#本文由作者授权发布，不代表IPRdaily立场，未经作者许可，禁止转载#

“2024年发布的USPTO专利客体审查指南更新以及中国的AI专利申请指引，为AI相关专利申请划定了更加清晰的边界。”

来源：IPRdaily中文网（iprdaily.cn）

作者：佑斌

近年来，人工智能技术迅猛发展，相关专利申请量大幅增长，给现行专利审查带来了新挑战。中国、美国的相关部门都在2024年发布了AI相关发明专利的审查指南、申请指引。2024年2月13日，美国专利商标局发布《AI辅助发明的发明人资格指南》，紧接着在2024年7月17日，美国专利商标局发布《包括AI的专利客体的审查指南更新》，公开了涉及AI发明专利的客体资格审查指引案例，旨在为AI相关的发明专利申请作出指引。2024年12月31日，中国国家知识产权局发布《人工智能相关发明专利申请指引（试行）》，对AI辅助发明的发明人资格问题、AI发明专利客体、创造性、说明书公开充分等问题作出规定。

《人工智能相关发明专利申请指引（试行）》（下称“指引”）。该指引在现行专利法和审查指南框架下，进一步细化了AI领域专利审查政策，针对人工智能专利申请中的热点法律问题提供了操作指引。

主要内容包括：

专利客体标准： 明确了如何判断AI发明是否属于专利法意义下的技术方案，避免被认定为抽象的智力活动规则。

创造性评价： 给出了在创造性审查中如何考虑算法特征技术贡献的标准，提出了“算法特征与技术特征功能上相互支持、存在相互作用关系”的判断思路。

充分公开要求： 针对AI算法复杂、“黑箱”等特性，提供了说明书撰写的指导原则，帮助申请人满足专利法对充分公开的要求。

其他问题： 例如发明人资格（明确人工智能本身不能成为专利发明人）及伦理考虑等，也有所提及。

《指引》的发布对AI相关专利审查产生了积极影响。一方面，它为审查员和申请人提供了统一预期，减少理解分歧，提高审查效率；另一方面，通过明确关键审查标准（客体、创造性、公开等），帮助申请人更清晰地了解专利申请要求，避免因理解不当导致驳回，提高申请成功率。总之，《指引》为人工智能创新提供了及时的专利保护指引，有助于激发创新活力，促进AI技术发展和产业应用。

《指引》首先对常见的人工智能相关发明进行了类型划分，以便针对不同类型给出有侧重的申请建议。按照人工智能在发明方案中的作用，主要可以分为三大类型：

（1）模型本身的专利

涉及人工智能算法或模型本身的改进或优化，例如新的模型结构、模型压缩方法、模型训练算法等。这类发明专注于AI技术本身的突破，是对AI模型内部机理的改进。例如：

CN118036755B专利： 提出了一种“大语言模型的量化方法及推理方法”，通过对大型语言模型各层参数进行量化处理，降低模型占用的存储和计算资源。 这一发明解决了大模型部署中的内存占用问题，实现了在不显著损失精度的情况下压缩模型规模，属于模型本身的优化创新。

CN117273148B专利： 涉及对深度学习模型的训练过程改进，提高了模型收敛效率和性能。这些案例表明，只要在AI模型算法层面有新的技术方案（如新的网络结构、参数优化方法等），都可以作为发明内容申请专利。

（2）模型的功能

涉及基于人工智能算法或模型所实现的功能。 这类发明并不侧重于改变模型的内部结构，而是将现有AI模型用于实现特定的技术功能，作为发明方案的内在部分。 常见的AI功能包括： 自然语言处理（使计算机理解/生成语言）、计算机视觉（使计算机“看懂”图像/视频）、语音处理（识别和合成语音）、知识表示与推理（如知识图谱）、数据挖掘分析等。 发明人可以利用这些AI功能模块，赋能传统技术方案以实现新的效果。 例如：

CN117114063B专利： 由百度公司获得，名称为“用于训练生成式大语言模型和用于处理图像任务的方法”。该发明将生成式大语言模型（LLM）应用于图像处理任务，涉及计算机视觉和大模型技术的结合。通俗而言，就是让原本擅长语言处理的模型去“看图说话”，需要特殊的训练方法来赋予模型图像理解和生成能力。这体现了AI模型功能的跨领域应用，也是专利保护的功能型AI发明。

CN118036661B专利： 公开了一种“大语言模型混合精度量化方法”，通过在模型推理时采用混合精度计算，提高了大型AI模型的运行效率。虽然这项发明看似也在优化模型，但它的出发点是为了实现“在有限硬件资源上高效运行大模型”这一功能。因此我们也可将其理解为围绕模型功能实现的优化方案，使得AI模型的功能在实际应用中更高效地发挥。

（3）模型在特定领域的应用

涉及将人工智能模型应用于具体行业领域或场景的发明。这类专利关注AI赋能传统领域，利用AI技术解决该领域特有的技术问题。应用领域广泛，包括交通运输、电信、医疗健康、安全、商业、教育、娱乐、金融等各行各业。例如：

CN118053451B专利： 同样是将人工智能模型用于某特定行业场景的发明（例如在工业控制或医疗诊断场景中应用AI模型，实现传统方法难以达到的智能化功能）。这类发明的共同特点是：针对特定领域存在的技术痛点，引入适当的AI模型并进行优化改造，从而提出新的技术解决方案。只要方案中AI模型的应用是解决该领域技术问题的关键组成部分，就有可能获得专利保护。（专利解读来源于Maxipat）

以上三类典型类型涵盖了“AI算法本身创新”到“AI赋能通用功能”再到“AI赋能具体行业”的不同层次创新。《指引》针对每种类型的特点提供了相应的审查关注点和撰写建议，以帮助申请人有针对性地准备申请文件。下面我们将结合案例，分别从专利客体、创造性和充分公开三个关键审查要求出发，分析AI发明专利的申请要点。

专利客体要求是指发明是否属于专利法保护的技术领域，尤其对于AI相关发明，需要判断其是否构成技术方案而非纯粹的智力活动规则。根据中国《专利法》和审查指南，抽象的智力活动规则和方法是不授予专利的。由于人工智能算法本质上基于数学模型和算法，如果一项AI发明仅仅停留在数学算法或理论本身，没有具体技术应用，就可能被认定为智力活动规则，从而不属于专利保护客体。举例来说，“一种基于抽象算法且不包含任何技术特征的通用神经网络模型建立方法”，由于没有具体技术手段，仅是数学算法流程，这种权利要求就会被视为智力活动的规则和方法，不可被授予专利权。

为避免AI发明落入“非专利客体”的禁区，《指引》给出了明确的建议：在权利要求中引入与算法特征相关联的技术特征。也就是说，申请人在撰写权利要求时，不应只描述纯算法步骤，还应当限定其在具体技术环境下的实施。比如权利要求中指出算法由特定硬件（如“由人工智能芯片运行”）执行，或者限定算法用于处理特定工业数据或信号（如“用于对图像进行处理和分类”）。

这样，权利要求整体上就包含了硬件实体或面向具体数据的操作，属于技术手段的应用，不再是纯智力活动规则。例如，《指引》中提到：将神经网络模型处理方法限定用于图像数据的分类，因为“对图像数据的处理和分类”属于技术领域的操作，因此这样的方案整体上被视为技术方案而非智力活动。同理，在我们的案例中，每项专利都结合了具体的应用场景：如大语言模型的量化方法是面向计算机存储/计算资源优化的技术手段，生成式模型处理图像的方法涉及图像处理领域，这些限定使得权利要求不只是数学方法，而是扎根于特定技术问题的解决方案。

当然，避免被认定为智力规则只是第一步。即使权利要求不属于智力活动规则，还必须符合专利法第二条第二款关于“技术方案”的要求。也就是权利要求的方案需要体现为利用自然规律解决一定的技术问题，获得技术效果。判断标准是：看发明面向的问题是否属于技术问题，所采用的手段是否遵循自然规律（如工程原理、计算机技术原理），达到的效果是否是自然规律作用下的可验证技术效果。对于AI发明来说，关键在于所解决的问题要是技术领域的问题，而不是单纯的商业、管理或人文领域问题；以及算法的作用要落实到技术效果上。例如，利用神经网络模型预测食品安全风险，如果通过引入时间戳、基于各时刻的数据训练模型，从而提高了对未来时间点风险预测的准确度，那么这里解决的是预测准确性这一技术问题，采用的是数据处理建模的技术手段，达到了更准确预测的技术效果，此方案就构成技术方案。反之，利用神经网络预测经济景气指数的例子则被《指引》明确为不构成技术方案。因为经济景气指数与经济数据、电力数据之间的关联主要反映经济规律而非自然规律，换言之问题出在经济领域（非技术问题），算法探寻的是经济规律模式，没有引入任何工程技术手段。因此即使用了AI模型，也未利用技术手段，不属于专利法意义上的技术方案。

对于如何确保AI发明符合客体要求，《指引》也提供了实用的撰写和答复建议。首先，在撰写申请文件时，建议申请人在说明书中详细阐明发明要解决的技术问题、采用的技术手段和获得的技术效果。将这些内容前置准备好，不仅有助于撰写清晰的权利要求，也便于日后答复审查意见时说明方案的技术属性。如果审查过程中遇到疑问，可以在答复审查意见时，根据原说明书记载适当修改权利要求，并在意见陈述中充分论证修改后的方案属于技术方案。这种做法在实践中非常重要——例如某项AI发明最初权利要求写得比较抽象，审查员提出客体异议，申请人就可以根据说明书，把权利要求限定到具体技术应用场景，并解释算法如何解决技术问题、产生技术效果，以说服审查员。这实际上是将发明的技术实质亮出来，避免因表述不清而被当作非技术方案。综上，只要申请人从一开始就把算法放到具体装置或应用中去描述，并突出技术问题-技术手段-技术效果的链条，AI相关发明通过客体审查的几率就会大大提高。

创造性是发明专利授权的核心要求之一。对于人工智能发明来说，审查创造性时一个突出难点在于：很多算法和模型本身是已知的，如果发明只是将常规AI算法用于某个场景，往往容易被认为是显而易见的应用。鉴于此，《指引》针对算法类发明提出了“算法特征与技术特征功能上相互支持、存在相互作用关系”的判断标准。简单来说，就是看算法特征和其他技术特征之间是否紧密结合，共同构成了解决技术问题的手段，并产生了相应技术效果。如果是，则应当作为一个整体来看待，从而算法本身对方案的贡献也计入创造性评价；反之，如果算法与技术场景结合松散，可有可无，那么仅凭算法的已有性就可能导致创造性不足。

那么如何使算法特征与技术特征达到“功能上相互支持”呢？《指引》给出了很实用的撰写要点：在涉及将AI模型用于特定功能或领域的发明中，申请文件应明确：要实现该功能/应用所要解决的技术问题，所采用的遵循自然规律的技术手段（算法在其中如何运作），以及获得的技术效果。尤其当发明对现有算法流程或模型参数进行了特殊调整以适应特定用途时，要写清楚该调整解决了哪些技术难题，带来了哪些有益的技术效果。只要能够说明：算法经过改进后针对特定问题取得了技术突破，那么就可认为算法特征与整体技术方案是相互作用、互相支撑的，算法的新颖贡献应算入创造性评价。

举例来说，《指引》中提到机器人跌倒状态检测的案例：

某发明提出了一种基于多传感器的仿人机器人跌倒检测方法，其中引入了一种新的模糊决策算法来判断机器人稳定状态，比起现有技术更好地解决了如何准确判断机器人是否将要跌倒这一技术问题。在这个方案中，传感器硬件（技术特征）和模糊决策算法（算法特征）紧密配合：算法处理传感器数据，输出机器人姿态稳定性的判断，成功预判跌倒方向，显然取得了技术效果的改进。因此这里算法和装置是功能上互相支持的，新的算法成为技术方案不可或缺的一部分，应计入创造性评价。这种情况下，即便该模糊算法本身源自已知原理，只要其应用组合创造性地解决了机器人领域的难题，就可以认定整项发明具有创造性。

反过来，如果发明只是简单将现有AI算法应用到另一个场景，而未做任何改进，则可能难以通过创造性审查。《指引》明确指出：对于此类情形，需要综合考虑算法/模型应用场景的远近、是否存在应用启示、跨场景应用的技术难度、是否克服技术障碍以及是否产生出人意料的技术效果等因素。若只是直接换了应用数据，算法本身没有调整，效果也在意料之中，那么这样的方案通常被认为是显而易见的。例如，将一种用于识别图像中水果的现有深度学习算法拿来识别图像中的船只。两者技术实现上并无差异，唯一改变的是训练数据从水果变成了船只。如果算法结构、训练方法都未做新的设计或克服特别的困难，输出准确率的提升也只是源于训练数据本身，这种应用就缺乏创造性。因为对于本领域技术人员来说，把一个图像识别模型从识别水果改为识别船只，是一个顺理成章的尝试，不需要创造性的劳动，也没有产生意想不到的效果。

此外，还有一种情况是AI算法与计算机系统的内部结构产生特定技术关联，比如针对算法优化设计硬件架构，或利用算法提高计算机内部资源管理效率等。如果发明涉及这方面的改进，使计算机系统性能得到提升，那么算法特征与硬件特征可作为一个整体看待，其结合带来的性能提升也应视为创造性贡献的一部分。这实际上拓宽了创造性考量的视角：不局限于算法本身新不新，而是看算法与其他技术要素一起有没有形成非显而易见的新效果。例如我们前述的CN118094037B显存管理专利，就属于AI模型与计算机体系结构相结合的创新，它通过特定的显存调度算法提升了GPU对大模型的支持能力。如果这一方案在申请时并非业界普遍采用的常规手段，且显著改善了性能，那么显然具有创造性。

总的来说，针对AI发明的创造性要求，申请人应当重点突出发明的技术突破点：是算法本身有创新（如新的网络结构、训练策略），还是算法在特定应用中有巧妙的改进或结合（如为解决行业难题对算法进行了特别调优），抑或算法与系统深度融合带来了技术效果？在撰写专利时，用技术问题和技术效果来框定发明的贡献点，并相应强调现有技术中不存在这一结合或无法取得相同效果。我们看到，上述案例如百度的多模态大模型专利，就解决了怎样让语言模型执行视觉任务的技术挑战；华为的大模型量化专利则实现了现有技术中难以兼顾的“大模型高精度推理与低资源占用”。这些技术上的非显而易见进步正是他们获得专利的原因。遵循《指引》提供的思路来布局创造性论述，无疑将有助于AI专利申请人在审查中更有效地证明发明的创造性。

充分公开是指专利说明书需要对发明作出清楚完整的描述，以使本领域技术人员据此能够实施。本来，这一要求对任何技术领域都适用，但在人工智能领域尤其具有挑战性。原因在于：AI算法往往高度复杂和抽象，例如深度学习模型包含大量层次和参数，内部工作机制犹如“黑箱”，很难用简单文字完全阐明。另外，AI算法的效果高度依赖于具体的数据集和实验环境，结果的可重复性和可验证性较难保证。这导致，如果说明书披露不充分，审查员可能怀疑本领域技术人员能否实现或复现发明的技术效果，进而发出不符合充分公开的驳回理由。

针对这一问题，《指引》专门分析了不同类型AI发明在说明书撰写中的关注点，并提供了一些指导建议。总结来说，不同类型的AI创新在撰写说明书时应把握以下要点：

模型训练方面的发明： 如果发明贡献在于新的模型训练方法，说明书中应当清楚记载模型训练所涉及的算法及具体步骤、训练流程等。也就是把训练数据准备、网络结构、训练策略、超参数设置、收敛判别标准等关键细节交代清楚。这样本领域工程师才能按照说明书复现训练过程，获得相应模型。在我们的案例中，如CN117114063B涉及将大语言模型用于图像任务，那么训练中可能有哪些特别设计（例如多模态训练步骤、损失函数调整等）都需要充分披露，才能支撑如此复杂的模型训练发明。

模型结构方面的发明： 如果发明贡献在于新的模型架构或结构改进，说明书中应详细描述模型的必要模块组成、层次结构、各部分连接关系等。并且要准确、客观地写明模型实现了什么功能、达到了什么效果。必要时，可以通过实验数据或对比分析来证明新结构带来的性能提升。例如CN118036755B的大模型量化专利，说明书中想必列举了在典型数据集上的测试结果，证明量化后模型内存占用大幅降低且精度损失很小，以此来佐证该量化方法的有效性和技术效果。本领域技术人员据此就能理解：该量化方案如何实施，以及实施后性能指标如何，这是充分公开的重要体现。

特定领域应用的发明： 如果发明主要在于AI在某具体场景的应用，说明书应明确描述AI模型如何和该应用场景结合。包括：输入输出数据是如何取得和预处理的，模型在该场景中执行哪些步骤，产生什么输出，以及输入和输出数据之间有何关联。必要的话，应解释这种关联性为何能够解决该领域的问题。本领域技术人员看了说明书，应当能明白模型在此场景下是怎么工作的、为何可以达成所述功能。

通过上述针对性的披露，申请人可以大大增强说明书的可实施性，避免“本领域技术人员无法实现”的质疑。《指引》虽然承认这些建议仍比较原则，并未给出具体案例细节，但其指导思想很明确：哪块是发明创新点，就把哪块拆开了讲透，该给算法流程的就不给结论性描述，该给参数和实验数据的就不要惜字。如指引所言，这对于当前快速演进的AI领域尤为重要，因为模型结构、训练方法层出不穷，大家对如何撰写这类发明还在摸索。充分详实的披露不仅有助于申请顺利授权，也关系到专利授权后的稳定性。如果说明书含糊不清，日后专利维权时很可能因不符合支持要求或不清楚而被无效掉。我们在案例中看到，这些获得授权的AI专利无一不是技术细节丰富的：无论是模型算法（如量化策略、训练步骤）还是应用流程（如数据处理和系统架构），都有较完整的描述支撑，保障了专利的含金量。

综上，《人工智能发明专利申请指引》通过细化客体标准、创造性判断和充分公开等关键要求，为AI领域的专利申请提供了明确的路线图。申请人应当结合自身发明类型，参考指引中的建议撰写申请文件和权利要求，避免纯算法堆砌，突出技术效果证明，并详尽披露实现过程。通过本文介绍的典型案例可以看出：只有将AI发明放在技术方案的框架下充分阐述，其新颖性和创造性才能被审查员正确认知，从而大幅提高专利申请的成功率。面对日益激烈的AI技术竞争，善用《指引》精神来布局专利，无疑将使创新成果获得更有力和稳健的保护。

美国专利商标局（USPTO）于2024年7月发布了《专利客体审查指南更新》，专门针对人工智能相关发明的专利适格性（Subject Matter Eligibility）提供了新的说明和示例。该指南重申：AI相关发明并没有特殊的额外门槛或豁免，其客体审查仍按照现有的专利适格性框架进行。也就是说，无论一项发明是否由AI开发或包含AI元素，审查员都应应用Alice/Mayo两步法，首先确认权利要求属于法定类别，然后判断其是否“涉及司法例外”以及是否包含“显著超过”司法例外的附加元素。USPTO明确指出：“AI辅助完成的发明并非在专利适格性上被一刀切地排除”，发明是否可专利取决于其权利要求内容本身，而非研发过程中使用了AI与否。

针对AI发明在审查实践中的难点，新指南着重澄清了两大关键问题：一是如何判断权利要求是否引用了抽象理念（Step 2A第一步），二是当权利要求涉及抽象理念时，如何评估其是否被整合进实际应用（尤其是是否改进了计算机功能或其他技术领域，对应Step 2A第二步)。指南承认，对于AI发明而言，Step 2A第一步可能具有挑战性，因为许多AI发明都涉及数学算法或数据处理等抽象概念。因此，USPTO强调审查员需区分“权利要求认定了抽象理念”（则需要进一步适格性分析）与“仅涉及或基于抽象理念”（则可能不属于司法例外）。简单来说，如果权利要求的限定仅仅“在使用”某种算法或数学方法，但整体上并未将其作为发明主题加以主张，则不应一概视为认定了抽象理念。

此外，指南对Step 2A第二步（实际应用）也提供了更明确的说明和案例。尤其在AI领域，若权利要求中的AI算法被用于特定的技术问题并带来具体技术改进，则可视为将抽象理念整合到了实际应用中，从而满足专利客体要求。例如，提高计算机运行效率、增强特定技术领域的性能等，都被作为判断“实际应用”的重要考虑因素。

在没有步骤2A的第二个分支的情况下，权利要求引用了司法例外之后，就要进入步骤2B，要判断权利要求是否具有附加因素足以明显超过司法例外，这一点实际上就是含有初步的创造性的判断，即附加的因素带来创造性的贡献。

在步骤分成两个分支的情况下，第二分支是判断附加因素是否将司法例外整合到实际应用中。这其中有一部分的判断是和步骤2B有重叠的，但是要比直接进入步骤2B进行评估要宽松，在步骤2A的第二分支中判断附加因素是否无关紧要的额外手段（insignificant extra-solution activity）或者仅仅是应用司法例外的指示。如果是这两种情况，比如只是在权利要求中到“接收信息”、“发送信息”，这就是典型的无关紧要的额外手段，不会因为这些内容让含有算法特征的权利要求符合客体标准。仅仅是应用司法例外的指示主要指在权利要求中写一些套话，比如“用训练的神经网络去处理”这些指令性的描述。

在步骤2A的第二分支中，当权利要求反映了对计算机功能的改进或者其他技术领域的改进，这时候就相当于将司法例外整合到实际应用了。所以步骤2A的第二分支是隐含创造性的初步判断的。但是步骤2A的创造性的判断要比步骤2B要宽松，步骤2B是要明确排除公知、常规的、管用的手段，步骤2A的第二分支是排除掉无关紧要的额外手段或应用例外的指令或指示。二者有明显区别，也正是这个区别让进入美国的人工智能申请因为客体被驳回的减少了很多。

值得注意的是，新指南还再次强调了发明人必须是自然人的原则：仅由AI自主完成的创新不属于可获得专利权的发明。AI可作为工具辅助发明创造，但不能取代人被列为发明人。总的来说，2024年7月的这次指南更新为AI相关的专利申请提供了更清晰的客体适格性判断标准，并附带了三个全新示例案例（47/48/49）来说明如何应用这些标准。

新版指南提供了三组AI相关的假想案例（Examples 47、48、49），模拟审查过程以说明哪些类型的AI发明是专利适格的，哪些则会被认定为抽象概念而不予保护。这些案例的设置和分析对申请人具有指导意义，揭示了撰写AI发明专利申请时应注意的要点。下面分别解析这三个新增案例及其示范意义：

案例47：异常检测（Anomaly Detection）

背景： 案例47涉及利用人工神经网络（ANN）进行异常检测的发明。该案例的权利要求设计了两种情形，一是具有具体硬件结构的实现方式，二是仅概括算法步骤的实现方式，从而比较二者在适格性上的差异。

权利要求1（硬件实施）： 一项包含多层神经元和突触电路的特殊装置或系统，用于检测异常模式。例如，权利要求中限定了若干“神经元”组件（包含寄存器和处理单元）以及存储突触权重的电路，共同构成了一个人工神经网络。USPTO的分析认为，该权利要求描述的是具体的机器结构和硬件组件，并未落入抽象理念的范畴。换言之，此权利要求虽然“涉及”了AI算法（神经网络模型），但所限定的是一种硬件装置本身，属于有形的技术方案，并不“认定”抽象理念。根据指南，这样的权利要求没有包含司法例外，因而不需要进行进一步的Alice测试分析，即可判定为专利适格。案例47通过此情形强调：将AI算法以具体技术手段实现（如特殊电路或芯片），能够避免触及抽象理念的禁区。正如USPTO提醒审查员的，那些只是涉及而非认定了抽象概念的发明，应当被视为符合专利客体要求。

权利要求2（算法流程）： 相较之下，另一情形的权利要求用更抽象的方式描述AI异常检测，例如仅列举利用神经网络模型分析数据以识别异常的步骤，而未限定具体技术手段。假设该权利要求包含：获取数据、对数据进行离散化处理、利用神经网络执行训练和检测等步骤。USPTO分析发现，此方案中包含多个抽象概念：例如“离散化”步骤可在人脑中完成，属于 mentale process（人类心智活动）；神经网络的训练过程涉及数学算法（如反向传播和梯度下降），属于Mathematical Concept（数学概念）。因此，该权利要求认定了抽象理念，需要进一步审查其附加元素是否将其整合成实际应用或构成发明构思。经分析，USPTO认为该权利要求仅仅调用通用计算机和ANN实现既定结果（“检测并分析异常”），并未具体限定神经网络如何实现改进或发挥技术作用。计算机和神经网络在此只是执行指令的工具，相当于在抽象理念后面简单附加“用计算机实现”或“应用它”的做法。缺乏实质性的技术限定，使得该方案没有被整合到任何具体应用中，也没有额外的发明构思，因而被认定为不符合专利客体要求。案例47通过这一对比，示范了同样是AI异常检测，如果权利要求书写得过于抽象（仅强调算法本身或结果，而无具体技术手段或应用场景)，就会落入“不专利的抽象想法”范围；反之，结合具体硬件结构或明确技术改进能够使AI发明通过适格性门槛。

案例48：语音分离（Speech Separation）

背景： 案例48聚焦基于AI的语音信号分离技术。该案例提供了三个示例性权利要求，其中一个被视为不适格，另外两个被视为适格，重点比较了简单数据处理和具体应用方案的区别。

权利要求1（不适格）: 涉及一种语音分离的方法，包括步骤：接收混合语音信号、将其转换为时频域的频谱图、提取特征、并使用深度神经网络（DNN）生成对应的嵌入向量。这些步骤基本上是对音频信号进行数学转换和特征计算。指南指出，权利要求1仅涉及对信息的数学处理，本质上是**“利用数学技术操纵信息”这一抽象理念，没有进一步限定这些处理结果如何用于实际的技术用途。尽管这些步骤对于实现语音分离算法是必要的，但它们本身并未增加任何额外的技术限制或发明性的概念，因此该权利要求被认定为“执行数学算法的抽象方案”，不符合专利客体要求。简单来说，权利要求1只是描述了常规的数据接收和处理流程，缺乏将结果应用于具体技术问题的限定，因而被判定为抽象且不专利。

权利要求2（适格）: 在权利要求1的基础上增加了后续步骤，例如将神经网络输出的嵌入向量进行聚类、对每个聚类应用掩膜以提取单一声源的语音信号，进一步合成新的音频并传输储存。更关键的是，案例描述中指出这些分离出的语音信号被用于提升特定应用的性能——如用于语音识别系统，以提高免提环境下语音指令识别的准确率。通过增加步骤4-8，权利要求2将纯粹的信号分离过程与具体的技术应用情景关联起来：它不只是分离声音，而是利用分离结果来改进语音识别这一实际技术效果。USPTO分析认为，这些附加步骤对抽象结果赋予了有意义的限制，将原先的数学处理过程整合进了一个实际应用（提高语音识别精度的系统），从而使该权利要求满足专利适格。对比权利要求1，权利要求2多了一个层次——将AI算法的输出投入后续具体用途，产生实用效果，因此具有专利客体资格。案例48由此示范：对于AI算法处理（如语音分离）类发明，仅有输入->算法->输出的描述可能不够，还应当明确算法输出如何运用在特定领域以解决实际问题。通过阐明AI在特定情境下带来的技术改善（例如降低噪声干扰、提高识别准确率），可以将抽象算法转变为可专利的技术方案。

案例48的分析对申请人具有指导意义。如果一项AI发明涉及信号处理或数据分析类步骤，申请人在撰写权利要求时应考虑加入后续应用或具体用途。正如指南所示，增加诸如“将结果用于XX系统以实现YY改进”之类的限定，有助于表明发明解决了特定技术问题而不仅仅是在做数学运算，从而提高通过101适格性审查的概率。

案例49：纤维化治疗（个性化医疗AI应用）

案例49涉及利用AI模型辅助制定个性化医疗方案的发明。具体场景是针对青光眼患者植入微支架后的术后纤维化（瘢痕）治疗个性化方案，即通过患者基因信息预测其发生术后炎症并发症的风险，并相应调整治疗。这个案例旨在说明，在医疗诊疗领域应用AI的专利申请中，如何划分抽象思想（如疾病风险评估中的算法）与实际应用（具体治疗步骤）的界限。

权利要求1（不适格）: 包含步骤：提取患者样本并基因分型得到基因型数据集；利用一种AI模型（如“ezAI”模型）对若干遗传位点赋权计算多基因风险评分，据此识别该患者为术后炎症高风险；以及据此给予患者“适当的治疗”。可以看出，权利要求1结合了生物信息分析和医疗决策：前两步涉及生物数据的获取和数学算法计算（属于抽象概念或自然规律的运用），最后一步是医疗行为。按照指南分析，前面的基因检测和风险评估步骤属于司法例外（涉及自然规律和抽象算法）且本身并未包含技术应用；而虽然权利要求1提到了“给予适当的治疗”，但这一措辞过于笼统，并未限定具体治疗手段，只是提出一个执行决策的概念。USPTO认为，这种“适当治疗”泛泛而谈的表述，实质上等同于对前述抽象结果给出“应用之”的指示，并没有将抽象的评估过程真正限定到特定实际治疗方案。因此，权利要求1整体上仍被视为主要针对抽象的诊断/预测思路，属于不适格的主。换言之，仅仅提出“根据AI分析结果进行相应治疗”而不说明具体治疗措施，不足以使权利要求摆脱抽象概念的范畴。