人工智能相关专利申请的创造性审查，真正困难之处往往不在于申请人是否使用了复杂算法，而在于该算法特征能否被认定为技术方案的一部分，并进一步对创造性评价产生实质影响。对于基于人工智能算法或模型的功能应用、行业应用而言，模型选择、参数调整、训练数据处理、推理结果输出等内容，若仅以数学方法、商业规则或抽象模型形式呈现，通常难以支撑创造性；但若其与具体技术领域、具体技术问题和具体技术效果形成稳定对应关系，则可能成为技术手段的重要组成部分。

《专利审查指南》第二部分第九章第6.1.3节已经明确了一个重要判断方向：如果权利要求中的算法应用于具体技术领域，可以解决具体技术问题，并与技术特征在功能上彼此支持、存在相互作用关系，则该算法特征可以成为所采取技术手段的组成部分，在创造性审查中应当考虑其对技术方案作出的贡献。笔者认为，该规则的核心不在于降低人工智能专利的授权门槛，而在于要求申请人把“算法为什么带来技术贡献”写清楚、证成充分。

一、算法特征进入创造性评价的前提是其与技术特征形成相互作用关系

在人工智能专利申请中，算法特征并非当然被排除在创造性评价之外，也并非只要写入权利要求就必然被考虑。审查重点在于，该算法是否服务于具体技术领域中的技术问题，并与硬件结构、数据采集方式、控制流程、信号处理方式、系统运行状态等技术特征之间形成相互支持关系。

所谓“功能上彼此相互支持、存在相互作用关系”，应理解为算法特征并非孤立存在，而是参与了技术问题的解决过程。例如，在图像检测、设备故障诊断、自动驾驶感知、医学影像识别、工业控制优化等场景中，模型结构或参数调整如果直接影响图像噪声抑制、识别精度、实时性、设备控制稳定性或能耗降低，则其可能具有技术贡献。

相反，如果申请文件只是说明“采用神经网络模型进行分类”“通过机器学习提高预测准确率”，但未说明该算法如何适配特定技术场景、解决何种技术问题、与哪些技术特征协同作用，则算法特征容易被理解为一般性数学处理或抽象信息处理，其对创造性的支撑力度将明显不足。

二、人工智能专利的创造性表达应从算法效果转向技术效果

人工智能算法或模型在不同功能和领域应用中具有多样化表现。相同的模型结构，在金融风控、图像识别、工业质检、语音识别或医疗辅助诊断中的技术意义并不相同。因此，创造性论证不能停留在“模型更准确”“参数更优”“训练速度更快”等抽象效果，而应进一步说明这些效果如何转化为具体技术效果。

例如，“识别准确率提高”本身可能只是算法性能指标；但如果申请文件能够说明准确率提高使得工业检测系统减少误检和漏检，进而降低生产线停机率，或者使边缘设备在有限算力下实现实时识别，则该效果更容易被纳入技术效果评价。技术效果的表达，应当能够回到技术领域中的客观改进，而不是停留于模型评价指标。

笔者认为，人工智能专利撰写中最常见的问题，是把算法实验结果等同于技术效果。AUC、F1值、召回率、损失函数下降等指标固然重要，但其在专利审查中的意义，需要通过技术场景予以解释。只有当算法指标与技术系统运行效果之间建立清晰对应关系，算法特征才更容易被认定为创造性贡献的一部分。

三、模型选择和参数调整需要说明其非任意性和场景适配性

涉及人工智能算法或模型的专利申请，改进点常常并非提出全新模型，而是根据功能或领域应用需要选择模型、调整参数、改进训练方式或重构输入特征。此类改进是否具有创造性，关键在于能否证明该选择并非本领域技术人员基于常规试验即可得到，而是源于特定技术问题下的技术约束和技术启示缺失。

例如，在边缘计算设备中选择轻量化模型，不应仅说明模型参数量减少，而应说明该选择如何适应设备算力、存储空间、功耗、通信延迟等技术约束；在工业视觉检测中调整特征提取层或损失函数，不应只说明训练结果更优，而应说明该调整如何针对缺陷样本稀缺、光照干扰、背景噪声等技术问题产生特定效果。

参数调整同样如此。如果参数仅表现为常规优化范围内的调参结果，其创造性支撑有限。申请文件应尽量说明参数范围、参数组合或训练策略与技术效果之间的对应关系，必要时通过对比实验、消融实验或不同参数方案的效果对比，证明该参数设计具有技术上的选择意义，而非事后总结的经验值。

四、申请文件撰写应围绕技术问题、技术手段和技术效果组织算法内容

在申请文件撰写层面，人工智能算法专利不宜把重点全部放在模型公式、网络结构或训练流程的抽象描述上，而应围绕“三要素”展开：其一，明确具体技术问题；其二，说明算法特征如何作为技术手段的一部分参与解决问题；其三，证明该方案产生了可验证的技术效果。

具体而言，说明书应当尽量呈现算法与技术场景之间的连接关系，包括数据来源和采集方式、输入特征与技术对象的对应关系、模型处理结果如何作用于设备控制或技术判断、输出结果如何反馈至具体系统运行。对于模型结构或参数调整，应说明其为何适合该技术场景，而不是简单罗列算法步骤。

权利要求书则应避免两种极端：一是只写抽象算法流程，缺少技术应用场景；二是只写应用场景，未能限定真正产生技术贡献的算法特征。较为稳妥的撰写方式，是将算法特征嵌入具体技术流程之中，使其与采集、处理、控制、识别、诊断、输出等技术步骤形成完整技术方案。

五、审查意见答复应围绕算法特征的技术贡献展开论证

在审查意见答复中，如果审查员认为算法特征属于非技术特征，或者认为相关模型选择、参数调整属于常规技术手段，申请人需要有针对性地论证算法特征对技术方案的贡献。单纯强调模型复杂、效果更好、实验数据优于现有技术，通常不足以解决创造性问题。

答复思路应当围绕以下几个层面展开：首先，说明权利要求所处的具体技术领域和要解决的具体技术问题；其次，指出算法特征与技术特征之间的功能配合关系；再次，对比现有技术是否存在将该算法方案应用于相同技术场景并解决相同技术问题的启示；最后，结合实验数据或实施效果说明该算法特征带来的技术效果。

尤其在人工智能领域，现有技术可能公开了相同或相近模型，但未必公开其在特定领域应用中的适配方式。此时，创造性论证的重点不应停留在模型本身是否已知，而应强调模型选择、参数调整、输入特征构造、训练策略和应用场景之间形成的整体技术方案是否具有非显而易见性。

六、算法特征创造性贡献的表达可以通过对比表进行结构化呈现

对于人工智能专利申请，申请文件撰写和审查意见答复均可通过结构化方式呈现算法特征的技术贡献。下表概括了常见表达重点及其对应的审查意义：

表达维度	核心内容	审查意义
具体技术领域	说明算法应用于图像处理、设备控制、故障诊断、通信优化等具体场景	避免算法被理解为抽象数学方法
具体技术问题	明确现有技术中的识别误差、实时性不足、噪声干扰、能耗过高等问题	为创造性评价提供问题基础
算法与技术特征关系	说明算法输入、处理、输出与设备或系统技术流程的配合	证明算法特征属于技术手段组成部分
场景适配设计	说明模型选择、参数范围、训练策略为何适应该领域技术约束	证明改进并非任意调参或常规替换
技术效果证明	通过对比实验、系统运行效果或客观指标说明技术改进	支撑非显而易见性和有益效果

算法特征技术贡献的表达重点

笔者认为，上述结构化表达的价值在于，将算法从“模型本身”转化为“技术方案中的功能性组成部分”。审查员在创造性评价中真正需要判断的，并不是申请人是否使用了人工智能模型，而是该模型是否以特定方式解决了具体技术问题，并产生了超出常规应用的技术效果。

结语

人工智能算法专利的创造性问题，实质上是算法特征能否进入技术方案评价体系的问题。《专利审查指南》关于算法特征与技术特征相互支持、相互作用的规则，为算法类专利申请提供了明确方向，但也对申请文件撰写和审查意见答复提出了更高要求。

笔者认为，申请人应当避免把人工智能模型作为孤立卖点，而应围绕具体技术领域、具体技术问题、场景适配设计和可验证技术效果，构建算法特征的创造性论证链条。只有将“算法有效”转化为“技术方案有效”，才能更充分地体现人工智能相关发明的非显而易见性和授权价值。