2024年12月6日，国家知识产权局发布《人工智能相关发明专利申请指南（征求意见稿）》äºå·¥æºè½ç¸å3åæä¸å©ç³è´æ帪ªªªæ±æè§çœ¿）。该指南详细介绍了人工智能（AI）相关专利申请的类型；发明人的身份识别；标的物资格；披露要求；创造性审查；和道德问题。摘录如下。全文可见 这里（仅限中文）。评论截止日期为 2024 年 12 月 13 日。
一、人工智能相关专利申请类型
《指南》指出，人工智能相关专利申请分为4类：
- 模型本身的AI算法；
- AI算法或模型在不同领域的应用；
- 人工智能辅助下的发明；和
- 人工智能生成的发明。
二.发明权
该指南指出，
《指南》第一部分第一章第4.1.2节明确规定，“发明人应当是个人，且不得包含组织或者集体的名称以及人工智能的名称”。请求——专利文件中出现姓名的发明人必须是自然人，人工智能系统也必须以自然人的身份命名。其他非自然人不得成为发明人。当有多个发明人时，每个发明人都必须是自然人。发明人享有的收益财产权和署名人身权均属于民事权利，只有符合民法规定的民事主体才能作为发明人相关民事权利人。权利，而AI系统目前还不能作为民事主体享有民事权利，因此不能充当发明人……
对于人工智能辅助完成的发明，对发明的实质性特征做出创造性贡献的自然人可以被命名为专利申请的发明人。对于人工智能产生的发明，在中国目前的法律背景下不可能授予人工智能发明人地位。
三．主题事项资格
人工智能算法或模型是基于数学理论开发的。如果涉及人工智能算法或模型的专利申请的权利要求仅涉及抽象的数学理论或数学算法，不包含任何技术特征，则属于智力活动的规则和方法，不能被授予专利权。例如，基于抽象算法、不带任何技术特征建立通用神经网络模型的方法，或者不带任何技术特征、利用优化损失函数加速训练收敛来训练通用神经网络的方法，都被认为是是一种抽象的数学算法，是智力活动的规则和方法。
场景一：人工智能算法或模型处理技术领域具有精确技术意义的数据
权利要求限定的方案，如果权利要求的写法反映了人工智能算法或者模型处理的对象是该技术领域中具有精确技术含义的数据，则该方案属于技术方案，并且基于根据本领域技术人员的理解，可以知道算法或模型的执行直接体现了利用自然规律来解决技术问题并获得技术效果的过程。例如，使用神经网络模型对图像进行识别和分类的方法。图像数据属于具有精确技术含义的技术领域，如果本领域技术人员能够获知方案中处理图像特征的各个步骤与要解决的对物体进行识别和分类的技术问题密切相关，并取得了相应的技术效果，则属于本技术方案。
场景二：人工智能算法或模型与计算机系统内部结构存在特定的技术联系
如果权利要求的撰写能够体现人工智能算法或模型与计算机系统内部结构之间的具体技术联系，从而解决如何提高硬件计算效率或执行效果的技术问题，包括减少计算量数据存储、减少数据传输量、提高硬件处理速度等，并且能够按照自然规律获得提高计算机系统内部性能的技术效果，则属于权利要求中定义的方案到技术解决方案。
这种具体的技术联系在技术实现层面体现了算法特征与计算机系统内部结构的相关特征之间的相互适应和配合，例如调整计算机系统的系统架构或相关参数以支持计算机系统的运行。特定的算法或模型，针对计算机系统的特定内部结构或参数，或者上述两者的组合，对算法或模型进行适应性改进。
例如，一种忆阻器加速器的神经网络模型压缩方法，包括：步骤一、网络剪枝时根据忆阻器的实际阵列大小，通过阵列感知正则增量剪枝算法调整剪枝粒度，得到适应的正则化稀疏模型。到忆阻器阵列；步骤2，通过二次幂量化算法降低ADC精度要求和忆阻器阵列中低电阻器件的数量，以降低整体系统功耗。
本例中，为了解决原模型映射到忆阻器加速器时硬件资源消耗过大、ADC单元和计算阵列功耗过大的问题，方案采用剪枝算法和量化算法进行调整根据忆阻器的实际阵列尺寸进行修剪粒度，以减少忆阻器阵列中低阻器件的数量。上述手段是为了提高忆阻器加速器的性能而进行的算法改进。它们受硬件条件参数的约束，体现算法特性与计算机系统内部结构有特定的技术关联，采用符合自然规律的技术手段，解决硬件消耗过多、功耗过高的技术问题降低了忆阻加速器的消耗，获得了提高符合自然规律的计算机系统内部性能的技术效果。因此，本方案属于技术方案。
具体的技术关联并不意味着计算机系统的硬件结构必须改变。对于改进人工智能算法的方案，即使计算机系统本身的硬件结构没有改变，该方案也可以通过优化系统资源配置来达到提高计算机系统整体内部性能的技术效果。在这种情况下，可以认为人工智能算法特性与计算机系统的内部结构具有特定的技术关联，可以提高硬件的执行效果。
例如，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变化时，针对变化后的训练数据，分别计算变化后的训练数据在预设候选训练方案中的训练时间。从预设的候选训练方案中选择训练时间最短的训练方案作为变化后的训练数据的最佳训练方案，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；将变化后的训练数据按照最佳训练方案进行模型训练。
该方案是为了解决深度神经网络模型训练速度慢的问题。针对不同规模的训练数据，选择不同处理效率的单处理器训练方案或多处理器训练方案。本发明的模型训练方法与计算机系统内部结构有特定的技术联系，提高了训练过程中硬件的执行效果，从而按照规律获得提高计算机系统内部性能的技术效果自然，从而构成技术解决方案。
但是，如果一项权利要求仅以计算机系统作为实现人工智能算法或者模型运行的载体，没有体现该算法特征与计算机系统内部结构之间的具体技术联系，则不属于该权利要求的范围。在场景 2 的范围内。
例如，用于训练神经网络的计算机系统包括存储器和处理器，其中存储器存储指令并且处理器读取指令以使用优化的损失函数来训练神经网络。
在该方案中，计算机系统中的存储器和处理器只是算法存储和执行的常规载体。使用优化损失函数训练神经网络所涉及的算法特征与计算机系统中包含的存储器和处理器之间没有特定的技术联系。这个方案解决的是优化神经网络训练的问题，这不是一个技术问题。所获得的效果仅是提高模型训练效率，并非提高计算机系统内部性能的技术效果，因此不构成技术方案。场景三：基于符合自然规律的人工智能算法，挖掘特定应用领域大数据的内在关联性
当人工智能算法或模型应用于各个领域时，可以进行数据分析、评估、预测或推荐。对于此类应用，如果权利要求体现的是对特定应用领域的大数据进行处理，并利用神经网络等人工智能算法挖掘数据之间符合自然规律的内在关联性，如何提高解决了大数据分析在特定应用领域的可靠性或准确性，并获得相应的技术效果，则权利要求的方案构成技术方案。
利用人工智能算法或模型挖掘数据、训练基于输入数据获得输出结果的人工智能模型的手段，不能直接构成技术手段。只有基于人工智能算法或模型挖掘的数据之间的内在关联性符合自然规律，相关手段作为一个整体才能构成利用自然规律的技术手段。因此，有必要在权利要求记载的方案中明确采用哪些指标、参数等来反映分析对象的特征以获得分析结果，以及这些指标、参数之间是否存在内在的相关性。利用人工智能算法或模型挖掘的（模型输入），其结果数据（模型输出）符合自然规律。
例如，食品安全风险预测方法获取并分析历史食品安全风险事件，获取代表食品原料、食用物品、食品采样毒物的各种头实体数据和尾实体数据及其对应的时间戳数据，构建对应的四元组根据各头实体数据及其对应的尾实体数据及其对应的实体关系携带代表各类危害的内容程度、风险或干预程度的时间戳数据，得到对应的知识图谱；利用知识图谱训练预设的神经网络，得到食品安全知识图谱模型；并基于食品安全知识图谱模型对预测时的食品安全风险进行预测。
方案规范的背景技术记载，现有技术采用静态知识图谱来预测食品安全风险，无法反映实际情况下的食品数据随时间变化的事实，并且忽略了数据之间的影响。本领域技术人员知道，食品原料、食用物品或食品取样毒物会随着时间的推移而逐渐发生变化。例如，食品存放时间越长，食品中含有的微生物就越多，食品采样毒物的含量也会相应增加。当食品中含有多种可以发生化学反应的原料时，随着时间的推移，化学反应也可能在未来的某个时刻造成食品安全风险。该方案基于食品随时间变化的固有特征来预测食品安全风险，从而在构建知识图谱时添加时间戳，并根据每个时刻与食品安全风险相关的实体数据来训练预设的神经网络。预测当时的食品安全风险。它采用遵循自然规律的技术手段，解决未来时间点食品安全风险预测不准确的技术问题，并能获得相应的技术效果，故构成技术方案。如果人工智能算法或模型挖掘的指标参数与预测结果之间的内在关联性仅仅服从于经济规律或社会规律，那就是不遵循自然规律的情况。例如，利用神经网络估算区域经济景气指数的方法，利用神经网络挖掘经济数据和用电数据与经济景气指数之间的内在相关性，并根据内在相关性预测区域经济景气指数。。由于经济数据和用电量数据与经济景气指数之间的内在关联性受制于经济规律而不是自然规律，因此该方案没有使用技术手段，不构成技术方案。
四．充分披露
1.根据发明贡献类型确定说明书应当记载的内容
说明书应当清楚地记载发明的技术方案，详细地描述发明的具体实施方法，充分公开对于理解和实现发明所必需的技术内容，以使相关技术人员能够领域可以实现本发明。
人工智能算法或模型具有“黑匣子”特性，需要足够的信息才能达到充分公开的目的。不同的发明贡献，其实现发明所必需的技术内容也不同。
说明书应当充分描述对现有技术做出贡献的部分。对于体现专利发明构思的技术手段，说明书应当清楚、完整地描述，但以相关技术领域技术人员的实现能力为限。
说明书应当清楚、客观地陈述申请与现有技术相比的有益效果。必要时，可以提供相应的证据证明其发明贡献。
2. 涉及不同类型发明贡献的申请文件的撰写
以下是推荐的做法作为示例：
对于发明贡献在于人工智能模型训练的应用，一般需要在说明书中明确记录必要的模型训练过程所涉及的算法以及算法的具体步骤、训练方法的具体过程等，基于所要解决的问题或解决方案要达到的效果。
对于发明贡献在于人工智能模型构建的应用，一般需要在说明书中记录必要的模块结构、层次结构或连接关系，并根据要解决的问题准确、客观地描述模型的功能和效果。已解决的问题或解决方案要达到的效果。必要时，可通过实验数据、分析论证等方式论证改进后所能达到的效果。
对于发明贡献在于人工智能在特定领域应用的应用，一般需要在说明书中明确模型如何与具体应用场景结合、输入/输出数据如何设置等，基于所要解决的问题或解决方案所要达到的效果。必要时，描述还应当明确输入数据和输出数据之间的相关性，以便相关技术领域的技术人员能够判断两者之间存在相关性。
对于说明书披露不充分的审查意见，在陈述意见时需要说明相关技术领域技术人员实施相关方案的理由和依据。需要说明的是，说明书公开是否充分应当以原说明书和权利要求书记载的内容为准。
五、创造性审查
为了使人工智能算法特征作为技术手段的一部分纳入创造性判断，权利要求应当体现人工智能算法或模型应用于特定功能或应用领域，解决特定技术问题，从而明确算法特征与技术特征在功能上相互支撑、存在互动关系，使算法特征成为技术手段的有机组成部分。
���
如果申请方案记载的人工智能算法或模型属于现有技术，且该方案的改进在于将其从现有技术领域应用到本申请的技术领域，则创造性考虑应综合考虑距离算法或模型所应用的技术领域，是否有相应的技术启发，应用于不同领域场景的难度，是否需要克服技术难点，是否带来意想不到的技术效果。
进一步地，如果该算法或模型应用于不同的现场场景，并且没有克服技术难点对算法或模型的训练方法、参数、配置等要素进行调整，并且没有获得意想不到的技术效果，则该方案无法实现。要有创意。
例如，一个应用程序涉及一种计算船只数量的方法。基于船舶图像数据，通过深度学习训练实时检测数据模型，对检测到的船舶数量进行求和，解决当前海域船舶数量实时反馈的技术问题。最接近的现有技术公开了一种统计树上果实数量的方法，并公开了该应用的深度学习模型训练和数量统计步骤。区别在于识别对象不同，属于不同的应用场景。虽然船舶和水果在外观、体积、所处环境等方面有所不同，但对于本领域技术人员来说，两者采用的手段都是对获得的图像信息进行物体识别和模型训练，然后完成数量统计。在识别图像时，还要考虑识别对象的位置和边界。图像中船舶的识别训练和图像中水果的识别训练如果不改变深度学习、模型训练过程、图像识别中的处理方法，所能获得的技术效果就是使如果统计结果比较准确，那么训练数据的差异仅意味着数据具有不同的含义，数据含义的差异并不约束、影响或限制算法的改进或实现，应用场景的差异也不对设计施加不同的约束、影响或限制算法模型。因此，本方案将现有技术的果实统计方法应用于船舶统计的效果是基于现有技术可以预见的，并没有产生意想不到的技术效果，该方案不具备创造性。���
如果人工智能算法或模型与计算机系统内部结构存在特定的技术关系，并且提高计算机系统的内部性能，则方案中的算法特征和技术特征将被作为一个整体考虑。判断创造性。
提高计算机系统内部性能的情况包括：通过调整硬件系统的架构来支持或优化特定算法或模型的运行，通过执行该算法或模型来优化计算机系统中硬件资源的调度，这样的话，方案中的算法特征和技术特征会被作为一个整体来考虑。如果现有技术没有提供技术启发，则该方案具有创造性。
例如，某应用涉及一种调整卷积神经网络的方法，通过固定神经网络来减少资源占用，使得低位定点量化的神经网络模型可以运行在低位宽的FPGA平台上，并且在低位宽下可以达到与浮点网络相当的计算精度。最接近的现有技术公开了一种基于动态定点参数的卷积神经网络的定点训练方法。该方法在卷积神经网络的训练过程中，采用定点方法进行前向计算，在几个训练周期内，网络精度达到浮点计算的水平。该方案与最接近的现有技术的区别在于，使用高位定点量化训练卷积神经网络后，通过FPGA的低位宽度对卷积神经网络进行微调。基于这一显着特征，本应用解决了在小型FPGA嵌入式系统中使用多级、大规模卷积神经网络的技术问题，克服资源有限，减少在FPGA平台上训练的卷积神经网络的资源使用，并获得提高计算机系统内部性能的技术效果。考虑到算法特点以及FPGA整体位宽低等技术特点，现有技术中没有技术启示，该方案具有创造性。如果方案中的人工智能算法特征和技术特征共同提高了用户体验，则在判断创造性时将算法特征和技术特征作为一个整体考虑。如果现有技术没有提供技术启发，则该方案具有创造性。
例如，某申请涉及一种实现在线客服的方法，解决现有电商平台中用户倾向于通过人工客服处理投诉和咨询，导致聊天机器人客服和人工客服不合理使用的技术问题。服务资源，以及人工客服的压力。采用的主要解决方案包括：利用长短期记忆网络分析用户请求的上下文，结合遗传算法优化人工和聊天机器人客服的动态分配。当检测到人工客服过载时，系统利用长短期记忆网络预测并自动将合适的请求定向到聊天机器人客服，以减轻人工客服的处理压力。最接近的现有技术公开了一种实现与在线客服聊天的方法，具体公开了用户可以自由选择并切换三种与客服沟通的方式：仅聊天机器人客服、聊天机器人客服优先、人工客服优先。在“人工客服优先”模式下，当达到上限或存在队列时，聊天机器人客服会与用户进行沟通。现有的最接近的技术主要是根据用户的选择来切换人工客服还是聊天机器人客服，判断人工客服是否忙的依据是是否达到限制或者是否存在排队。这与本申请经过人工智能算法权衡后自动切换是不同的。该方案通过人工智能算法分析访问负载，自动切换为机器人客服。可以解决聊天机器人客服与人工客服之间更合理分配用户服务请求的技术问题，节省用户等待时间，提升用户体验。因此，该解决方案具有创造性。
六．伦理
人工智能的不断发展给各行业带来更多发展机遇的同时，也带来了算法伦理、数据安全、数据合规等伦理问题。人工智能相关内容申请专利应当符合以下规定： 中国专利法第五条。
若涉及人工智能算法或模型在不同领域的应用，申请人应关注该算法或模型应用于特定场景时是否违反相关法律法规、社会公德、损害公共利益。人工智能涉及数据获取和利用的，需要关注数据来源、应用场景、安全管理、使用规范等方面是否符合相关法律法规。除数据本身的内容外，数据采集、存储、处理等具体手段也需要符合相关法律法规的要求，不得违背社会公德、损害公共利益。