摘要：本文基于中国国家知识产权局2024年发布的《人工智能相关发明专利申请指引》，系统解析AI领域专利申请的客体审查标准，为AI技术创新主体构建专利保护策略提供重要参考。

本文基于中国国家知识产权局2024年发布的《人工智能相关发明专利申请指引》，系统解析AI领域专利申请的客体审查标准，为AI技术创新主体构建专利保护策略提供重要参考。

随着DeepSeek为代表的大模型技术迅猛发展，“AI（Artificial Intelligence，人工智能）+”将人工智能技术深度融入各行业领域，通过技术集成与创新推动产业升级和社会变革[1]。相应地，AI+专利申请也受到了从业人员越来越多的关注。

对于AI+专利申请，国家知识产权局在2024年12月发布的《人工智能相关发明专利申请指引（试行）》[2]（后简称“指引”）中对客体问题作出如下规定：

“人工智能相关专利申请的客体问题主要集中在，如何判断一项解决方案是否属于智力活动的规则和方法，是否构成专利法意义上的技术方案，特别是如何判断方案采用的手段是否是遵循自然规律的技术手段，什么样的问题属于技术问题，怎样才是符合自然规律的技术效果。”

因此，AI领域专利申请的客体问题，与判断智力活动的规则和方法的客体问题，基本上是大致相同的。

具体地，指引在常规的智力活动的规则和方法的基础上，作出了如下说明：

指引第三章第1节中规定：“权利要求的方案不能仅涉及智力活动的规则和方法。”

指引第三章第1.3节中规定：“即便权利要求的解决方案不再属于智力活动的规则和方法，如以上两个示例，想要成为专利保护的客体，还需满足专利法第二条第二款关于技术方案的规定。”

一

关于技术方案的示例及说明

至于如何确定是否属于技术方案，指引第三章第2.2节中给出了属于技术方案的三种情形：

1）人工智能算法或模型处理的是技术领域中具有确切技术含义的数据

2）人工智能算法或模型与计算机系统的内部结构存在特定技术关联

3）基于人工智能算法挖掘具体应用领域的大数据中符合自然规律的内在关联关系

由此可见，AI领域专利申请的客体问题的审查规则，与智力活动的规则和方法类似，但指引针对AI领域专利申请是否属于技术方案，给出了三种情形，下面我们结合具体示例来对指引给出的三种情形进行说明：

情形1：人工智能算法或模型处理的是技术领域中具有确切技术含义的数据

如果一项权利要求能够体现人工智能算法或模型处理的对象是技术领域中具有确切技术含义的数据，使得基于本领域技术人员的理解，能够知晓算法或模型的执行直接体现出利用自然规律解决某一技术问题的过程，且获得了技术效果，则该权利要求限定的解决方案属于技术方案。

示例：

1.一种图像评价方法，包括：

响应于输入的原始图像和扩展图像，对所述原始图像进行图像分割得到符合预设对象类型的第一前景对象的分割图像，以及对所述扩展图像进行图像分割得到符合所述预设对象类型的第二前景对象的分割图像，其中，所述扩展图像为基于所述原始图像中的所述第一前景对象进行背景扩展生成；

基于所述第一前景对象的分割图像和所述第二前景对象的分割图像进行图像比对，确定所述扩展图像的前景对象评价结果；

调用预先训练好的特征评价模型对所述原始图像和所述扩展图像进行特征差异评价，确定所述扩展图像的特征评价结果；

基于所述前景对象评价结果和所述特征评价结果，确定所述扩展图像的综合评价结果。

分析如下：

图像数据属于技术领域中具有确切技术含义的数据，示例中对图像数据进行处理的各个步骤与要解决的技术问题“如何扩展图像评价的效率”密切相关，且获得了相应的技术效果“不需要人工介入评价过程，有效提高了扩展图像评价的效率”，该示例属于技术方案。

情形2：人工智能算法或模型与计算机系统的内部结构存在特定技术关联

这种特定技术关联体现了算法特征与计算机系统的内部结构相关特征在技术实现层面相互适应、彼此配合，如为支持特定算法或模型的运行而调整计算机系统的体系构架或相关参数，针对特定的计算机系统内部结构或参数对算法或模型作出适应性改进，或是以上两者的组合。

示例：

1.一种针对终端训练模型的内存优化方法，其特征在于，所述方法包括：

所述终端获取自身内部署的模型的模型结构和内存访问情况；

将所述内存访问情况和所述模型结构发送到云端；

所述云端基于所述模型结构，生成第一计算图，所述第一计算图用于表征所述模型内多个算子的拓扑顺序；

所述云端按照拓扑顺序依次执行所述第一计算图中的多个算子，获取所述多个算子输出的张量所对应的内存指标并累计，当所述累计的内存指标大于预设阈值时，释放当前最大内存指标所对应的张量；

所述云端在继续执行所述第一计算图的过程中，再次使用已被释放的张量时，重新计算该张量并将该张量对应的算子插入第一计算图的拓扑顺序中；

所述云端在所述第一计算图执行完成后，将插入被释放的张量的所述第一计算图作为第二计算图；

所述云端基于所述内存访问情况和所述第二计算图，生成内存分配方案，所述内存分配方案用于分配所述终端为训练所述模型所配置的内存；

所述云端将所述第二计算图和所述内存分配方案发送到终端；

所述终端基于所述第二计算图修订所述模型，并基于所述内存分配方案分配所述终端为训练所述模型所配置的内存，以执行模型训练。

分析如下：

示例为解决模型训练过程中内存受限的技术问题，在训练模型时，在第二计算图中多个张量超出预设阈值时便释放内存指标最大的张量与重新计算该张量的过程中，减少内存指标最大张量所占据的内存；且通过内存访问情况和第二计算图生成的内存分配方案能够为多个训练过程中产生的张量分配内存，该模型训练方法与计算机系统的内部结构存在特定技术关联，达到了减少模型训练过程中模型占据内存的技术效果，该示例属于技术方案。

情形3：基于人工智能算法挖掘具体应用领域的大数据中符合自然规律的内在关联关系

利用人工智能算法或模型进行数据挖掘并训练出能够根据输入数据得到输出结果的人工智能模型的手段不能直接构成技术手段，只有当基于人工智能算法或模型挖掘出的数据之间的内在关联关系符合自然规律时，相关手段整体上方可构成利用自然规律的技术手段。

示例如下：

1.一种社区安全风险预测方法，其特征在于，包括：

获取并分析历史社区安全风险事件，得到各个实体数据及其对应的时间戳数据，根据各个所述实体数据及其对应的时间戳数据构建对应的四元组数据，得到对应的知识图谱，其中，所述实体数据包括头部实体数据和尾部实体数据；

通过预设聚合器将所述知识图谱中各个时刻下，各个所述头部实体数据及其对应的尾部实体数据进行聚合，得到各个所述时刻下的各个局部数据；

基于各个所述时刻下的各个所述局部数据确定其对应的全局数据，通过各个所述时刻下的全局数据及其对应的各个局部数据对预设神经网络进行训练，得到社区安全知识图谱模型；

确定输入的待预测时刻，基于所述社区安全知识图谱模型对所述待预测时刻的社区安全风险进行预测。

分析如下：

示例基于社区风险随时间变化而不断改变的特点来预测社区安全风险，通过构建具有时序性的知识图谱，能够实时更新实体数据随时间变化而变化，社区安全知识图谱模型是由具有时序性的知识图谱训练得到的，使得社区安全知识图谱模型具有时序性且高准确性，以此能够准确地预测未来某个时刻(待预测时刻)的社区安全风险，利用了遵循自然规律的技术手段，该示例属于技术方案。

二

关于专利保护客体的实务处理示例及说明

示例1：

该案例是谷歌公司于2015年6月8日申请的一篇发明专利申请，发明名称是训练精炼的机器学习模型（其中发明人之一杰弗里·E·欣顿是2024年诺贝尔物理学奖获得者之一奥里奥尔·维尼亚尔斯（Oriol Vinyals），现任谷歌DeepMind研究和深度学习负责人副总裁），公开版本的权利要求1如下所示：

1. 一种由一个或多个计算机执行的方法，所述方法包括 ：

训练繁冗的机器学习模型，其中所述繁冗的机器学习模型被配置为接收输入并生成针对多个分类中的每个的相应的分数 ；以及

在多个训练输入上训练精炼的机器学习模型，其中所述精炼的机器学习模型也被配置为接收输入并生成针对所述多个分类的分数，包括 ：

使用所述繁冗的机器学习模型处理每个训练输入以生成针对该训练输入的繁冗的目标软输出 ；以及

训练所述精炼的机器学习模型以针对每个训练输入生成与针对该训练输入的繁冗的目标软输出匹配的软输出。

示例申请于2018年11月6日收到第一次审查意见通知书，通知书指出示例申请不属于专利法第25条规定的不授予专利权的范围，具体地，通知书认为示例申请请求保护一种由一个或多个计算机执行的方法，示例申请没有记载该方法如何在具体领域中的应用，仅仅对于该方法的抽象计算过程进行了说明，并未体现所限定内容与具体领域之间如何使用，没有体现出任何应用领域，属于智力活动的规则和方法，不属于专利保护客体。示例申请于2019年6月28日收到第二次审查意见通知书，于2019年11月22日收到第三次审查意见通知书。示例申请于2019年12月19日针对第三次审查意见通知书提交了意见陈述，修改后的权利要求1如下所示：

训练繁冗的机器学习模型，其中所述繁冗的机器学习模型被配置为接收表示图像的输入并生成针对多个分类中的每个的相应的分数，其中，所述分数表示所述输入包含属于该分类的对象的图像的概率；以及

在多个训练输入上训练精炼的机器学习模型，其中所述精炼的机器学习模型也被配置为接收表示图像的输入并生成针对所述多个分类的分数，其中，针对所述多个分类的分数表示所述输入包含属于该分类的对象的图像的概率，包括：

使用所述繁冗的机器学习模型处理每个训练输入以生成针对该训练输入的繁冗的目标软输出；以及

示例申请于2020年2月3日收到驳回决定，驳回决定指出权利要求1仅通过对机器学习模型的具体构成以及训练过程中所涉及算法的具体计算过程进行类型相应的限定，并未体现出相应计算过程与图像自身信息的关联，仅仅是对训练学习中相应计算过程改进的限定，并未体现抽象计算过程对图像分类处理的改进，并未解决任何技术问题，也没用取得相应的技术效果，不符合专利法第二条第二款的规定，不能被授予专利权。示例申请于2020年5月18日提出了复审请求，并于2022年3月23日收到对应的复审通知书，示例申请于2022年7月7日针对复审通知书提交了意见陈述，修改后的权利要求1如下所示：

1. 一种用于训练图像处理模型的方法，所述方法包括 ：

训练繁冗的机器学习模型，其中所述繁冗的机器学习模型被配置为接收表示图像的输入图像数据并生成针对多个分类中的每个的相应的分数，其中，所述分数表示所述图像包含属于该分类的对象的概率；以及

在多个训练图像输入上训练精炼的机器学习模型，其中所述精炼的机器学习模型也被配置为接收表示图像的输入图像数据并生成针对所述多个分类的分数，其中，所述分数表示所述图像包含属于该分类的对象的概率，包括 ：

使用所述繁冗的机器学习模型处理每个训练图像以生成针对该训练图像的繁冗的目标软输出；以及

训练所述精炼的机器学习模型以针对所述多个训练图像中的每个生成与针对该训练图像的繁冗的目标软输出匹配的软输出。

示例申请于2022年8月3日收到复审决定书，复审决定书仍然维持驳回决定，复审决定书指出示例要解决的问题是用于使用繁冗的机器学习模型训练精炼的机器学习模型，即是抽象的数学模型训练方法，不属于技术问题，虽然在本申请的主题名称及各步骤中限定输入模型的是图像数据，输出的是图像的分类，但是这种限定仅表明了该训练方法使用的事图像数据进行训练，训练的各方法步骤与图像本身的特征并无关联，没有具体地限定对图像数据本身的处理的过程，不是遵循自然规律的技术手段，进而没有解决图像领域的技术问题，也没用获得与图像领域有关的技术效果，即本申请没有形成针对图像领域的技术方案，还是抽象的模型训练方法。

示例申请仅描述了使用繁冗的机器学习模型训练精炼的机器学习模型的技术，其并未表明要解决图像领域的何种技术问题，在其方案中既未表明是何种图像数据，也未表明分类时利用了图像数据的什么特征，而仅是对模型训练步骤的描述，在训练的步骤中也不涉及自然规律的利用，故该方案解决的是如何使用繁冗的机器学习模型训练精炼的机器学习模型的方法，即解决的还是抽血的模型训练本身的问题，这不属于技术问题。

示例申请针对复审决定书提出了分案申请，分案申请的权利要求1如下所示：

1 .一种用于训练图像处理模型的系统，所述系统包括一个或多个计算机以及存储指令的一个或多个存储设备，所述指令在由所述一个或多个计算机执行时使得所述一个或多个计算机执行方法，所述方法包括：

在多个训练图像上训练精炼的机器学习模型，其中所述精炼的机器学习模型也被配置为接收表示图像的输入图像数据并生成针对所述多个分类中的每个的相应分数，其中，所述分数表示所述图像包含属于该分类的对象的概率，包括：

示例2：

该案例是谷歌有限责任公司关于transfomer架构的一件核心发明专利申请，发明名称是基于注意力的序列转换神经网络（第一发明人是N.M.沙泽尔（SHAZEER NOAM M），Transformer模型的共同发明者之一，并且在深度学习和人工智能领域有着重要的贡献，2021年离开了谷歌，创办了AI独角兽公司Character.AI，2024年重返谷歌，担任Gemini项目的联合技术负责人，致力于开发与ChatGPT等大模型竞争的AI技术），公开版本的权利要求1如下所示：

1 .一种包括一个或多个计算机和存储指令的一个或多个存储设备的系统，当所述指令由所述一个或多个计算机执行时，使得所述一个或多个计算机实施用于将具有按照输入顺序的多个输入位置中的每一个输入位置处的各自的网络输入的输入序列转换为具有按照输出顺序的多个输出位置中的每一个输出位置处的各自的网络输出的输出序列的序列转换神经网络，所述序列转换神经网络包括：

编码器神经网络，被配置为接收输入序列并生成输入序列中的每个网络输入的各自的编码表示，所述编码器神经网络包括一个或多个编码器子网的序列，每个编码器子网被配置为接收多个输入位置中的每一个输入位置的各自的编码器子网输入，并生成多个输入位置中的每一个输入位置的各自的子网输出，并且每个编码器子网包括：

编码器自注意力子层，被配置为接收多个输入位置中的每一个输入位置的子网输入，并且对于按照输入顺序的每个特定输入位置：

使用从特定输入位置处的编码器子网输入导出的一个或多个查询，在输入位置处的编码器子网输入上应用注意力机制，以生成特定输入位置的各自的输出；和

解码器神经网络，被配置为接收编码表示并生成输出序列。

示例申请于2022年12月2日收到第一次审查意见通知书，通知书指出示例申请不符合专利法第26条第4款的规定，并于2023年3月15日收到第二次审查意见通知书，通知书指出示例申请不符合专利法第2条第2款的规定，具体地，通知书认为示例申请没有限定具体的应用领域，其方法步骤中没有体现出与任何技术领域有任何技术上的关联，且解决的问题是如何提高神经网络的训练速度、效率，不是技术问题，本质上是一种数学算法处理，是对神经网络结构构建的计算过程的改进，不属于技术手段，且其方案本身与计算机没有任何技术上的关联，仅是通过公知的计算机硬件、存储设备执行上述神经网络，硬件仅仅是算法的执行载体，并未体现算法特征与计算机、存储设备等的特定技术关联，没有改进计算机系统的内部性能，其解决的事神经网络训练、推理时间较长、效率低的问题，最后得到的是抽象的神经网络模型，这种效果不属于遵循了自然规律的技术效果。示例申请于2023年9月5日收到第三次审查意见通知书。示例申请于2023年11月14日针对第三次审查意见通知书提交了意见陈述，修改后的权利要求1如下所示：

1. 一种自然语言处理系统，所述系统包括一个或多个计算机和存储指令的一个或多个存储设备的系统，当所述指令由所述一个或多个计算机执行时，使得所述一个或多个计算机实施用于将具有按照输入顺序的多个输入位置中的每一个输入位置处的各自的网络输入的输入序列转换为具有按照输出顺序的多个输出位置中的每一个输出位置处的各自的网络输出的输出序列的序列转换神经网络，所述输入序列是用原始语言的单次序列、且所述输出序列是用所述原始语言的所述输入序列的摘要，或者所述输入序列是形成问题的单次序列、且所述输出序列是形成对该问题的答案的单词序列，并且所述序列转换神经网络包括：

使用从特定输入位置处的编码器子网输入导出的一个或多个查询，在输入位置处的编码器子网输入上应用注意力机制，以生成特定输入位置的各自的输出；和解码器神经网络，被配置为接收编码表示并生成输出序列。

示例申请于2024年1月23日收到驳回决定，驳回决定指出示例申请限定的方案是一种针对神经网络的改进，其实质是对算法本身的改进，其解决的问题是神经网络在序列转换中存在的问题，是神经网络本身的问题，而不是专利法意义上的技术问题；所采用的手段是对神经网络本身的计算过程，该手段不是专利法意义上的技术手段；其达到的效果是提高神经网络的销量性能，是神经网络算法本身的性能，不属于专利法意义上的技术效果。

示例申请限定的方案并未涉及如何针对自然语言处理中特定的输入序列等进行特定操作，且并未限定自然语言处理上述“输入序列”、“输出序列”的不同特性与注意力序列转换神经网络相结合以解决“自然语言处理系统”中的具体技术问题，也就是说示例限定的方案仅仅是一种针对通用数据进行处理的算法（神经网络）本身，该算法的执行实质上与上述提交的具体应用领域之间没有关联关系，即示例限定的方案并未解决具体技术领域的具体技术问题，其解决的仍然是神经网络本身的问题，采用的手段是改变神经网络的结构及设置，相应地所获得的效果是湿的网络的操作更容易并行化进而提高神经网络的转换效率和性能，不属于技术效果。

示例申请限定的方案并未对计算机系统内部性能进行改善，即使上述权利要求限定了存储设备，其作用是用于存放神经网络需要的数据，其方案整体仍然是一种神经网络模型的算法，虽然由计算机实施，但其方案本身与计算机没有任何技术上的关联，仅是通过公知的计算机硬件、存储设备执行上述神经网络，硬件仅仅是算法的执行载体，其实现的效果，例如“降低训练、推理时间”、“降低计算资源消耗”，是因算法本身优化获得的，且神经网络模型的执行与计算机系统硬、软件资源的调度无关，在计算机上运行其限定的注意力序列转换神经网络时，运行这些算法的设备的处理性能、运算速度、计算精度并未有所直接改进，也就是说，并未体现算法特征与计算机、存储设备等的特定技术关联、没有改进计算机系统的内部性能。

示例申请于2024年4月23日提出了复审请求，并于2024年11月14日收到了复审决定书，复审决定书撤销驳回决定，示例申请于2-24年12月31日收到第四次审查意见通知书，通知书指出示例申请的说明书不符合专利法第26条第3款的规定（即说明书应当对发明或者实用新型作出清楚、完整的说明，以所属技术领域的技术人员能够实现为准），而并没有指出示例申请不属于专利法第25条规定的不授予专利权的范围。

三

总结

AI领域专利申请的客体问题，与智力活动规则和方法的客体判断标准是大致相同的，一个专利申请只有在属于技术方案的情况下，才有可能成为专利保护的客体。

[1] 展望2025 | 中国人工智能+产业的创新应用与未来趋势，2025-3-03，https://mp.weixin.qq.com/s?__biz=MzIyNDc0NDMyNg==&mid=2247563739&idx=1&sn=88a1178eab81700de46f587da81dc8a9&chksm=e9a077bcc94f08d9a0ac7efe1eaef814a9858f9b6dc1dfecd12e825b84c90b63be711d83cf71#rd

[2] 人工智能相关发明专利申请指引（试行），2024-12-31，中国国家知识产权局，https://www.cnipa.gov.cn/art/2024/12/31/art_66_196988.html

作者介绍

周建华

大成上海

jianhua.zhou@dentons.cn

周建华先生是清华大学电机系学士，复旦大学计算机系硕士，2009年获得专利代理人资格，周建华先生曾为百度、阿里巴巴、阿尔卡特朗讯、上海贝尔、创新工场等创新型企业提供超过2000件的专利代理服务，代理的领域主要涉及计算机、电子和电气工程领域，主要包括互联网、AI、机器人、元宇宙（AR/VR/XR）、游戏、物联网、移动通信等。

杨宇宙

大成上海合伙人

yuzhou.yang@dentons.cn

杨律师执业20年来专注于知识产权与科技创新领域法律服务，成功代理过大量专利、商业秘密、商标、不正当竞争、著作权领域的重大疑难案件，不少案件被包括最高人民法院在内的各级法院和权威机构评选为各年度知识产权十大案例或典型案例。同时杨宇宙律师在人工智能合规、数据知识产权、网络安全与数据合规、网络暴力治理等知识产权交叉新兴领域也进行了深入研究和大量实践。杨律师近年来多次被钱伯斯、The legal 500 、ALB、商法、律新社、名律堂、IPRDaily、Legal One等权威法律评级机构在知识产权领域中推荐。

赵云虎

大成上海合伙人（备案中）

yunhu.zhao@dentons.cn

赵云虎律师拥有多种学科背景，先后获上海交通大学工学学士、硕士学位和金融学士学位，华东政法大学法律硕士学位。赵律师作为高级程序员及专利工程师，曾开发十数万行代码及处理千余件专利案件。

加入大成以来，赵云虎律师专注于知识产权、数字合规、争议解决、公司法律等领域，致力于将法律与科技进行完美结合，为客户提供专业、差异化的法律服务。赵律师为多家上市公司及公司上市提供知识产权法律服务，承办的涉商业秘密案件获评2019年河南省十大知识产权典型案例，承办的标准必要专利案件于2021年被评为北京知识产权法院十大科技创新典型案例。赵律师还曾于2022年7月撰写并发布《自由与开源软件法律报告（中国）》。

特别声明：

来源：大成上海4