随着金融科技发展规划等政策的推进，金融与科技的融合已逐渐成为行业共识。对于金融科技企业而言，将技术成果转化为专利资产，不仅是保护自身创新成果的需要，也是提升企业技术影响力的重要途径。
实践中，部分金融科技企业的研发人员是第一次接触专利申请，不知道日常工作中的哪些内容能够申请专利。本文围绕金融科技企业日常运营中涉及的主要业务——投研、交易、风控及数据治理，梳理出四个相互关联但各有侧重的专利挖掘方向，并探讨人工智能专利的审查要点。
一、专利法对“技术方案”的基本要求
根据《专利法》第二条，发明是指对产品、方法或其改进所提出的新的技术方案。在专利审查实践中，判断一项方案是否属于“技术方案”，通常从三个维度考察：是否解决了技术问题、是否采用了技术手段、是否达到了技术效果。这三个维度相互关联，共同构成技术方案的核心特征。
因此，只要一项方案不是单纯的商业规则，而是为了解决某个具体的技术问题——例如系统响应延迟、交易数据不一致、模型预测偏差等，并且为此采用了特定的技术手段，就具备申请专利的可能。
二、四个专利挖掘方向
（一）投研与量化分析
投研业务中，金融科技企业需要处理行情数据、财报数据、舆情文本等多源异构数据，日常工作涉及数据清洗、特征工程与模型调优等环节。
可以关注以下三个方面：
多源异构数据的融合与处理方法。如果针对特定类型的数据源设计了差异化的对齐策略、缺失值插补方法或特征提取流程，解决了数据质量差、处理效率低等技术问题，可以形成专利申请。
量化分析模型的训练与调优方法。即使采用的是行业已有模型，但如果在参数调整、目标求解、训练数据采样等方面提出了新的技术方案，可以围绕改进点形成专利申请。
基于知识图谱的产业链分析。在构建产业链知识图谱的过程中，如果设计了特定的图谱构建方法、节点关系推理方式或风险传导路径分析方法，可以围绕这些技术环节进行专利布局。
（二）交易与运营处理
金融科技企业每日需要处理数百万笔交易，涉及登记过户、清算结算、交易路由等多个技术环节，系统普遍面临高并发、数据一致性、低延迟等技术挑战。
可以关注以下两个方面：
分布式事务处理机制。在高并发交易场景下保证数据一致性是系统设计的难点，围绕分布式事务处理的实现方式，如果在数据分片策略以降低锁竞争、异常交易的自动回滚与补偿等方面有新的设计，可以进行专利申请。
交易指令的路由与执行。量化交易中为减少大额订单对市场的冲击，如果在订单拆分或路由策略方面有新的设计，例如运用强化学习模型动态调整分仓比例、考虑多个交易场所流动性差异的智能路由方法等，可以进行专利申请。
（三）风控与合规
金融科技企业在日常运营中需要审核大量材料，同时对交易行为进行实时风控。大模型技术在合规审查、交易风控及智能客服领域有较大的应用空间。
可以关注以下四个方面：
基于大模型的合规文档审查。围绕监管规则知识库的构建、合规要点的抽取与比对逻辑、结构化审查报告的生成等技术环节，如果有新的设计，可以考虑专利申请。
实时交易风控的规则与模型融合架构。如果在规则引擎与机器学习模型的融合方式、触发机制或异常判定策略等方面有新的设计，可以考虑申请专利。
监管报送材料的自动生成。如果在监管规则的解析、业务数据的抽取、格式规范的适配等方面有新的设计，可以考虑申请专利。
大模型驱动的智能客服。如果在垂直领域大模型的构建、多轮对话上下文理解与意图迁移、合规应答的校验与脱敏等方面有新的设计，同样可以考虑专利申请。
（四）数据治理与数据资产管理
投研数据从采集、清洗、特征工程到策略运算，涉及全链路的数据管理和质量监控。本方向的专利挖掘侧重数据管理技术本身，为前三个方向——投研、交易、风控，提供高质量、可追溯的数据基础。
可以关注以下三个方面：
数据血缘追踪。围绕数据从来源到消费端的流转路径，如果有技术改进，例如元数据驱动的血缘自动构建方法、数据变更的影响范围评估方法等，可以申请专利。
数据质量监控。围绕基于元数据的质量监控与异常告警，如果有技术改进，例如面向投研场景的多维数据质量评估方法、告警规则自动生成方法等，可以申请专利。
隐私计算在跨机构数据共享中的应用。如果在跨机构数据协同计算方面有新的设计，例如联邦学习中的样本对齐与梯度聚合方法、多方安全计算下的特征映射与结果解密策略、不泄露原始数据的用户联合画像方法等，可以申请专利。
三、人工智能专利的审查要点
2026年新施行的《专利审查指南》（下称指南）对涉及人工智能的发明专利申请提出了细化的要求。以下三个方面的审查要点，供研发人员在准备技术交底书时参考。
第一，数据合规性。《专利法》第五条第一款规定，对违反法律、社会公德或者妨害公共利益的发明创造，不授予专利权。指南据此进一步明确，对于包含算法特征或商业规则特征的发明专利申请，如果其中的数据采集、规则设置、标签管理、推荐决策等环节含有违反法律或社会公德的内容，则不能获得专利授权。
因此，建议在涉及用户画像、信用评分等技术方案时，在技术交底书中说明数据的合法来源以及模型的公平性设计，例如避免将歧视性属性作为决策特征，或通过算法校准消除数据偏见。
第二，技术方案的充分公开。指南针对人工智能模型“黑盒”特点，明确了模型构建、模型训练等情形下说明书的撰写要求，细化了充分公开的判断标准。具体而言，涉及模型构建或训练时，需要在说明书中清楚记载模型必要的模块、层级或连接关系，以及训练所必需的步骤、参数等；如果在具体业务场景中应用模型或算法，需要清楚记载模型或算法如何与该场景相结合，输入、输出数据如何设置以表明其内在关联关系。
因此，撰写技术交底书时不宜仅笼统地说“采用了某类模型”，而应尽量写明模型结构、参数设计、损失函数、训练数据及标注规则等具体信息。
第三，创造性的判断标准。指南规定，对于既包含技术特征又包含算法特征的发明专利申请，创造性审查应当考虑算法特征与技术特征之间是否存在相互支持、相互作用的关系，以及算法特征对技术方案整体作出的贡献。指南进一步通过示例表明：仅将已有模型应用于新的技术领域，而模型本身未作实质性改进的，通常不具有创造性；反之，如果在数据处理环节、模型结构、训练方法或特征工程等方面对已有模型进行了实质性改进，则可以支撑创造性认定。
因此，若将通用大模型直接用于金融科技领域，未对模型结构或数据处理方法进行实质性改进，通常难以认定其具有创造性；如果针对金融科技领域构建了特定的数据集，设计了适合合同文本结构的建模方法，或者对预训练模型进行了微调设计，这类对模型本身或数据处理环节的实质性改进，则可以作为创造性认定的有力支撑。
通过上述梳理，可以看到专利挖掘不是等待“重大发明”，而是对日常工作中具有技术含量的改进点进行梳理与提炼。那些在业务实践中解决了具体技术问题的改进，无论涉及数据处理、模型调优还是系统设计，都可以成为专利申请的素材。
作者：
徐莉
专利代理师
律师
上海隆天律师事务所
责任编辑：周赟
