第五届知产前沿人工智能论坛在沪闭幕
2025年12月12日，由YIP Events & 知产前沿新媒体主办的第五届知产前沿人工智能论坛在上海静安铂尔曼酒店举行。本届论坛以“AI技术驱动下的知识产权及合规挑战”为主题，聚焦生成式人工智能在专利申请、数据保护、企业合规与著作权保护中的关键问题，深入探讨AI对知识产权制度的冲击及全球政策动态，为从业者提供专业交流平台。
人工智能专利创造性审查新规解读
上海弼兴律师事务所高级合伙人罗朗围绕“新审查指南下人工智能专利的创造性答辩策略及实践”，系统解析了2023版与2025版《专利审查指南》中关于AI专利创造性审查的核心修改，并结合典型案例，从答辩“破与立”逻辑、方案制定、关键要素论证等维度，提炼实操方法论[2]。
一、《专利审查指南》（2023）关于创造性理论的修改
1. 最接近的现有技术确定更重技术问题关联性
2023版指南明确，应优先选择与发明所解决技术问题直接相关的现有技术，而非仅依据技术特征相似度。在AI专利中，模型或数据类型相同不等于技术问题相同；可据此质疑审查员选取的对比文件合理性[3]。
2. 技术问题界定避免“唯效果论”与“事后诸葛亮”
指南允许将技术问题界定为“提供一种可供选择的技术方案”，但强调该表述易导致创造性评价偏低，实践中宜谨慎采用；同时严禁将区别特征或技术启示直接写入技术问题，应基于区别特征推导技术效果，再反推技术问题，构建符合创新逻辑的分析框架[4]。
3. 公知常识认定更注重证据匹配性
技术词典、手册等工具书被纳入公知常识证据范畴。在AI领域，即便基础模型广为人知，也需论证其通用原理与本发明改进点之间的实质性差异，通过细化技术问题降低被覆盖风险[5]。
二、《专利审查指南》（2023）关于AI专利创造性的案例与标准更新
算法与系统性能改进可整体考量
若AI算法与计算机内部结构存在特定技术关联，并实现系统性能提升（如资源调度、任务分配优化），该算法贡献应在创造性判断中予以整体考虑[6]。
用户体验提升具辅助性，非独立支撑因素
指南明确用户体验改善可在创造性评价中参考，但不能替代技术方案本身的非显而易见性判断[7]。
典型案例：硬件使用率适配神经网络参数
该方案通过动态调整权重参数尺寸以匹配硬件运算效率，体现算法特征与技术特征的功能互支持关系，被认定具备创造性[8]。
三、《专利审查指南》（2025）关键修订要点
无关贡献特征不影响创造性判断
2025版指南第二部分第四章强调：对技术问题解决无实质贡献的特征，即使写入权利要求，亦不构成创造性支撑。AI专利答辩须突出各特征协同作用与整体技术贡献，必要时可对审查员技术问题认定提出异议[9]。
两则典型AI专利案例对比
• 船只数量识别案：仅更换应用对象（果实→船只），未调整模型结构或训练流程，被认定缺乏创造性；
• 废钢等级划分模型案：针对图像特征（颜色、纹理）针对性优化卷积层与池化层设置，算法与技术特征深度耦合，最终获授权[10]。
小结
单纯替换数据或应用场景已难支撑AI专利创造性；需在模型架构、参数配置、算法流程等关键环节作出实质性改进，并充分论证其与特定技术问题、技术效果间的因果关系[11]。
人工智能专利创造性答辩核心策略
一、“破与立”并重的三步法答辩思路
“破”在于识别审查意见中“三步法”运用的逻辑漏洞——包括最接近现有技术选取失当、技术问题界定偏差、显而易见性推理错误；“立”在于严格依三步法重构论证链条，确保每一步环环相扣、技术逻辑自洽[12]。
二、答辩方案制定要点
需综合评估审查倾向、权利要求修改必要性及保护范围平衡，严守专利法第三十三条不得超范围修改原则，并兼顾禁止反悔原则，避免影响后续维权。首次答复是统筹全局策略的关键窗口[13]。
三、最接近现有技术与区别特征的精准识别
应逐项核查对比文件是否属于现有技术、技术领域是否相近（参考IPC分类）、是否真正公开技术方案及至少一个技术特征；区别特征比对须细化至含义、属性、工作原理、功能作用及相互作用关系，杜绝断章取义或过度概括[14]。
四、技术问题确定与非显而易见性论证
规范路径为：识别区别特征 → 推导技术效果 → 反推技术问题；技术问题应拔高至本质层面，并确保与其他对比文件或公知常识无技术启示关联[15]。
非显而易见性论证需多维展开：驳斥技术启示、说明对比文件结合不合理、对比假想方案与本发明整体差异、解构“惯用手段”认定误区，并强化技术问题本身的非显见性[16]。
五、常见答辩误区警示
需避免六大误区：脱离审查逻辑自说自话；脱离权利要求仅答说明书；忽视技术效果与问题分析；用新颖性逻辑答创造性；非显而易见性论述错位；忽略修改对后续维权的影响[17]。
AI专利创造性答辩实务要点与典型案例
一、答辩三大核心要素与重点方向
人工智能专利创造性应围绕数据（训练/输入/输出数据的特定性）、处理操作（步骤、方式的独特设计）、算法/模型（架构、参数的针对性调整）展开论证，强调三者间紧密技术关联与整体协同效应，并凸显方案在特定场景中解决特定技术难题的能力[18]。
二、三大标杆案例精析
1. 字节跳动球场图像关键点检测案（数据特定性）
复审成功关键在于：输入限定为“球场图像”，输出增加“不同拍摄视角下关键点显示概率”，且模型专为球场数据训练，形成数据—模型—场景闭环，支撑特定几何变换关系的技术效果[19]。
2. 医学图像分割模型案（模型架构特定性）
通过结构对比证实浅卷积层、纵向连接及整体网络架构均异于对比文件；结合医学图像低对比度、弱边界特性，论证并行汇聚式架构可有效增强边界识别，解决深层语义与浅层细节信息脱钩难题[20]。
3. 大语言模型伪标签微调案（处理操作特定性）
创新点在于“按预设比例拆分有标签数据，输入原始大模型生成伪标签”，构建新型数据增强机制；该操作与数据、模型深度耦合，显著提升模型泛化能力与任务适应性，解决大模型微调易过拟合的技术瓶颈[21]。
