详见 | 拿掉“AI”两个字，你究竟发明了什么？——人工智能专利技术贡献的审查标准演进

2026年9月7 日，国家知识产权局专利局复审和无效审理部发布《专利复审无效典型案件决定要点汇编（2025）》。

这份汇编从2025年审结案件中选择具有典型意义的案件，提炼出79项决定要点，覆盖保护客体、现有技术、新颖性、创造性、说明书、权利要求、修改、证据和程序等多个方面。

它不是对2025年全量复审无效案件的统计，但能够反映我国复审无效部门希望公开典型案件向申请人和审查实践传递的规则重点。

这份汇编中，最值得研究的事与人工智能直接相关的四个决定。

第43项要点讨论多个AI模型组合的创造性，第48项要点讨论不同模型训练方法能否构成创造性，第56项要点讨论人工智能算法专利的充分公开，第61项要点则讨论如何理解AI应用专利中的权利要求术语。

它们分别属于创造性、说明书和权利要求解释等不同法律问题，并没有建立一套新的统一法律测试。

但如果将这些决定与2020年以来《专利审查指南》关于算法和人工智能的连续性修改联系起来，可以看到一种比较明确的变化：

中国AI专利审查正在从“算法特征与技术特征应当整体考虑”的原则性要求，进一步深入到模型、训练、数据和模型间关系，对AI技术方案内部真正产生技术效果的技术关系进行更细致的识别。

这个变化的重点不在于专利审查的基本标准发生了改变，而在于：审查者观察AI技术贡献的“分辨率”提高了许多。

一、“整体考虑”解决了原则问题，但没有回答技术贡献究竟是什么

中国对AI专利的审查规则，起点是2019年底公布、2020年2月起施行的《专利审查指南》修改。

当时国家知识产权局已经明确，涉及人工智能、大数据等包含算法特征的发明，不能简单地将“算法”和“技术”割裂。创造性判断中，与技术特征在功能上彼此支持、存在相互作用关系的算法特征，应当与技术特征作为整体考虑。

所谓“彼此支持、存在相互作用关系”，是指二者紧密结合，共同构成解决技术问题的技术手段，并取得相应技术效果。

这一步解决的是一个基础问题：算法不能因为是算法就天然被排除，也不能因为被装进计算机就天然成为技术贡献。

最需要考察的是算法与技术特征形成了什么联系。

这一规则非常重要，是一个突破，但仍然具有较高的抽象程度。

“整体考虑”之后，实践中对如下问题依然没有确定答案：

•究竟是哪一个算法特征作出了贡献？

•是模型结构、训练方法、数据组织方式，还是输入输出关系？

•如果一个方案用了三个神经网络，三个模型是不是都构成创造性贡献？

•如果只是把成熟模型换到一个新的行业场景，场景变化本身是否足够？

•如果技术效果来自模型训练，申请文件又需要公开到什么程度？

这次公开发布的2025年的几项复审决定要点，正是在逐渐给出更详细的回答。

二、多个模型组合并不意味着更多创新，关键在模型之间发生了什么

第43项要点决定涉及“一种企业品牌海外传播数据分析方法、系统和存储介质”。

决定没有因为方案同时使用多个AI模型就认可其创造性，而是进一步考察模型之间的关系：

模型构建、训练和数据处理过程中是否存在相互约束的执行顺序，输入输出数据之间是否相互关联，训练过程是否存在相互依赖，并据此判断多个模型之间是否形成协同作用。

如果不存在这种协同，而现有技术又已经分别给出了单个模型实现相应功能的技术启示，那么仅仅把多个模型组合起来，并不足以产生创造性。

从专利法原理上说，这并不是一个完全新的思想。

传统机械组合发明同样需要区分“简单拼装”和不同部件之间产生新的功能联系；化学组合物也长期存在单纯并列与协同增效的区别。

因此，第43项要点值得注意的地方，不是创造了一种专属于AI的“协同理论”，而是把传统的组合创造性判断进一步翻译成了AI系统内部的技术语言。

过去判断两个机械部件是否相互作用，可以观察连接结构、运动关系和作用方式。

到了多模型AI系统，观察对象变成了：

模型之间的执行顺序、数据流、输入输出依赖以及训练依赖。

也就是说，法律标准没有根本改变，但寻找“相互作用”的技术坐标已经进入模型内部。

这对于当前大量采用多模型架构的AI发明具有直接意义。

仅仅在权利要求中增加若干“第一模型”“第二模型”“分类模型”“生成模型”，并不会因为系统结构看起来更加复杂就自然增加创造性。

复杂度本身不是技术贡献。

真正有价值的是如下说明：

为什么必须由这些模型以这种方式发生关系，以及这种关系产生了什么原有模型简单并列无法产生的技术效果。

于是可以把第43项要点传递的信息概括成一句话：

AI系统中的数量“多”，不是创造性的来源；模型之间新的技术关系才可能是。

三、模型训练可以成为独立识别的重要技术贡献

比第43项要点更值得注意的是第48项要点。

该项涉及“基于音频生成动态图像的方法、装置、设备及存储介质”。

复审部门明确提出，模型训练阶段是人工智能应用专利技术方案中的重要组成部分。

如果涉案方案与最接近现有技术相比采用了不同的模型训练方法，其他现有技术既没有公开这种方法，也没有给出采用该训练方法能够使输出结果更加精确或者降低模型训练成本的技术启示，可以据此认可具有创造性。

国家知识产权局后来又将该案列入2025年度专利复审无效典型案例。

官方进一步解释，AI应用技术方案通常可以从模型设计、模型训练和模型应用三个阶段理解。

本案的区别并不只是最终都在“生成数字人”，而在于涉案方案利用目标人物的参考图像对已有模型进行进一步个性化调整，使最终生成网络针对特定对象形成定制能力，从而取得生成结果更贴合目标人物、同时降低训练成本等效果。

这件案件的重要性，在于它更加明确地把模型能力的形成过程纳入创造性分析。

早期讨论AI专利，人们容易关注“用了什么算法”“用了哪一种神经网络”。

但随着基础模型和通用算法日益普及，仅仅调用一个已有模型越来越难以说明技术贡献究竟在哪里。

相反，很多真正的工程创新可能发生在模型形成能力的过程中：

•如何选择和组织训练数据，

•采用怎样的训练顺序，

•怎样调整模型参数，

•如何针对特定对象进行微调，

•以及这些调整怎样改变模型性能。

但需要说明的是，这并不意味着“今后的AI创新都在训练”。

模型结构、数据处理、推理、部署、软硬件协同等环节同样可能产生创造性。第48项要点更准确的意义在于：

模型训练被明确确认为AI技术贡献可能发生的重要位置之一。

于是，AI专利的创造性分析就开始从“使用了一个什么模型”，进一步演进到“这个模型为什么获得了这种以前没有的能力”。

这是审查颗粒度细化的第二个表现。

四、AI的“黑箱”并没有降低公开要求，反而要求专利文件需要说清楚关键技术关系

如果说第43和第48项要点解决的是“技术贡献在哪里”，第56项要点面对的则是另一个问题：

申请人声称的AI技术贡献，公众能不能真正实施？

第56项要点涉及“一种神经网络模型的训练方法”。

要点相关的决定指出，如果发明的核心改进在于构建和训练模型，使其学习某种难以推导或者论证的特定规律，说明书应当提供足以使本领域技术人员具体实施的技术路径。

判断时可以综合考虑关键训练数据集是否清晰、与任务匹配的模型结构和模型参数训练过程是否明确，以及模型效果是否具有合理可预期性。

决定中尤其值得注意的一层意思是：

模型理论上可以产生某种输出，但存在输出并不等于专利法意义上的“能够实现”。

这一判断准确切中了AI专利的一个特殊点。

传统机械或者电路发明中，结构、连接关系和工作方式在很多情况下可以直接解释技术效果；机器学习系统则不同。

申请人可能只写一句“将数据输入训练后的神经网络得到预测结果”，系统确实也可能产生一个数字，但这个数字为什么能够稳定代表所声称的技术规律，本领域技术人员能不能按照专利文件得到这种能力，并不当然成立。

因此，AI的“黑箱”并不是降低充分公开标准的理由。

它反而使一个传统的法律问题变得更加尖锐：

如果技术效果无法根据一般技术原理自然推出，申请文件需要提供什么信息，才能使本领域技术人员相信并实现申请人所声称的技术方案？

2025年修改、2026年1月1日起施行的新《专利审查指南》进一步把这一问题具体化。

新规定明确，涉及AI模型构建或者训练的，一般需要在说明书中清楚记载模型必要模块、层级或者连接关系以及训练必需的具体步骤、参数；涉及AI在具体领域或者场景中的应用，则一般需要说明模型如何与场景结合，输入、输出数据如何设置并形成内在关联，使本领域技术人员能够实现发明。

但这又不能被理解成申请人必须公开全部训练数据、模型权重或者每一个参数。新《专利审查指南》的官方解读专门设置了两个相反的例子。

一种情形下，虽然申请文件没有写明某个神经网络模块的具体位置，但由于本领域技术人员根据公知常识能够实施，并不因此构成公开不充分；

另一种癌症预测方案中，申请人没有说明哪些血液指标和人脸图像特征与癌症预测存在关联，本领域技术人员也无法从常识中获得这种关系，则不能实现所声称方案。

所以这里形成的不是“AI必须把所有东西公开”，而仍然是专利法一贯坚持的标准：

公开到本领域技术人员能够实现。

只是AI技术使这一标准越来越需要落实到数据、模型和训练的具体关系上。

五、应用场景本身不是创新，场景怎样改变模型才重要

2026年实施的新《专利审查指南》新增的两个AI创造性的示例，进一步明确了上述审查思路。

“识别船只数量”的例子中，现有技术识别的是树上果实。

虽然船只和果实属于完全不同的处理对象，但申请方案在深度学习流程、数据标记、模型训练等方面并未因为识别对象改变而作出实质性调整，因此不能因为“换了应用场景”就认定具有创造性。

相反，“建立废钢等级划分神经网络模型”的示例虽然同样处在废钢识别领域，却针对废钢形状、厚度等特征重新设计了颜色、边缘、纹理等特征提取方式，并调整卷积层和池化层的线路数量和层级。

由于场景中的具体技术问题真正进入了模型内部，并导致算法和模型发生实质性改变，现有技术又没有提供相应启示，因此可以支持创造性。

这两个例子放在一起，非常清楚地说明：

专利制度并不奖励“把AI用到了一个新地方”，而是关注“这个新地方提出的问题是否真正改变了AI的技术实现”。

由此，所谓“AI+医疗”“AI+制造”“AI+金融”“AI+汽车”本身都不是创造性理由。

真正需要建立的是一条技术上的联系：

场景约束进入模型、数据或者训练过程，并由此产生新的技术效果。

这也是为什么，到了2025—2026年的审查实践中，单纯讨论“场景是不是新的”已经越来越不够了。

六、从“整体考虑”走向“技术贡献的颗粒度识别”

把上述公布的要点放在一起，容易产生一种误解：是不是国家知识产权局建立了一套新的AI专利法标准？

答案并不是。

创造性仍然依据现有技术和本领域技术人员判断显而易见性；充分公开仍然判断本领域技术人员能否实现；权利要求仍然依照专利法既有规则解释。

AI并没有获得一套脱离专利法基本结构的特殊制度。

变化发生在另一个层面。

2020年的“整体考虑”告诉审查者：

不要把算法和技术机械拆开。

而2025年的复审实践和2026年实施的新《指南》进一步回答：

整体考虑时到底看什么。

•看多个模型之间有没有真实的技术依赖；

•看模型训练方法有没有发生实质改变；

•看数据和应用场景之间是否形成特定关系；

•看这种关系是不是带来了精度、成本、效率等技术效果；

看申请文件是否把实现这种效果所必需的技术路径公开出来。

因此，与其说AI专利审查出现了新的法律标准，不如说：

既有法律标准已经获得了较为详细的可操作性。

我们可以用一个分析框架来概括这种变化：

贡献定位 → 效果联系 → 可实现性。

•“贡献定位”回答创新到底发生在模型结构、训练、数据处理还是模型之间的关系中；

•“效果联系”要求说明这些技术区别为什么能够带来申请人声称的技术效果；

•“可实现性”则进一步要求申请文件公开到本领域技术人员能够把这个方案真正做出来。

这不是一项新的法律测试，而是理解这些决定共同方向的一种分析工具。

它可以揭示出的核心变化是：AI越来越不能作为一个整体黑箱出现在专利文件里。

申请人不能只说“使用人工智能实现某功能”，也不能仅仅通过增加模型数量或者替换应用场景来制造形式上的区别。

随着审查逐渐深入模型内部，申请人需要说明的是：模型、数据、训练和应用之间哪些具体技术关系构成了发明。

七、这对未来的AI专利申请撰写意味着什么这一变化最终会直接反映到专利申请质量上。

对于研发人员和专利代理人来说，今后最重要的问题可能不是首先确认“用了哪个模型”，而是先找出：

哪一个技术选择是现有技术没有的，这个选择为什么在当前技术场景中是必要的，它与模型其他部分形成了什么关系，又产生了什么能够验证的技术效果。

如果创造性来自特殊训练过程，权利要求就不能只写“训练神经网络”；如果贡献来自两个模型之间的反馈和依赖，权利要求也不能只写“包括第一模型和第二模型”。

这一点从2025年汇编中的一般性权利要求规则也能得到支持。

第63项要点明确指出，如果解决发明技术问题所必需的技术特征仅存在于说明书中，而从权利要求文字不能直接、毫无疑义地得到，就不能仅凭说明书中描述的发明目的将其自动读入权利要求。

因此，一个AI专利真正赖以成立创造性的内部技术关系，不能只是说明书中的“故事”，而应当在权利要求中得到与其保护价值相匹配的体现。

与此同时，申请人还需要面对另一项越来越现实的选择：专利保护与商业秘密之间的边界。

如果模型真正的竞争优势依赖高度特殊的数据组织、训练流程或者参数配置，而这些内容又恰好是使技术方案能够实现的关键，那么希望获得较宽专利保护就可能要求相应程度的公开。

反之，如果企业不愿披露、竞争者又难以逆向获得这些知识，商业秘密可能具有不同的制度价值。

AI并没有改变“公开换保护”的基本逻辑。

它只是让企业更早、更明确地面对这个选择。

知产力判断

人工智能给专利审查制度提出的真正难题，可能早已不是“算法能不能申请专利”。

因为，随着通用模型、开源模型和基础算法越来越容易获得，“使用AI”正在迅速成为一种普通的技术条件。专利制度真正需要区分的是：

哪些只是调用现有技术，哪些才是申请人自己创造出来的技术能力。

2025年的复审无效决定汇编提供了一个很好的观察窗口。

•多模型方案，要寻找模型之间真正的技术协同；

•训练类方案，要寻找能力形成过程中的实质改进；

•黑箱模型，则仍然必须公开足以实现发明的关键技术关系。

因此，这一轮AI专利审查变化最值得关注的，不是审查标准变“严”或者变“松”，而是审查核心会放在：

技术贡献究竟是什么？

从“整体考虑”到模型、训练、数据和模型间关系的颗粒度识别，这可能正是当前中国AI专利审查最值得注意的方法变化。

而对于申请人来说，需要回答的问题是：

如果把“AI”两个字从权利要求里拿掉，你还能不能清楚说明，自己究竟发明了什么？

这可能才是判断一件AI专利有没有真正技术含量的起点。