《国家知识产权局关于修改〈专利审查指南〉的决定》已于2025年11月10日发布，并将自2026年1月1日起施行。此次修改中关于人工智能部分，旨在2024年12月发布《人工智能相关发明专利申请指引（试行）》的基础上，进一步适应人工智能技术浪潮，精准响应创新主体迫切需求和人工智能产业发展需要，及时解决人工智能领域专利申请及审查实践中的难点。此次本文就针对人工智能领域的部分修改进行梳理，以帮助读者快速领会要点。

修改要点1、关于专利法第五条第一款的审查内容修改

具体修改内容为：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。

此条修改是为了引导人工智能技术“智能向善”，确保相关专利申请内容符合国家法律法规与社会伦理要求，此处引入关于《专利法》第五条第一款的审查规则，明确要求涉及人工智能、大数据的发明创造需要严格遵循《个人信息保护法》等法律规定，不得违反法律、社会公德或者妨害公共利益。

关于修改要点1，《专利审查指南》中新增了以下两个案例帮助读者进行理解：

【案例1】一种基于大数据的商场内床垫销售辅助系统，其中，信息采集模块包括摄像模块和人脸识别模块，用于采集顾客的面部特征信息，利用关键点检测算法调整面部姿态以获得归一化人脸图像，将归一化人脸图像通过人脸检测算法定位待识别的人脸区域，并结合主成分分析法提取人脸区域内的人脸特征，进而得到顾客的身份识别信息；分析辅助系统根据顾客的身份识别信息，利用床垫展示设备收集的数据分析得到顾客的真实偏好，并向管理中心反馈分析结果。

案例1的方案将图像采集和人脸识别手段用于商场等经营场所进行床垫的精准营销，不属于维护公共安全所必需。此外，为了获取和分析顾客对床垫的真实偏好，对顾客的面部信息进行采集并获取其身份识别信息显然是在顾客未察觉的情况下进行的，申请中也未表明数据获取或者信息采集合法、合规，例如取得顾客单独同意，因此该发明创造与《个人信息保护法》相违背，即属于《专利法》第五条第一款所述的违反法律的发明创造，不能被授予专利权。

针对这一案例的情形，可以在撰写涉及采集用户数据进行偏好分析（例如推荐算法等）的技术方案时，在申请文件中明确表明用户数据获取或者信息采集合法、合规，例如根据用户的实际授权情况在说明书中增加“本申请中涉及的数据获取或者信息采集已取得用户单独同意”等文字，以降低因此情形导致被驳回的风险。

【案例2】一种无人驾驶车辆应急决策模型的建立方法，通过获取无人驾驶车辆的历史环境数据和历史障碍物数据，历史障碍物数据包括行人的性别和年龄；对历史环境数据和历史障碍物数据进行特征提取，作为决策模型的输入数据，将无法避让障碍物时车辆的历史行驶轨迹作为决策模型的输出数据，根据历史数据训练决策模型，决策模型为深度学习模型；获取实时环境数据和实时障碍物数据，当无人驾驶车辆遇到无法避让障碍物的情况时，利用训练后的决策模型确定无人驾驶车辆的行驶轨迹。

案例2的方案涉及通过行人的性别和年龄对决策模型进行训练，当出现应急决策时，依据行人的性别和年龄区分被保护对象和被撞对象。该方案依据性别和年龄进行差异化决策，违背了尊重生命和人人平等的基本社会价值准则，损害了社会群体间的公平与和谐，违反社会公德，即属于《专利法》第五条第一款所述的违反法律的发明创造，不能被授予专利权。

针对这一案例的情形，可以在撰写申请文件前判断技术方案本身是否存在违反法律、社会公德或者妨害公共利益的内容。

修改要点2、增加人工智能领域专利申请说明书的撰写要求和说明书公开充分的审查示例。

具体修改内容为：包含算法特征或商业规则和方法特征的发明专利申请的说明书应当清楚、完整地描述发明为解决其技术问题所采用的解决方案。所述解决方案在包含技术特征的基础上，可以进一步包含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或商业规则和方法特征。如果涉及人工智能模型的构建或者训练，则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；如果涉及在具体领域或者场景中应用人工智能模型或者算法，则一般需要在说明书中清楚记载模型或者算法如何与具体领域或者场景相结合，算法或者模型的输入、输出数据如何设置以表明其内在关联关系等，使得所属技术领域的技术人员按照说明书记载的内容，能够实现该发明的解决方案。

上述针对说明书撰写要求的修改，主要考虑到人工智能相关发明专利申请中，其算法或模型往往具有“黑匣子”特性、内部结构与运行机制难以直接观察的特点，因此，进一步明确了说明书满足充分公开要求所应达到的具体撰写标准。具体而言，对于涉及人工智能模型构建或者训练的发明专利申请，模块构成、层级设计或者连接关系定义了模型的核心构架，训练的具体步骤、参数等内容体现了其优化方法，应当在说明书中予以披露；对于涉及人工智能模型或者算法具体应用的发明专利申请，其核心通常在于模型或者算法如何与具体领域或者场景相结合，算法或者模型的输入、输出数据如何设置等内容，以上均需要在说明书中清楚记载。

关于修改要点2，《专利审查指南》中新增了以下两个案例帮助读者进行理解：

【案例1】一种用于生成人脸特征的方法，包括：获取待识别人脸图像；将所述待识别人脸图像输入第一卷积神经网络生成所述待识别人脸图像的特征区域图像集合，其中，所述第一卷积神经网络用于从人脸图像中提取特征区域图像；将所述特征区域图像集合中的每个特征区域图像输入对应的第二卷积神经网络生成该特征区域图像的区域人脸特征，其中，所述第二卷积神经网络用于提取对应的特征区域图像的区域人脸特征；根据所述特征区域图像集合中的各特征区域图像的区域人脸特征生成所述待识别人脸图像的人脸特征集合；其中，所述第一卷积神经网络中还设置有空间变换网络，用于确定人脸图像的特征区域；以及将所述待识别人脸图像输入第一卷积神经网络，生成所述待识别人脸图像的特征区域图像集合，包括：将所述待识别人脸图像输入所述空间变换网络，确定所述待识别人脸图像的特征区 域；将所述待识别人脸图像输入所述第一卷积神经网络，根据确定的特征区域，生成所述待识别人脸图像的特征区域图像集合。

说明书中具体包括：本申请实施例提供的用于生成人脸特征的方法，首先通过将获取的待识别人脸图像输入第一卷积神经网络，可以生成待识别人脸图像的特征区域图像集合。第一卷积神经网络可以用于从人脸图像中提取特征区域图像。然后，可以将特征区域图像集合中的每个特征区域图像输入对应的第二卷积神经网络，从而生成该特征区域图像的区域人脸特征。第二卷积神经网络可以用于提取对应的特征区域图像的区域人脸特征。之后，根据特征区域图像集合中的各特征区域图像的区域人脸特征，可以生成待识别人脸图像的人脸特征集合。也就是说，第一卷积神经网络所生成的特征区域图像集合，对于各第二卷积神经网络可以实现信息共享。这样可以减少数据量，从而降低内存资源的占用，同时有助于提高生成效率。为了提高生成结果的准确度，第一卷积神经网络中还可以设置有空间变换网络，用于确定人脸图像的特征区域。此时，电子设备可以将待识别人脸图像输入空间变换网络，以确定待识别人脸图像的特征区域。这样，第一卷积神经网络对输入的待识别人脸图像，可以根据空间变换网络确定出的特征区域，提取特征层上与特征区域匹配的图像，以生成待识别人脸图像的特征区域图像集合。空间变换网络在第一卷积神经网络中的具体设置位置在本申请中并不限制。空间变换网络可以通过不断地学习来确定不同人脸图像的不同特征的特征区域。

案例1为了解决如何提高人脸图像生成结果准确度的技术问题，在第一卷积神经网络中可以设置空间变换网络，用于确定人脸图像的特征区域，说明书中并未记载该空间变换网络在第一卷积神经网络中的具体位置。但所属技术领域的技术人员知晓，空间变换网络作为一个整体可以插入到模型的任意位置，均不影响其识别图像的特征区域的能力，可以认为解决方案在说明书中已被充分公开。

可见，利用人工智能等算法或者模型解决某一领域的技术问题时，其方案采用的技术手段虽未在申请文件中明确记载，但如果该技术手段属于所属技术领域解决该技术问题的公知常识，则可以认为未在说明书中记载该技术手段不会导致说明书公开不充分。

【案例2】一种基于生物信息预测癌症的方法，包括：获取待筛查者的血常规化验单、血生化化验单，识别血常规、血生化化验单中的检测指标、年龄、性别；获取待筛查者正面的素颜人脸图像，提取人脸图像特征；基于恶性肿瘤增强筛查模型，预测出相应待筛查者中恶性肿瘤患病预测值；其中，恶性肿瘤增强筛查模型的训练过程为：构建大规模人群样本集合，样本中包含同一人的血常规、血生化和人脸图像；利用血常规、血生化和人脸图像特征建立学习样本；利用学习样本训练机器学习算法模型，得到恶性肿瘤增强筛查模型。

说明书中具体包括：目前采用肿瘤标志物识别恶性肿瘤时，肿瘤标志物的标准在大于阈值的情况下，并不能确定为恶性肿瘤，在小于阈值的情况下，也不能排除恶性肿瘤，根据肿瘤标志物预测癌症，其准确性不高。本申请利用血常规、血生化检测指标、人脸图像来提高多种恶性肿瘤的识别准确性。本申请在利用血项化验数据的同时，参考人脸图像所反映出的待筛查者的健康状况，可以更加准确的预测恶性肿瘤的患病概率，其中恶性肿瘤增强筛查模型计算特征的选取，可以利用血常规数据和血生化的部分指标或者全部指标。

案例2是为了解决如何提高恶性肿瘤预测准确性的技术问题，其采用训练好的恶性肿瘤增强筛查模型，将血常规、人脸图像特征等共同作为筛查模型的输入数据，得到恶性肿瘤患病预测值输出数据。然而，说明书中并未公开哪些血液检测指标和人脸图像特征与恶性肿瘤判断准确率有关，所属技术领域的技术人员也无法确定，因此，该解决方案在说明书中未被充分公开。

可见，利用人工智能等算法或者模型解决某一领域的技术问题时，如果所采用的手段（包括输入输出内在关联关系）既未在申请文件中明确记载，也非公知常识，根据说明书的记载无法具体实施其解决方案并解决相应的技术问题，则应认为申请文件并未充分公开发明要求保护的解决方案。

综上，在撰写人工智能领域专利申请时，若涉及模型结构的改进，则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；若涉及模型训练过程的改进，则需要在说明书中清楚记载模型训练必需的具体步骤、参数等；若涉及模型或算法在某一具体领域或者场景中应用，则需要在说明书中清楚记载模型或者算法应用于具体领域或者场景时的输入、输出数据，且需表明输入、输出数据其内在关联关系等，使得所属技术领域的技术人员按照说明书记载的内容，能够实现该发明的解决方案。