人工智能发明专利中算法与技术特征的整体创造性评价

人工智能相关发明专利申请往往同时包含模型结构、训练方法、参数调整等算法特征，以及传感器、处理器、存储资源、控制流程和输出装置等技术特征。创造性审查中，审查员不会仅因方案使用了神经网络或机器学习就当然认可算法贡献，也不会把算法从技术方案中整体剥离。关键在于算法特征是否与技术特征在功能上彼此支持、相互作用，是否共同构成解决具体技术问题的技术手段，并产生相应的技术效果。

一、算法特征进入创造性评价的前提

专利法第二十二条第三款规定，创造性是指与现有技术相比，该发明具有突出的实质性特点和显著的进步。对于包含算法特征的发明，创造性的判断仍应回到权利要求限定的整体技术方案，但需要考虑算法特征是否与技术特征形成了实质关联。如果算法只是抽象数学步骤，或者仅以计算机作为通用执行工具，其对技术方案的贡献可能不被纳入创造性评价。

现行《专利审查指南》关于人工智能相关发明专利申请的规定指出，在创造性审查时，应当考虑与技术特征功能上彼此相互支持、存在相互作用关系的算法特征对技术方案作出的贡献。所谓“功能上彼此相互支持、存在相互作用关系”，要求算法特征与技术特征紧密结合，共同构成解决某一技术问题的技术手段，并能够获得相应技术效果。算法特征并非必然贡献创造性，只有进入技术方案并改变技术手段时，才可能成为评价对象。

这一规则具有两层功能。第一层解决算法特征是否应当被考虑，防止将已经嵌入技术系统的算法错误地当作非技术内容排除。第二层解决算法特征在创造性判断中的权重，即使算法被纳入考虑，仍需与最接近现有技术比较，判断整体方案是否显而易见、是否取得有益技术效果，不能仅凭算法复杂或者模型先进就认定创造性。

二、功能上相互支持与相互作用关系的认定

功能上的相互支持，通常表现为算法特征和技术特征之间存在双向约束。算法根据硬件结构、算力、存储、通信带宽或采集条件调整处理方式，技术特征又为算法运行提供数据、执行环境和应用场景。二者形成完整的数据流和控制流，单独删除算法或技术特征后，方案无法实现同样的技术目的，这种关系才更接近规范意义上的相互支持。

（一）算法与硬件资源的适配

模型量化、剪枝、并行训练和推理调度等算法特征，如果与处理器位宽、存储容量、加速器结构、通信链路或者边缘设备功耗约束结合，使系统实现速度提升、资源占用下降或者能耗降低，算法特征就可能与硬件技术特征共同构成技术手段。仅写“在处理器上运行神经网络”不足以证明互动关系，应进一步说明算法对硬件资源的利用方式和硬件约束对算法的反向限制。

例如，某方案根据加速器的片上缓存容量动态调整矩阵分块和算子调度，使模型在不增加外部存储访问的情况下完成推理。矩阵分块算法与缓存结构、算子执行顺序相互配合，并产生降低延迟和带宽占用的技术效果。此处算法改进不宜被理解为单纯的数学优化，而应作为计算机系统内部性能改进的一部分评价。

（二）算法与数据采集和控制流程的结合

当发明应用于工业检测、医疗影像、设备诊断、自动驾驶或通信优化时，算法处理的数据通常具有明确技术含义。数据采集方式、预处理步骤、模型输出与物理控制之间形成的闭环关系，可以证明算法特征和技术特征共同解决技术问题。例如，缺陷检测模型输出直接控制分拣装置，图像增强方式根据传感器噪声特征设计，模型推理结果影响设备运行参数。

审查中应避免只说明算法输入和输出的数据名称，而要进一步说明数据如何来自具体技术过程、算法如何处理数据、处理结果如何作用于技术对象。若算法结果只用于生成管理建议、商业决策或者抽象评分，而技术系统无需作出相应改变，其与技术特征之间的互动关系通常较弱。

（三）算法训练方式与系统性能的关联

训练方法、损失函数、样本构造、模型结构和部署方式也可能与系统技术特征发生关联。训练数据来自特定传感器并具有特定噪声或缺失模式，训练策略针对低算力设备进行优化，模型结构适配多节点通信结构时，算法特征不再是孤立方法，而是系统技术方案的一部分。申请文件应说明训练阶段和推理阶段如何对应实际技术约束，以及产生的性能改善。

三、整体创造性判断的基本步骤

在确认算法特征与技术特征存在功能互动后，创造性审查仍然按照整体方案与现有技术比较的路径展开。审查重点不是算法本身的新旧，而是算法与技术特征结合后的方案相对于最接近现有技术是否具有突出的实质性特点和显著进步，现有技术是否给出了将该算法与具体技术环境结合的启示。

（一）确定最接近现有技术

最接近现有技术通常应与申请的技术领域、技术问题和技术效果最为接近，不能为了否定算法贡献而选择与申请缺少可比性的文献。对于计算机内部性能改进类发明，对比文件可以关注处理器、存储、通信和系统架构；对于领域应用类发明，对比文件应关注该应用场景的数据采集、处理和控制流程。

（二）确定区别特征和实际解决的技术问题

在整体方案中确定区别特征时，需要识别算法特征与技术特征之间的组合关系，而不是把算法步骤和硬件步骤分别拆分。若区别在于缓存容量约束下改变分块算法和算子调度，实际解决的技术问题可能是降低外部存储访问和推理延迟；若区别在于工业缺陷样本稀缺条件下改进训练方式，实际技术问题可能是提高小样本缺陷识别的稳定性。重新确定技术问题应基于区别特征实际带来的技术效果。

（三）判断现有技术启示与非显而易见性

现有技术公开了某一算法模型，并不当然意味着将该模型用于申请的特定技术系统具有启示。审查需要判断本领域技术人员是否有动机结合已有算法与技术特征，是否需要克服数据获取、硬件适配、控制稳定性、实时性或者资源约束等技术困难，以及结合后能否合理预期相应技术效果。若现有技术只给出抽象模型或通用处理器执行方案，未披露与技术特征的具体配合关系，不能简单认定显而易见。

（四）评价技术效果

技术效果是整体创造性评价的重要组成部分。算法训练中的准确率、召回率、损失值等指标可以与技术系统效果建立联系，但应说明其如何转化为检测精度、控制误差、响应时间、存储占用、能耗、稳定性或者设备寿命等技术改进。脱离系统的模型性能提升，通常不足以单独支撑技术效果。

四、典型情形的审查重点

人工智能相关发明专利申请通常可以通过领域应用、计算机系统内部性能改进和用户体验提升三条路径说明算法贡献。三者可以同时存在，但审查和答复应围绕主要区别特征选择核心论证，避免堆砌互不相关的模型指标。

情形	算法与技术特征的关系	技术问题	效果论证
具体领域应用	算法与数据采集、识别、控制或诊断流程结合	解决该技术领域特有的准确性、稳定性或实时性问题	系统检测率、控制误差、停机率等客观技术效果
计算机内部性能改进	算法与处理器、缓存、存储、通信或加速器结构适配	降低资源消耗、延迟或提高系统执行效率	内存访问量、带宽、能耗、推理时延等数据
用户体验提升	系统依据算法结果调整资源分配、响应路径或界面呈现	改善系统处理机制和交互性能	解释体验提升由算法与技术特征共同产生的技术机制

表：算法特征与技术特征整体考虑的典型情形

五、申请文件撰写要点

将算法特征纳入创造性评价的基础，应当在原始申请文件中完成。说明书需要围绕技术问题、技术手段和技术效果形成完整链条，写明算法运行所依赖的数据来源、硬件环境、参数约束、控制对象和输出用途，避免只在公式、网络结构或训练流程层面描述算法。

（一）权利要求应体现算法与技术的结合

独立权利要求可以按照数据处理链路或者系统运行链路组织，将数据获取、预处理、算法处理、结果判定和控制输出连接起来。算法特征应与特定技术特征共同出现，例如传感器类型与数据特征、硬件资源与调度策略、模型输出与控制指令。仅写“处理器执行模型”或者“计算机实现算法”属于通用环境表述，难以充分体现功能互动。

（二）说明书应记载可复现的关联关系

说明书可以通过流程图、数据流图和实施例说明算法的输入、处理、输出如何影响系统技术状态。对于模型选择、参数范围和训练策略，应说明其与具体技术约束之间的对应关系，避免只给出任意数值。必要时提供对比实验、消融实验或者系统运行数据，证明算法调整产生了可验证的技术效果。

（三）技术效果应回到系统性能

如果算法指标提升能够减少工业检测误报、提高医疗影像分割边界精度、降低自动驾驶决策延迟或者减少边缘设备能耗，应在说明书中明确指标与系统技术效果之间的联系。技术效果应具有可比较的基准和可理解的因果关系，不能停留在“模型更先进”“效果更优”等概括结论。

六、审查意见答复和修改

收到认为算法特征不应考虑的审查意见时，答复应先确认审查员否定贡献的具体理由：权利要求缺少技术关联、说明书记载不足、算法应用属于常规替换，还是技术效果无法证明。不同原因对应不同答复方式，直接重复算法具有新颖性通常难以奏效。

（一）重新界定区别特征和技术问题

答复时应将算法特征与技术特征作为一个整体，明确哪些区别使系统运行方式发生改变，并据此重新确定实际解决的技术问题。若审查员只把算法步骤和硬件步骤分别评价，申请人可以说明二者之间的数据流、控制流和约束关系，纠正割裂分析。

（二）补入原始申请文件支持的技术关联

权利要求缺少关联特征时，可以在原始申请文件支持范围内补入与最接近现有技术存在区别的技术特征，或者补入与现有技术特征功能相互支持的算法特征。补入内容不得超出原申请公开范围，也不应只增加“通过处理器执行”等缺少实质限定的通用表述。

（三）用技术效果回应显而易见性

针对现有技术已公开同类算法的主张，答复应说明将算法应用于申请的技术系统时存在哪些技术困难、需要作出哪些适配，以及结合后是否取得预料不到的技术效果。效果证据应与区别特征对应，尽量采用与最接近现有技术可比的测试条件和系统指标。

七、实务审查清单

企业研发和专利团队在申请前、答复中和无效或诉讼阶段，可以按照同一框架检查算法特征的贡献。首先确认方案解决的是否为技术问题；其次确认算法特征与技术特征是否存在双向约束；再次确认技术效果是否由整体方案产生；最后确认现有技术是否给出了结合启示。

问题属性：技术问题是否涉及系统性能、数据处理、设备控制或者物理过程，而非抽象商业评价。

功能互动：算法是否根据硬件或数据约束调整，技术流程是否依赖算法输出而改变。

整体评价：是否避免将算法和硬件机械拆分，是否围绕完整技术方案检索和比较现有技术。

效果证据：是否有可复现、可比较且与区别特征对应的系统技术效果数据。

修改边界：补入权利要求的特征是否有原始申请文件明确支持，是否形成新的技术关联而非简单拼接。

综上所述，人工智能相关发明专利的创造性审查，不应把算法特征当然排除，也不应在算法与技术特征缺少功能关联时夸大其贡献。与技术特征彼此支持、相互作用的算法特征，应当与相关技术特征作为整体方案评价；在此基础上，再与最接近现有技术比较，判断是否具有突出的实质性特点和显著进步。申请文件应清楚记载技术问题、算法与系统的互动关系以及可验证的技术效果，审查意见答复则应围绕区别特征、技术问题和现有技术启示展开。只有把算法贡献落实到系统技术改进，才能形成稳定、可论证的创造性基础。