人工智能专利申请说明书充分公开的撰写要点与审查意见答复

人工智能相关发明专利申请中，说明书的公开程度是影响授权前景和权利稳定性的基础问题。人工智能算法或模型往往具有“黑匣子”特征，仅公开模型名称、算法原理或者概括性的应用效果，未必能够让所属技术领域的技术人员实施该发明。专利法第二十六条第三款要求，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。国家知识产权局2024年12月31日发布的《人工智能相关发明专利申请指引（试行）》第四章第2节进一步指出，发明贡献不同，实现该发明必不可少的技术内容亦有所不同，并针对模型训练、模型构建和具体领域应用三类情形给出了申请文件撰写建议。

从审查实务看，说明书公开不充分的意见通常不是笼统否定技术方案，而是指出实现该方案所必需的内容未被清楚、完整地记载。因此，申请人和专利代理师首先应当判断本案的发明贡献落在何处，再确定说明书需要重点公开哪些内容。只有围绕发明贡献安排撰写材料，后续答复审查意见时才有充分的原始依据可循。

一、充分公开的判断基准：以所属技术领域的技术人员能够实现为准

充分公开的法定标准是“所属技术领域的技术人员能够实现”。这里的技术人员是法律拟制主体，既不是普通读者，也不是发明人本人，而是具备本领域普通技术知识、能够理解并运用现有技术，同时具有一定实验设计和逻辑推理能力的人员。判断能否实现，并不要求说明书公开所有可能的技术细节，而是要求技术人员按照说明书记载的内容，无需付出创造性劳动即可实施技术方案、解决技术问题并产生预期的技术效果。

人工智能相关申请的特殊性在于，算法或模型的内部运行过程并不总是直观可见，同一模型在不同数据、参数和训练方式下可能产生明显不同的结果。如果说明书仅记载“采用神经网络进行分类”“通过机器学习实现预测”，却未说明模型如何处理数据、如何训练、如何输出结果，技术人员就难以判断方案究竟如何实现，更无法验证是否能够达到说明书声称的效果。

判断充分公开应当以原说明书和权利要求书记载的内容为准。申请日后补充的技术内容、实验数据或者事后说明，不能替代原始申请文件应当公开的内容。因此，撰写阶段就应当围绕发明贡献确定必要记载事项，而不是等收到公开不充分审查意见后再考虑如何补充。

二、发明贡献在于模型训练：记载算法步骤与训练过程

如果发明贡献在于人工智能模型训练，说明书一般应当根据方案要解决的问题或者要达到的效果，清楚记载模型训练过程中涉及的算法、算法的具体步骤以及训练方法的具体过程。仅记载模型名称、损失函数或者“采用梯度下降训练”这类概括性内容，通常不足以让技术人员再现整个训练方案。

（一）以技术问题为起点确定训练要素

训练类发明的撰写不能只围绕数学公式展开，而应首先说明该训练方法要解决的技术问题。例如，方案是为了提高训练收敛速度、降低标注数据依赖、增强模型泛化能力，还是为了在特定硬件条件下降低训练资源占用。技术问题不同，训练方法中需要公开的必要内容也不同。

以技术问题为起点，可以避免两种极端：一是罗列大量算法公式但未说明其在训练过程中的作用和执行条件；二是只描述训练目标，却未记载实现该目标的具体步骤。说明书应当使技术人员能够理解每一个关键训练步骤为何必要、如何执行、与最终模型效果之间存在何种关联。

（二）算法步骤和训练过程需要达到可执行程度

涉及训练方法的申请，至少应当考虑记载训练数据的获取方式或数据来源、数据预处理和标注方式、模型初始化方式、前向计算和反向传播过程、损失函数及其计算方式、优化算法的选择、学习率等关键参数的设置或调整方式、训练轮次或收敛条件等内容。并非所有细节都必须写入，但对于实现方案必不可少的内容，不能以“常规技术”为由一笔带过。

例如，涉及一种基于知识蒸馏的模型训练方法，不能仅记载教师模型和学生模型，还应当说明二者分别承担什么功能、蒸馏过程中如何利用教师模型输出、损失函数如何组合、学生模型如何更新参数以及最终如何获得满足精度或速度要求的模型。即使某些参数属于本领域技术人员能够通过有限试验确定的常规选择，说明书也应当记载足以支撑实现的基本条件。

（三）训练效果需要与方案对应记载

训练类发明的有益效果，通常体现为训练时间缩短、数据需求降低、模型精度提升、资源占用下降等。说明书应当客观记载方案相对于现有技术所能达到的效果，并通过实施例、对比数据或者分析论证予以支持。效果表述应当与技术问题、技术手段相对应，不能只写“效果显著”而没有可检验的具体依据。

三、发明贡献在于模型构建：记载模块结构、层次结构和连接关系

如果发明贡献在于人工智能模型构建，说明书一般应当根据方案要解决的问题或者要达到的效果，记载必要的模块结构、层次结构或者连接关系，并准确、客观地写明模型的功能和效果。模型结构类申请的公开重点，是让技术人员能够理解模型由哪些部分组成、各部分的层级关系如何、数据在模型内部如何流转，以及这种结构为何能够产生所述效果。

（一）结构记载不能停留在模型名称层面

实践中常见的问题是，说明书仅记载“包括输入层、隐藏层和输出层”“采用卷积神经网络”“引入注意力机制”，却未说明各模块之间的连接关系、数据维度、计算方式或者参数处理过程。对于本领域技术人员而言，模型名称可能指向多种实现方式，如果缺少必要的结构限定，就无法确定申请人究竟要求保护何种模型。

以神经网络模型为例，说明书可以根据发明贡献记载输入数据和输出数据的格式、各层的类型和功能、卷积核或池化方式、激活函数、归一化方式、残差连接、注意力机制的作用对象以及各模块之间的数据流向。对于体现发明点的模块，还应当说明其在整体模型中所处的位置、与前后模块的连接关系以及承担的具体功能。

（二）将模块结构转化为可执行的技术方案

模型结构类发明往往既涉及产品权利要求，也涉及方法权利要求。说明书中的结构描述应当能够支撑两种撰写方式：既可以从模块和连接关系角度描述模型构建结果，也可以从数据处理角度描述各个模块如何依次执行，形成“模块动作化”的表达。这样不仅有助于充分公开，也有利于后续权利要求布局和审查意见答复。

例如，一个改进点在于引入质量评估模块的模型，不能只说明新增一个评估模块，还应当说明该模块接收何种中间特征、如何计算质量评估结果、评估结果如何影响后续训练或者推理过程。只有将结构特征与处理流程结合起来，技术人员才能确认该模块不是可有可无的装饰性特征。

（三）模型功能和效果需要客观、可验证

说明书应当写明改进后模型能够实现的功能和达到的效果，例如识别精度、推理速度、模型参数量、抗干扰能力、资源占用等。必要时，应当通过实验数据、对比实验或者分析论证予以表明。效果数据需要与模型结构改进对应，能够说明改进结构带来的实际差异，而不是仅以通用指标代替技术论证。

四、发明贡献在于具体领域应用：记载场景结合与输入输出关联

如果发明贡献在于人工智能在具体领域中的应用，说明书一般应当根据方案要解决的问题或者要达到的效果，明确模型如何与具体应用场景结合、输入数据和输出数据如何设置。必要时，还应当阐明输入数据与输出数据之间的相关性，使所属技术领域的技术人员能够判断二者之间具有关联关系。

（一）不能只写“将人工智能应用于某领域”

领域应用类申请如果仅记载“采用人工智能模型对工业产品进行检测”“利用深度学习进行医疗辅助诊断”，往往不足以满足充分公开要求。说明书应当进一步说明该领域中的具体应用对象、应用条件、数据来源、处理流程和输出结果如何使用。只有将模型放到具体技术流程中，技术人员才能判断方案是否能够实现。

例如，在工业视觉检测中，说明书可以记载待检测产品的类型、图像采集方式、检测目标、缺陷类型、模型输入图像的大小和格式、输出为缺陷类别或位置信息、结果如何用于产线控制或者人工复核等。应用场景越具体，方案的技术内涵越清楚，公开是否充分的判断也越具有可验证性。

（二）输入输出设置需要与技术问题对应

输入数据和输出数据不是任意选择的标签，而应当与所解决的技术问题形成对应。说明书中应当记载输入数据表征何种技术对象的特征，输出数据表达何种技术结果，以及二者之间存在何种关联关系。对于依赖图像、信号、传感器数据等技术数据的方案，这种关联往往可以通过物理含义、数据处理规则和实施例说明。

如果输入输出之间的关联只能依据经济规律、社会规律或者主观偏好建立，而与自然规律无关，则不仅可能影响技术方案判断，也可能使技术人员难以确认输出结果的技术意义。撰写时应当尽量说明数据特征与预测结果之间的内在联系，避免把应用场景变成简单的数据分类标签。

（三）应用约束和实施条件需要同步公开

具体领域应用往往受到硬件资源、实时性、数据分布、部署环境等因素约束。说明书应当记载这些约束条件及其对模型设计、数据处理或输出结果的影响。例如，边缘设备上的实时检测方案，需要说明模型是否经过轻量化处理、推理过程如何满足响应时间要求；医疗辅助诊断方案，需要说明输入数据的采集规范、输出结果如何辅助医生判断。

五、针对公开不充分审查意见的答复路径

审查员发出公开不充分审查意见时，通常会指出说明书缺少实现发明必不可少的内容，或者记载内容不足以使技术人员产生预期效果。答复时不能简单以“本领域技术人员可以理解”一笔带过，而应当围绕原说明书和权利要求书的记载，阐述能够实现的理由和依据。

（一）先复盘原始公开内容，再确定答复方向

收到审查意见后，应当先重新梳理说明书和权利要求书，确认审查员所指缺陷是否真实存在。有些意见可能源于审查员未充分考虑说明书中的实施例、附图或者参数记载，此时可以通过引用原始记载逐项回应；如果原始记载确实不足，则需要判断能否在原始公开范围内通过修改权利要求或说明书予以克服。

答复方向应当与发明贡献类型对应：模型训练类申请重点回答算法步骤和训练过程是否清楚；模型构建类申请重点回答模型结构、层次和连接关系是否完整；领域应用类申请重点回答应用场景结合和输入输出关联是否明确。脱离发明贡献的泛泛论证，通常难以改变审查结论。

（二）以原始记载为基础论证可实现性

充分公开的判断以原说明书和权利要求书记载的内容为准。意见陈述中应当指出，所属技术领域的技术人员基于原始记载并结合本领域公知常识，可以实施该技术方案。对于审查员认为缺少的参数、步骤或者效果依据，应当引用说明书中的具体段落、实施例、附图或者数据说明其已经公开，或者说明其属于本领域技术人员能够确定的常规技术内容。

应当避免用申请日后新增的技术内容替代原始公开内容。如果原始说明书确实没有记载实现所必需的技术特征，一般不能通过引入新内容予以补足，而应当在原始公开范围内进行修改，必要时应重新评估后续申请策略。答复的效果，取决于能否让审查员相信公开不足的疑问已被原文件本身解决。

（三）意见陈述书的组织方式

针对公开不充分意见，意见陈述书可以按照“缺陷归纳、原始依据、实现路径、预期效果、修改说明”的结构组织。首先准确归纳审查员指出的事项，其次指出说明书和权利要求书中与之对应的原始记载，再次说明技术人员如何根据这些记载实施技术方案，继而说明方案能够解决技术问题并产生预期效果，最后对权利要求或者说明书修改作出必要说明。

论证中应当保持技术问题、技术手段和技术效果的一致。不能仅以模型效果更好代替实现路径，也不能把“公开不充分”问题混同于“创造性”问题。审查员需要看到的是：该方案按照说明书能够做出来，并且能够达到说明书所记载的效果。

六、不同贡献类型撰写与答复要点比较

不同发明贡献对应的说明书公开重点和审查意见答复重点存在明显差异。下表从撰写和答复两个层面进行归纳，便于申请人和专利代理师在具体案件中对照使用。

贡献类型	说明书必要记载	常见缺陷	答复重点
人工智能模型训练	算法及具体步骤、训练方法具体过程、关键参数和训练条件	仅写模型名称、损失函数或抽象训练流程	引用原始记载说明训练步骤可执行、效果可达到
人工智能模型构建	模块结构、层次结构、连接关系、功能和效果，必要时辅以实验数据	只列结构名称，未写数据流向、连接关系和效果依据	结合结构描述和实施例说明模型能够实现
人工智能具体领域应用	模型与场景结合方式、输入输出设置、数据关联关系和实施约束	仅有通用模型，缺少应用技术细节和输入输出关联	阐明领域数据含义、场景约束及方案整体可实现性

表：人工智能相关专利申请充分公开的撰写与答复要点

上述三类贡献并非完全孤立。一项申请可能既涉及模型结构改进，也涉及训练方法调整，还包含具体应用场景。此时应当根据发明核心贡献确定撰写主线和答复重点，同时兼顾其他贡献相关内容的记载，避免因次要内容缺失影响整体公开。

七、申请人和专利代理师的实务操作建议

（一）申请阶段按贡献类型建立撰写清单

在撰写人工智能相关专利申请前，可以先明确发明贡献属于模型训练、模型构建、具体领域应用还是组合情形，并据此建立说明书必要记载事项清单。清单应当围绕技术问题、技术手段和技术效果展开，确保每一个体现发明贡献的技术特征在说明书中都有清楚、完整的记载。

对于训练类发明，重点检查算法步骤、训练过程、关键参数和效果数据；对于构建类发明，重点检查模块结构、层次结构、连接关系和功能效果；对于应用类发明，重点检查场景结合、输入输出设置和数据关联。撰写完成后，可以站在所属技术领域技术人员的角度，按照说明书重新推演一次实施过程，查找可能无法实现之处。

（二）说明书与权利要求保持对应，为答复保留原始依据

说明书和权利要求书应当在技术特征层面保持对应，避免权利要求记载了说明书未充分展开的内容。权利要求中写入的特征，尤其是体现发明点的特征，原则上都应在说明书中说明其作用、实现方式和效果。否则，后续修改权利要求或者答复审查意见时，可能因缺少原始依据而受到限制。

说明书还应当保留足够的实施例和变化方式。人工智能方案往往存在多种可实现形式，适当记载替代方式、参数范围和实施条件，有助于证明申请人已经公开了能够实现的技术方案，也能为授权程序中的权利要求调整提供支持。

（三）答复阶段先回归原文件，再选择修改或陈述

收到公开不充分审查意见后，不应急于修改，而应先判断审查意见指向的是何种必要记载缺失。如果原始文件已经记载相关内容，可以通过意见陈述引用具体段落予以回应；如果确需修改，应当在专利法第三十三条允许的范围内，从原始说明书和权利要求书中寻找支持。

答复中要避免以“算法效果更好”代替“实现方式已经公开”，也要避免将公开不充分问题简单转化为创造性论证。只有回到原说明书和权利要求书记载的内容，结合本领域技术人员的认知，才能形成有说服力的答复。

综上所述，人工智能相关专利申请的充分公开，不是将所有算法细节无差别地堆入说明书，而是根据发明贡献类型，围绕所属技术领域的技术人员能够实现这一标准，准确记载实现发明必不可少的技术内容。模型训练申请要写清算法步骤和训练过程，模型构建申请要写清模块结构、层次结构和连接关系，具体领域应用申请要写清场景结合与输入输出关联。面对公开不充分审查意见，答复应当回到原说明书和权利要求书，结合本领域公知常识论证可实现性，不能以申请日后的新内容改变公开基础。从撰写源头为充分公开留足依据，既是应对审查的基础，也是提高人工智能专利授权确定性和权利质量的关键。