AI参与研发的发明，专利怎么写才不被驳回——伦理审查、保护客体与充分公开的三个实务判断

#引言：一份写得很"漂亮"的申请，为什么还是被驳了

　　先说一个在代理机构里越来越常见的场景。一家做工业质检的软件公司，用大模型辅助设计了新一代缺陷识别算法，检测精度从行业常见的水平往上提了一截。研发负责人很兴奋，让知识产权专员赶紧报专利。专员照着过去的模板写：技术领域、背景技术、发明内容、具体实施方式，权利要求写成"一种基于深度学习的缺陷检测方法"，特征是"获取图像—预处理—输入神经网络—输出检测结果"，再补一句"提高了检测效率和准确率"。

　　这份申请看上去结构完整，问题却几乎全在细节里。发明人一栏，研发总监把参与提示词设计的算法工程师和"公司自研的模型平台"并列写了进去；说明书里，模型怎么搭的、训练用了什么数据、参数怎么设，一句"采用本领域常规深度学习模型训练得到"带过；数据来源那一节，写的是"采集自合作工厂产线"，但没说有没有取得工厂和工人的授权。审查意见下来，一次性提了三个方向的问题：发明人填写不符合规定、方案是否属于专利保护客体存疑、说明书公开不充分。

　　这不是个案。人工智能相关的专利申请，过去几年一直处在"申请人觉得自己在保护技术、审查员觉得申请人在保护想法"的拉扯中。2026年1月1日起，国家知识产权局令第84号公布的《专利审查指南》修改决定正式施行，把这场拉扯的规则写得比以前清楚得多，也更严。对企业的实际影响是：以前靠撰写技巧能绕过去的地方，现在绕不过去了；而以前没人当回事的研发过程管理，现在直接决定申请能不能立住。

　　下面三个判断，是我认为这一轮新标准下最需要提前想清楚的。

#一、AI不能当发明人，但真正难的是证明"人做了什么"

　　第一个判断看起来最简单：人工智能不能署名发明人。

　　《专利法实施细则》第十四条写得很干脆，发明人是指对发明创造的实质性特点作出创造性贡献的人；在完成发明创造过程中，只负责组织工作的人、为物质技术条件的利用提供方便的人或者从事其他辅助工作的人，不是发明人。新版《专利审查指南》在第一部分第一章第4.1.2节进一步明确，发明人应当是个人，也就是自然人，请求书中应当填写所有发明人的身份信息，并确保信息真实，不得填写单位或者集体，以及人工智能名称。换句话说，把"××AI实验室""智能算法平台"写进发明人栏，从形式上讲就是错的。

　　但真正麻烦的不是形式，而是实质。当研发过程变成"人给方向、模型给方案、人再筛选"，那个"对实质性特点作出创造性贡献的人"到底是谁？如果一家公司用模型生成了几十版候选结构，工程师从中挑了一个效果最好的，这个工程师是不是发明人？如果模型给出的方案里有一个关键连接方式，是工程师完全没有想到、也没有理解原理的，还算不算人的贡献？

　　这里必须说清楚一个容易被忽略的风险：发明人署名不实，不只是补正的问题。国家知识产权局《关于规范申请专利行为的办法》（公告第411号）第二条第二款把"虚假变更发明人、设计人"列为非正常申请专利行为；而发明人身份又是职务发明奖励、权属争议、甚至离职后竞业与成果归属纠纷的核心事实。一家公司今天为了让核心工程师"挂名"好看，明天可能在专利权属诉讼里被对方拿出发明人贡献不足的证据。反过来说，把真正作出贡献的人漏掉，同样会在奖励分配和后续维权中留下裂缝。

　　我的实务建议是，把"发明人认定"从申请环节前移到研发环节，做成一件可留痕的日常动作。具体做法不复杂：为每个研发项目建一份贡献台账，按时间记录谁提出了技术问题、谁确定了技术路线、谁设计了模型结构或训练策略、谁完成了参数调优和效果验证、谁只是提供了算力或数据。台账不需要写得很正式，但它必须能在两年后回答一个问题——这个方案的哪一个"实质性特点"，是哪个人想出来并且验证过的。这份台账在答复审查意见、应对权属争议、处理离职员工成果归属时，价值远高于任何事后补写的说明。

　　还有一层是很多企业会忽略的：当模型参与到方案生成中，人在其中的贡献恰恰需要用"可描述的技术决策"来证明。工程师说"我调了学习率"，这不是创造性贡献；工程师说"因为产线光照波动大，我把注意力机制从通道维度改到空间维度，并相应调整了归一化方式"，这才是。前者是操作，后者是技术判断。撰写申请时把后者写进说明书，既是公开要求，也是发明人认定的证据。

#二、伦理条款不是道德口号，它会直接把方案挡在门外

　　第二个判断，是这一轮修改中最实质的变化：专利法第五条第一款被明确写入了人工智能申请的审查标准。

　　新版《专利审查指南》在第二部分第九章新增6.1.1节，明确"对于包含算法特征或商业规则和方法特征的发明专利申请，如果其中的数据采集、标签管理、规则设置、推荐决策等含有违反法律、社会公德或者妨害公共利益的内容，则根据专利法第五条第一款的规定，不能被授予专利权"。配套给出的两个示例很值得逐字读。

　　第一个示例是"一种基于大数据的商场内床垫销售辅助系统"，通过在商场安装摄像和人脸识别模块，在顾客未察觉的情况下采集面部特征、得到身份识别信息，用于分析顾客对床垫的真实偏好、实现精准营销。指南的分析直接指向《个人信息保护法》第二十六条：在公共场所安装图像采集、个人身份识别设备，应当为维护公共安全所必需，遵守国家有关规定，并设置显著的提示标识；所收集的个人图像、身份识别信息只能用于维护公共安全的目的，不得用于其他目的，取得个人单独同意的除外。把这类设备用于卖床垫的精准营销，不属于维护公共安全所必需，申请中也没有表明数据获取合法合规，结论是不能授权。

　　第二个示例是"一种无人驾驶车辆应急决策模型的建立方法"，用行人的性别和年龄作为障碍物数据，训练模型在无法避让时决定保护谁、撞谁。指南的结论是，这种依据性别和年龄做差异化决策的方式，违背生命平等的基本价值准则，把社会偏见在算法中固化放大，属于违反社会公德，同样不能授权。

　　这两个例子放在一起，传递的信息很清楚：审查员看的不是你的算法先不先进，而是这个方案落地之后会做什么。数据怎么来的、标签怎么打的、规则怎么设的、推荐结果怎么给的，这四个环节只要有一个环节的内容本身违法或者违背公德，整个方案就被否掉。

　　企业最容易踩的坑，是把它当成"补一句技术效果就能过"的形式问题。有些代理写法是：在权利要求里加一个"对采集数据进行脱敏处理"的步骤，然后主张已经合规。这在伦理审查面前基本无效，因为问题不在有没有脱敏，而在采集行为本身是否具备合法性基础。指南的表述是"必要时应当针对说明书的内容进行审查"，也就是说，权利要求写得再干净，说明书里暴露的数据来源问题照样会被翻出来。

　　所以我通常建议客户在提交前做一次"数据来源与规则设计自查"，问四个问题：训练和运行数据的取得，依据的是《个人信息保护法》第十三条的哪一项合法性基础；如果涉及公共场所的图像采集或者身份识别，是否满足第二十六条的目的限定；标签体系里有没有把人按敏感属性分组，分组是否与所要解决的技术问题直接相关；推荐或者决策规则里，有没有把受保护特征作为显性或者隐性的输入。这四个问题答不上来，申请写得多好都是空中楼阁。

　　顺便提醒一个常被混用的概念：违反法律与属于智力活动的规则和方法，是两条不同的驳回理由。前者是专利法第五条第一款，后者是第二十五条第一款第（二）项。有些方案本身不违法，但因为解决的只是"怎么算""怎么排""怎么分配额度"这类纯规则问题，没有采用技术手段、没有解决技术问题、没有产生技术效果，就会落在第二十五条或者第二条第二款上。两条理由的应对方式完全不同：伦理问题要改方案本身，客体问题要改方案的技术化表达。把它们混为一谈，答复审查意见时就会答错方向。

#三、换一个应用场景，通常换不来创造性

　　第三个判断，关乎绝大多数人工智能申请的实际命运：创造性。

　　《专利法》第二十二条第三款要求发明与现有技术相比具有突出的实质性特点和显著的进步。人工智能领域的特殊困难在于，模型结构往往是公开的、开源的，应用场景却千差万别，申请人很容易产生一种错觉——我把同一个模型用到别人没做过的行业里，这就是创新。

　　新版指南新增的两个示例，基本把这个错觉按住了。"一种识别船只数量的方法"，用常规深度学习做图片目标计数，与对比文件识别树上果实的方法相比，区别仅在于识别对象不同。指南认为，虽然船只和果实在外观、体积、环境上差异很大，但申请并没有因为识别对象不同而对深度学习、模型构建或者训练过程做出调整或改进，本领域技术人员知道识别不同对象所需的信息标记、数据集划分、模型训练步骤并无本质区别，因此不具备创造性。

　　反过来，"一种建立废钢等级划分神经网络模型的方法"就站住了。它要解决的是废钢按平均尺寸分级的问题，废钢堆放杂乱、相互叠压，为了提取颜色、边缘、纹理特征，申请人对卷积层和池化层的线路数量和层级设置都做了调整，这些算法特征与技术特征在功能上相互支持、存在相互作用关系，现有技术没有给出相应启示，所以具备创造性。

　　这两案的差别，不在场景新旧，而在"场景有没有反过来改变算法"。这其实给了企业一条很实用的判断标准：如果你能说出来"因为这个行业的某个具体约束，我不得不改模型结构、改特征提取方式、改训练策略或者改数据组织方式"，创造性就有落脚点；如果你只能说"这个行业还没人用过"，那大概率是在裸奔。

　　与此配套的是说明书充分公开。新版指南在6.3.1节明确，涉及人工智能模型构建或者训练的，一般需要在说明书中清楚记载模型必要的模块、层级或者连接关系，训练必需的具体步骤、参数等；涉及在具体领域或者场景中应用的，一般需要清楚记载模型或者算法如何与场景结合，输入输出数据如何设置以表明内在关联关系，使本领域技术人员能够实现。

　　新增的两个公开示例把边界划得很细。"一种用于生成人脸特征的方法"，说明书没写空间变换网络在第一卷积神经网络中的具体位置，但本领域技术人员知道这个网络可以插到模型任意位置而不影响其识别特征区域的能力，属于公知常识，所以认为公开充分。"一种基于生物信息预测癌症的方法"，把血常规指标和人脸图像特征一起作为筛查模型输入，但说明书没有公开、技术人员也无法确定哪些指标和特征与判断准确率有关，结论就是公开不充分。

　　这就是所谓"黑箱"的披露尺度：模型内部可以不解释到数学层面，但"输入什么、为什么是这些输入、输出怎么用、参数怎么定"必须让同行照着能做出来。很多企业卡在这里，不是因为不愿意写，而是研发过程本身就没有记录——参数是试出来的，特征是被工具自动选的，最后只能写一句"通过实验确定"。这种表述在审查员眼里等于没写。

#四、三条路径的代价，要放在一起算

　　把上面三层收拢，企业在保护人工智能创新时，实际上面临三条路径的选择，而它们的利弊并不是对称的。

　　第一条是走发明专利，方法权利要求加系统权利要求。好处是保护力度最强，方法可以被直接比对，侵权认定相对清晰，许可和融资时也最好用。代价是周期长、公开彻底，而且必须跨过客体、伦理、创造性、充分公开四道关。对于核心算法，这条路值得走，但前提是研发过程能支撑起一份"写得出细节"的说明书。

　　第二条是转向实用新型或者外观设计。实用新型只保护产品的形状、构造或者其结合，纯算法、纯方法进不去，只能保护承载算法的硬件载体，比如检测设备的机械结构、光学模组布局；外观设计保护的是产品外观。它们的价值在于快、便宜、授权确定，但保护范围与算法本身无关。很多企业在这里有一个误解：以为把算法写进"一种检测装置"里就能获得保护。实际上如果装置的新颖性只来自里面跑的软件，实用新型照样通不过。这条路适合"硬件有真实改进"的情形，不适合拿来做算法的替代方案。

　　第三条是转商业秘密。好处是不公开、无期限、不需要过审查关，尤其适合那些"一旦公开就容易被复现"的训练策略、数据配比、参数调优经验。代价是排他性弱——别人独立研发出来同样的方案，你拦不住；而且一旦发生泄露，举证责任在你，你得证明自己采取了保密措施、信息具有商业价值、对方有不正当手段。这条路的关键不在法律，而在管理：权限分级、访问日志、离职交接、供应商保密条款，缺一样，主张的时候就会漏气。

　　实践中更常见的做法是组合，而不是单选。把"算法与场景相互作用产生的那部分结构改进"写成发明专利，把"承载它的硬件形态"报实用新型，把"数据配比、训练技巧、调参经验"留在商业秘密里，三层各管一段。真正需要避免的是另一种组合：为了让申请看起来更丰满，把一个方案拆成十几件内容高度相似的申请批量提交。这类操作很容易撞上《关于规范申请专利行为的办法》第二条第二款——尤其是第（一）项的"发明创造内容明显相同或者实质简单组合变化"和第（四）项的"主要利用计算机程序或者其他技术随机生成"。被认定之后的后果不只是驳回，还包括不予减缴专利费用、已经减缴的要求补缴，情节严重的五年内不予减缴。

#五、给企业的一套落地动作

　　如果要把上面的分析变成可以执行的事情，我建议按这个顺序推进。

　　申请前，先做一次"三张表"的准备。第一张是发明人贡献表，把每个署名人与方案中具体技术特征的对应关系写清楚，确保每一个实质性特点都能找到作出贡献的自然人；同时核对职务发明的边界，特别是离职一年内作出的、与原岗位工作有关的成果，避免权属埋雷。第二张是数据合规表，逐项写明训练数据与运行数据的来源、合法性基础、是否涉及敏感个人信息、是否涉及公共场所图像采集或者身份识别，这张表既是自查，也是将来答复伦理审查时的底稿。第三张是公开清单，把模型模块与层级、关键参数、训练步骤、场景结合方式、输入输出关系逐条列出，标出哪些属于公知常识可以简述、哪些必须详写。

　　撰写阶段，把力气花在"相互作用"上。权利要求的区别技术特征，尽量落在"场景约束导致的结构或流程改变"上，而不是落在"应用领域"上。说明书的实施例，宁可少写几个场景，也要把一个场景写透——写清楚这个行业的特殊约束是什么、为什么常规做法不行、因此改了什么、改完之后指标怎么变的。这一段写扎实了，创造性和充分公开两个问题往往一起解决。

　　内部管理上，还有两件容易被当成小事的事值得做。一是把专利奖励和技术贡献挂钩，而不是和申请数量挂钩。《专利法》第十五条要求被授予专利权的单位对职务发明的发明人给予奖励，专利实施后还要根据推广范围和经济效益给予合理报酬；如果内部只奖励"提交数量"，研发人员就会倾向于把一个想法拆成多个申请，这恰恰是非正常申请的高发区。二是把代理机构的分工写进委托合同，明确企业负责提供技术事实与数据合规底稿、代理机构负责权利要求布局与公开尺度把握，出现因技术事实提供不全导致的驳回，责任怎么分要事先说清楚。

#结语

　　人工智能带来的专利问题，本质上不是"机器能不能当发明人"这种哲学命题，而是一连串非常具体的举证问题：这个方案里哪一部分是人想出来的、数据是怎么合法拿到的、模型为什么这么搭、换到这个行业为什么必须这么改。新标准把这些问题的答案，从"撰写技巧"推回到了"研发管理"。对企业的现实含义是，专利质量的上限，在提交申请之前就已经被研发过程的记录水平决定了。

　　如果贵公司正在准备人工智能相关的专利申请，或者已经收到涉及客体、伦理、公开不充分的审查意见，建议在答复之前先把技术事实和数据来源这两条线重新梳理一遍——很多看似的"撰写问题"，根子其实在研发环节。

---

需要专业帮助？预约测绘，帮你梳理AI相关专利的申请路径、公开尺度与风险边界。