方案和多处理器训练方案中选择最佳训练方案。这足以证明模型训练方法与计算机系统的内部结构存在技术关联，而且这种技术关联能够提升训练过程中硬件的执行效果，因此，属于技术方案。
（3）关于情形
案例5涉及一种电子券使用倾向度的分析方法，其权利要求1如下：
一种电子券使用倾向度的分析方法，其特征在于，包括：
根据电子券的信息对电子券进行归类以得到电子券种类；
根据电子券的应用场景获取用户样本数据；
根据用户行为，从所述用户样本数据中提取用户行为特征，所述用户行为包括：浏览网页、搜索关键词、加关注、加入购物车、购买以及使用电子券；
以用户样本数据作为训练样本，以用户行为特征作为属性标签，针对不同种类的电子券来训练电子券使用倾向度识别模型；
通过训练后的电子券使用倾向度识别模型对电子券的被使用概率进行预测，得到用户对于不同种类电子券的使用倾向度。
该案例5是否属于技术方案的重点在于“浏览网页、搜索关键词、加关注、加入购物车、购买以及使用电子券”这些用户行为特征与用户对电子券的使用倾向度之间是否存在符合自然规律的关联关系。浏览时间长、搜索次数多、使用电子券频繁等能够体现出用户对电子券的使用倾向度高，因此，该方案挖掘出的关联关系符合自然规律，基于该关联关系的解决方案属于技术方案。
另外，作为反面的例子，如果一种金融产品的价格预测方法通过挖掘金融产品过去的价格与未来的价格之间的关联关系，并基于该关联关系来进行金融产品的价格预测，则由于这种关联关系不符合自然规律，因此该价格预测方法不属于技术方案。
四、创造性
1、指南规定
众所周知，中国的创造性采用“三步法”进行判断，AI专利申请的创造性判断也不例外。特殊之处在于，AI专利申请的权利要求中存在大量的算法特征，应当如何看待这些算法特征是需要解决的问题。
《专利审查指南》第二部分第九章第6.1.3节规定：
对既包含技术特征又包含算法特征或商业规则和方法特征的发明专利申请进行创造性审查时，应将与技术特征功能上彼此相互支持、存在相互作用关系的算法特征或商业规则和方法特征与所述技术特征作为一个整体考虑。“功能上彼此相互支持、存在相互作用关系”是指算法特征或商业规则和方法特征与技术特征紧密结合、共同构成了解决某一技术问题的技术手段，并且能够获得相应的技术效果。
根据以上规定，如果权利要求中的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，则应当将该算法特征与技术特征作为一个整体考虑，并判断该整体的特征是否被公开或启示，是否属于公知常识。但如果算法特征与技术特征不满足“彼此相互支持、存在相互作用关系”，则在创造性判断时可以无需考虑该算法特征。
至于如何判断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”，《专利审查指南》给出了两种具体情形。
《专利审查指南》第二部分第九章第6.1.3节进一步规定：
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（情形1）。
如果权利要求中的算法与计算机系统的内部结构存在特定技术关联，实现了对计算机系统内部性能的改进，提升了硬件的运算效率或执行效果，包括减少数据存储量、减少数据传输量、提高硬件处理速度等，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，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（情形2）。
情形1涉及算法特征与应用场景的结合，情形2涉及算法特征与计算机系统的内部结构的结合。在满足这两个情形的情况下，应当将与技术特征存在紧密关联的算法特征看作通常的技术特征，按照“三步法”的规则判断权利要求的创造性。
2、案例解析
案例6的权利要求1如下：
一种大坝水力发电量估算系统，包括：神经网络，借助于信息处理器构建，神经网络具有输入层和输出层，其中输入层的输入数据包含在参考时间及之前的时段内，河流上游的降水量、河流上游的水流量和进入大坝的水流入量，以及输出层的输出数据包含在参考时间之后的未来水力发电量；
机器学习单元，其使用与输入数据和输出数据的实际值对应的训练数据来训练神经网络；和
估计单元，将输入数据输入到已经通过机器学习单元进行训练的神经网络，设置当前时间作为参考时间，然后基于参考时间是当前时间的输出数据计算未来水力发电量的估计值。
对比文件1公开了一种水力发电量估算系统，其也基于“河流上游的降水量、河流上游的水流量和进入大坝的水流入量”这三个参数来估算未来的水力发电量。不同之处在于，权利要求1采用神经网络，对比文件1采用回归方程模型。
在权利要求1中，采用神经网络进行水利发电量的估算，算法特征与技术特征在功能上相互支持、存在相互作用关系。但是，使用神经网络模型执行未来输出的估计过程属于本领域的公知常识，因此，权利要求1相对于对比文件1和公知常识不具有创造性。
该案例6的从属权利要求2的附加特征是“输入层的输入数据还包含参考时间及之前的时段内河流上游的气温”，该附加特征没有被对比文件所公开。该从属权利要求2是否具有创造性，取决于“河流上游的气温变化会带来降水量的变化以及受冰雪消融影响的水流量的变化，进而会导致大坝水利发电量产生变化”是否属于公知常识。
《专利审查指南》针对AI专利申请的一些特殊情形给出了具有指导意义的案例。下面具体说明。
案例7涉及AI算法应用于不同的应用场景时应当如何判断创造性，其权利要求1如下：
一种识别船只数量的方法，其特征在于，包括：
获取船只图片数据集，并对数据集中的图片信息进行预处理，标记出图片信息中船只的位置和边界信息，并把所述数据集划分为训练数据集与测试数据集；
采用所述训练数据集进行深度学习，构建训练模型；
基于所述测试数据输入训练模型中训练，以获得船只测试结果数据；
根据所述船只测试结果数据与预设误差参数相乘，以确定出实际船只数量。
对比文件1公开了一种识别树上果实数量的方法。权利要求1与对比文件1的区别仅在于识别对象的不同。虽然船只和果实在外观、体积和存在环境等方面存在差异，但是对图片上的船只数据进行标记与对图片上的果实数据进行标记以获得用于训练的数据集并进行模型训练，没有对深度学习、模型构建或者训练过程等做出调整或者改进。因此，权利要求1不具备创造性。
该案例7的启示是，如果方案的改进在于将算法从现有的场景应用到不同的场景，则创造性判断时应当综合考虑应用场景的远近、是否存在相应的技术启示、应用于不同场景的难易程度、是否需要克服技术上的困难、是否带来预料不到的技术效果等。如果算法或模型应用于不同场景，并未通过克服技术上的困难实现对算法或模型的训练方法、参数、配置等要素的调整，也未获得预料不到的技术效果，则不能使方案具备创造性。
案例8涉及AI算法应用于相同或类似的技术场景时应当如何判断创造性，其权利要求1如下：
一种建立废钢等级划分神经网络模型的方法，所述模型用于对收储的废钢进行等级划分，包括：
…进行卷积神经网络学习形成具有等级分类输出的等级划分神经网络模型；
…对卷积层或者卷积层加池化层构成的多条线路的输出集合来实现对图像中物体颜色、边缘特征和纹理特征的提取，以及对图像中物体边缘、纹理之间关联特征的提取；
其中，所述对图像中物体颜色、边缘特征的提取由卷积层加池化层构成的三条线路的输出集合来实现，包括从左至右的第一条线路一层池化层、第二条线路二层卷积层和第三条线路四层卷积层；
所述对图像中纹理特征的提取是对上述图像中物体颜色、边缘特征的提取结果进行集合后，由卷积层构成的三条线路的输出集合来实现，包括从左至右的第一条线路卷积层、第二条线路二层卷积层和第三条线路三层卷积层；
所述对边缘、纹理之间关联特征提取的卷积层计算的线路数大于对图像中物体颜色、边缘和纹理特征提取的卷积层计算的线路数。
对比文件1公开了一种基于卷积神经网络模型对废钢种类进行识别的方法。权利要求1与对比文件1的区别在于训练的数据和提取的特征不同、卷积层和池化层的线路数量和层级设置也不同。
在权利要求1中，为了提取图像中废钢的颜色、边缘和纹理，在模型训练的过程中对卷积层和池化层的线路数量和层级设置均进行了调整，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，能够提升废钢等级划分的准确性。上述区别特征未被其他对比文件公开，也不属于本领域的公知常识，因此，权利要求1具有创造性。
该案例8的启示是，如果权利要求与现有技术相比，即使应用场景相同或相似，但在算法流程、模型参数或其他方面进行了实质性调整，而现有技术中不存在进行该调整的技术启示，同时该申请解决了不同的技术问题并取得了有益的技术效果，该方案具备创造性。
五、专利法第5条第1款
1、指南规定
《专利审查指南》第二部分第九章第6.1.1节规定：
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。
2、案例解析
案例9涉及违法法律的情形，其权利要求1如下：
一种基于大数据的商场内床垫销售辅助系统，包括床垫展示设备和管理中心，其特征在于：
所述床垫展示设备包括控制模块和信息采集模块，用于展示和辅助销售床垫产品并收集顾客数据；…所述信息采集模块包括摄像模块和人脸识别模块，用于采集顾客的面部特征信息…得到顾客的身份识别信息；
所述管理中心包括管理服务器和分析辅助系统；所述管理服务器对多个床垫展示设备进行管理；所述分析辅助系统根据顾客的身份识别信息，利用床垫展示设备收集的数据分析得到顾客的真实偏好，并向管理中心反馈分析结果。
根据中国法律规定，公共场所安装图像采集、个人身份识别设备，应当为维护公共安全所必需，遵守国家有关规定，并设置显著的提示标识。所收集的个人图像、身份识别信息只能用于维护公共安全的目的，不得用于其他目的；取得个人单独同意的除外。
该申请的目的是进行床垫的精准营销，不是为了维护公共安全。此外，面部采集和身份信息识别是在顾客未察觉的情况下进行的，说明书也未表明数据获取或者信息采集合法、合规。因此，该申请与法律相违背，不能被授予专利权。
根据该案例9的启示，在申请时，优选在说明书中对数据来源、数据内容、数据治理、训练目标与方案、训练流程、训练环境与工具、训练结果伦理校验等进行合法、合规的声明。
案例10涉及一种无人驾驶车辆应急决策模型的建立方法，以行人的性别和年龄作为障碍物数据，通过训练出的决策模型来确定无法避让障碍物情况下的被保护对象和被撞对象。然而，人的生命具有同等的价值和尊严，基于行人的性别和年龄进行上述选择，显然违背了伦理道德观念。因此，该申请含有违反社会公德的内容，不能被授予专利权。
根据该案例10的启示，应当避免在申请文件中出现违背社会公德的内容。
六、说明书充分公开的审查
1、指南规定
《专利审查指南》第二部分第九章第6.3.1节规定：
如果涉及人工智能模型的构建或者训练，则一般需要在说明书中清楚记载模型必要的模块、层级或者连接关系，训练必需的具体步骤、参数等；如果涉及在具体领域或者场景中应用人工智能模型或者算法，则一般需要在说明书中清楚记载模型或者算法如何与具体领域或者场景相结合，算法或者模型的输入、输出数据如何设置以表明其内在关联关系等，使得所属技术领域的技术人员按照说明书记载的内容，能够实现该发明的解决方案。
根据以上规定，涉及人工智能模型的构建或者训练的申请与涉及在具体领域或者场景中应用人工智能模型或者算法的申请，在说明书充分公开的要求上侧重点不同。
2、案例解析
案例11涉及一种用于生成人脸特征的方法，通过将设有空间变换网络的第一卷积神经网络所生成的特征区域图像集合，对各第二卷积神经网络实现信息共享，据此可以减少内存资源占用，同时提高人脸图像生成结果的准确度。
权利要求1中限定了第一卷积神经网络和第二卷积神经网络，并且在第一卷积神经网络中还设置有空间变换网络，用于确定人脸图像的特征区域。在说明书中，关于空间变换网络，记载了“空间变换网络在第一卷积神经网络中的具体设置位置在本申请中并不限制”。
本领域技术人员知晓，空间变换网络作为一个整体，可以插入到第一卷积神经网络中的任意位置，上述位置并不影响其识别图像的特征区域的能力。卷积神经网络和空间变换网络都是公知的算法，本领域技术人员能够构建相应的模型架构。因此，请求保护的解决方案在说明书中已被充分公开。
根据该案例，在利用人工智能等算法或者模型解决某一领域的技术问题时，其方案采用的技术手段虽未在申请文件中明确记载，但如果该技术手段属于本领域解决该技术问题的公知常识，则可以认为未在说明书中记载该技术手段不会导致说明书公开不充分。
案例12是一种基于生物信息预测癌症的方法。说明书中记载了通过训练好的恶性肿瘤筛查模型，将血常规、血生化检测指标和人脸图像特征共同作为筛查模型的输入，得到恶性肿瘤患病预测值，由此解决提升恶性肿瘤预测准确性的技术问题。在权利要求1中限定了模型训练以及使用该模型来进行预测的过程。
然而，说明书中并未记载，本领域技术人员也无法确定，血常规和血生化的哪些指标能够用于判断恶性肿瘤。同时，基于目前的科学研究，除了面部皮肤癌等少数几种肿瘤外，人脸特征与罹患恶性肿瘤之间是否存在关联尚不确定，说明书中也未记载或者证明“判断的依据因素”与“判断的结果”两者之间的因果关系。此外，说明书中也没有提供任何验证数据。本领域技术人员仅根据说明书公开的内容，无法确定本申请的解决方案可以解决其要解决的技术问题。因此，请求保护的技术方案在说明书中未被充分公开。
根据该案例12，在利用人工智能等算法或者模型解决某一领域的技术问题时，如果所采用的手段（包括输入输出内在关联关系）既未在申请文件中明确记载，也非公知常识，根据说明书的记载无法具体实施其解决方案并解决相应的技术问题，则应认为申请文件并未充分公开要求保护的解决方案。
3、说明书公开不充分的典型情形
（1）说明书的记载违背技术常识
1853778号复审决定中指出：“根据上述参数的定义，公式中的X+Z，即为将‘噪音数据’叠加到‘原始图片数据’，显然与降噪算法实现图像降噪的目的相违背。”
发明目的是为了对图像进行降噪，说明书记载的手段却是将噪音数据叠加到原始图片数据。显然该技术手段与技术常识是违背的。导致本领域技术人员不清楚如何通过该算法得到降噪后的图像，因此，说明书的技术手段是含糊不清楚的。
（2）输入数据和输出数据不存在符合自然规律的关联性
在2077737号复审决定涉及的案例中，要解决的技术问题是：现有的癌症筛查需要借助特定的诊疗设备且依赖于特定的场景，测试较为繁琐，使得癌症筛查率较低。
说明书给出的技术手段是根据对象头颈部像素点的运动振幅和震动频率进行肿瘤风险辅助评估。然而，本申请并未记载预测的肿瘤与头颈部的运动振幅和震动频率存在何种符合自然规律的关联关系；现有技术中也没有证据证实头颈部的运动振幅和震动频率与患有肿瘤存在明确的、合理的、稳定的关联。本领域技术人员根据说明书中的记载不能实现该发明。
（3）关键参数或技术术语的意义不明
在2390267号复审决定涉及的案例中，本申请要解决纺织物成品图案与样本图案之间匹配程度的检测精度较低的问题，提出一种用于纺织物的图案智能匹配方法。
然而，说明书中记载的关键公式以及技术术语的意义不明。具体地，Pj的数学公式的含义与其想表达的物理含义存在矛盾，Qj的数学公式所表征的物理含义不清楚，“相似度”这一术语的含义不清楚，由此导致本领域技术人员无法实现该发明。
（4）缺少关键数据来源
在1842287号复审决定涉及的案例中，目的是建立复燃预测网络模型，其数据来源是全国石化储罐事故历史案件数据。
然而，说明书背景技术中明确记载“在现有的方法中，均未考虑由于储罐事故现场烟雾温度和浓度高以及环境因素，可能造成储罐复燃的可能性”，本领域技术人员无法确认在石化储罐历史案件中是否会测量现场烟雾温度和浓度以及环境因素，并记录这些数据与储罐复燃之间的关系。
由于无法获取全国石化储罐事故历史案件中的事故现场烟雾温度和浓度以及环境因素数据，因此无法建立复燃预测网络模型，致使本申请的技术方案无法实现。
（5）数学公式明显不成立
在2003748号复审决定涉及的案例中，要解决的技术问题是：解决现有的安全防护系统防护类型单一，导致防护效果较差的问题，并提出了一种用于无人设备AI视觉识别系统。
然而，在说明书的关键公式“Y2/Y1-Y1*G=Yg”中，“Y2/Y1”表示无人设备剩余电量实际能够运行的距离，“Y1*G”表示由任务出发点到任务执行点所需要消耗的电量信息。本领域技术人员知晓，距离与电量是两个完全不同的量纲的数据，二者相减没有任何物理含义。因此，说明书中记载的方案是含糊不清的。
（6）缺少算法的具体技术手段的说明
在2104712号复审决定涉及的案例中，提供一种基于能耗计算的口才训练方法，确定口才训练过程中的综合能量损耗、口才技能功率以及复合情绪指标，基于神经网络模型对综合能量损耗、口才技能功率以及复合情绪指标进行分析，生成口才表达者对应的训练推荐。
然而，根据说明书的记载，本领域技术人员无法知晓如何根据各检测设备的功率基于功率公式计算出语速、语调、情绪状态等各维度的功率，进而也无法知晓如何获得综合能量损耗，更无法知晓如何基于神经网络模型对综合能量损耗、口才技能功率、复合情绪指标等进行分析，从而生成口才表达者对应的训练推荐。因此，技术手段含糊不清。
（7）算法模型与应用场景脱节
在2091283号复审决定涉及的案例（即，上述案例3）中，合议组认为：“要想通过构建算法模型解决工业机器人场景的控制等技术问题，那么清楚完整地记载算法模型的处理步骤和输出结果与工业机器人场景的具体结合就是必不可少的技术手段。也就是说，上述构建样本高效世界模型的步骤S1-S5的各步骤的处理对象、过程和结果与工业机器人场景的历史交互数据、原始状态数据如何具体结合，即步骤S2-S5如何对应用场景中的数据执行处理、得到与工业机器人场景相关的什么结果是必不可少的，然而，本申请说明书中对于将上述模型算法步骤应用到该工业机器人场景的适应性修改的技术手段的描述是含糊不清的”。
（8）算法明显不能解决技术问题
在2036982号复审决定涉及的案例中，本申请的目的是解决现有技术中缺乏高精度的、针对性的表盘变形检测方案，对微小的表盘变形缺乏有效的检测机制的技术问题。
然而，本领域技术人员根据说明书的记载能够理解，在实际操作中很难达到本申请针对未变形的判定条件“表盘在多级转化图像中的成像图像分块的各个分块边界像素点的数量和表盘对应的标准轮廓图像的各个标准轮廓边界像素点的数量间的大值和小值间满足整除关系”，意味着几乎不可能判断为表盘未变形，显然无法对电表部件是否完好进行准确识别。
因此，虽然本申请说明书中给出了声称能解决本申请所要解决的技术问题的技术手段，但本领域技术人员采用该手段并不能解决本申请所要解决的技术问题。
七、结语
近年来，随着大量的AI专利申请的递交和审查，中国针对AI专利申请的审查规则也逐渐变得越发完善，并且国家知识产权局也通过《专利审查指南》的修改，将这些规则公布出来。本文基于《专利审查指南》以及若干复审案例等，针对AI专利申请的保护客体、创造性、公开不充分、专利法第5条第1款的审查基准进行了总结和说明，以便读者能够更好地掌握中国的AI专利申请的审查规则和动向，以更有效地在中国进行AI专利的申请和保护。我们也将持续地关注中国AI专利申请的进展。
来源：IPRdaily中文网（iprdaily.cn）
作者：陈涛 北京魏启学律师事务所中国专利代理师 中国律师