客体过关不等于创造性过关。一件人工智能申请把方案写成了技术方案，审查员接着问的是另一个问题，相比现有技术，这个方案有没有突出的实质性特点和显著的进步。

这一步比客体更容易丢分，因为算法部分的贡献常常在创造性审查中被整体忽略。《人工智能相关发明专利申请指引（试行）》第五章处理的就是这件事，它的核心命题只有一句，得让算法特征成为技术手段的组成部分。

往下读之前先说一句结论，免得读到一半跳走：把现成模型换到一个没人用过的行业，通常拿不到创造性，这一类的结论往往和企业预期相反，具体判断标准在第五节。

算法为什么会被整体忽略

专利审查指南第二部分第九章第6.1.3节给了一个判断标准：如果权利要求中的算法应用于具体的技术领域，可以解决具体技术问题，那么可以认为该算法特征与技术特征功能上彼此相互支持、存在相互作用关系，该算法特征成为所采取的技术手段的组成部分，在进行创造性审查时，应当考虑所述算法特征对技术方案作出的贡献。

反过来读，这段话说的是另一件事。算法特征与技术特征如果只是放在同一份权利要求里，彼此没有功能上的支持关系，创造性审查时就不会被算进去。方案里明明有创新，评审时却被当成不存在的部分，这是人工智能申请最常见的失分方式。

指引对“功能上彼此相互支持、存在相互作用关系”给了明确界定：算法特征与技术特征紧密结合、共同构成了解决某一技术问题的技术手段，并且能够获得相应的技术效果。

三个词要一起看。紧密结合，说的是两者不能各管一段；共同构成技术手段，说的是缺了哪一头方案都不成立；获得相应技术效果，说的是效果要对得上这个组合。

指引的审查口径是，对技术方案整体考虑后，若与现有技术相比具有突出的实质性特点和显著的进步，则权利要求具备创造性。这里的关键词是整体考虑，前提是算法部分已经进了这个整体。

三种情形会认定算法作了贡献

指引第五章给了三种情形，表格是完整对照。

情形	认定标准	指引所举示例
算法用于特定功能或领域，解决具体技术问题	写明实现该功能或应用该领域时解决的技术问题、采用的技术手段、获得的技术效果	基于多传感器检测仿人机器人跌倒状态的方法
算法与计算机系统内部结构产生特定技术关联	实现了对计算机系统内部性能的改进	通过神经网络定点化降低资源使用量，使低比特定点量化模型能在低比特位宽FPGA平台上运行
算法与技术特征共同提升用户体验	用户体验的提升由技术特征、或由相互支持的技术特征与算法特征共同带来	在线客服实现方法，用长短时记忆网络分析上下文并结合遗传算法优化客服分配

三种情形覆盖不同的方案形态。第一种对应绝大多数应用型申请，算法的贡献体现在解决具体场景里的技术问题；第二种的标准本身就更严，要求算法与硬件真的相互适配；第三种是指引明确的一类，处理那些改进既不在硬件性能、也不完全落在技术问题上的方案。

三种的共同点在于，算法都不是孤立存在的，它要么解决了一个具体场景里的技术问题，要么改进了硬件执行效果，要么和技术手段一起改善了使用体验。

情形一：算法用在具体场景解决了具体问题

这一条对应绝大多数应用型申请。要让算法进入创造性审查的视野，撰写时要写明三件事：实现该特定功能或应用于该特定领域时所解决的技术问题；所采用的遵循自然规律的技术手段；由此获得的符合自然规律的技术效果。此外还要写明实施算法或模型所必不可少的内容。

若方案涉及对现有算法流程或模型参数进行调整，而这个调整解决了实现该功能或应用该领域时面临的技术问题，并获得了有益技术效果，就可以认为算法特征与技术特征功能上彼此相互支持。

指引的正例是仿人机器人跌倒状态检测方法，值得细看。现有技术判定跌倒主要用姿态信息或ZMP点位置信息，这样判断不全面。该申请把机器人的步态阶段信息、姿态信息和ZMP点位置信息实时融合，用模糊决策系统判定当前稳定性和可控性，输出结果用于决定下一步姿势调整。输入是三类传感器信息，算法做的是稳定性判断，输出驱动的是机器人的动作指令。

这个例子的创造性论证路径很清楚。现有技术已经公开了融合这一步，区别落在模糊决策的具体算法及把它用于机器人稳定状态判断上。三类传感器信息作为输入参数，模糊算法输出判定稳定状态的信息，为发出姿势调整指令提供依据，输入输出和最终动作是打通的。因此算法特征与技术特征功能上相互支持，发明实际解决的技术问题确定为如何判断机器人稳定状态以及准确预测可能的跌倒方向，而这个算法及用法都没被对比文件公开，也不属于公知常识，方案具备创造性。

这里有个容易走偏的地方。论证创造性时不能停在“我用了模糊算法”，要说的是这个算法在判断跌倒这件事上解决了什么现有方案解决不了的问题。前一种说法把算法当成卖点，后一种说法把算法当成手段。审查员认的是后一种。

情形二：算法改进了计算机系统内部性能

这一条要求最高，但一旦成立，创造性往往很稳。

指引的口径是，若算法或模型与计算机系统的内部结构存在特定技术关联，实现了对计算机系统内部性能的改进，创造性评判时会把算法特征与技术特征作为一个整体考虑。这里说的内部性能改进，包括通过调整硬件系统的体系架构来支持或优化特定算法或模型的运行，也包括通过算法或模型的执行来优化计算机系统中硬件资源的调度。

正例是通过神经网络定点化降低资源使用量。方案让带低比特定点量化的神经网络模型能在低比特位宽的FPGA平台上运行，在低位宽下实现媲美浮点网络的计算精度。对比文件公开的是用动态定点参数做定点训练，在若干训练周期内让网络精度达到浮点水平。两者的区别在于，本方案在高比特定点量化训练之后，又通过FPGA的低比特位宽对网络做微调。这个区别特征解决的是把多层级大数据量的卷积神经网络用于小型FPGA嵌入式系统时受限于计算资源导致精度降低的问题，降低了训练的资源使用量，获得了在小型嵌入式系统上媲美浮点精度的效果。算法特征和FPGA低比特位宽这些技术特征作为一个整体考虑，现有技术没有技术启示，方案具备创造性。

这一条和客体审查的情形二是同一件事的两个侧面。客体审查问的是这个关联存不存在，创造性审查问的是这个关联带来的改进相比现有技术是否非显而易见。所以撰写时把特定技术关联写扎实，同时就是在为创造性打基础。

情形三：算法和技术一起提升了用户体验

这一条是三种里最晚被明确的一类，处理的是那些改进既不在硬件性能上、也不完全在某个技术问题上的方案。

指引的口径是，若方案中的算法特征与技术特征一起提升了用户体验，创造性评判时会把两者作为一个整体考虑，现有技术未给出技术启示的，方案具备创造性。

正例是在线客服的实现方法。现有电子商务平台的问题是，用户倾向通过人工客服处理投诉咨询，机器人客服和人工客服的资源没有被合理利用，人工客服压力大。方案用长短时记忆网络分析用户请求的上下文，结合遗传算法优化人工与机器人客服的动态分配，检测到人工客服负载过重时，利用长短时记忆网络预测并自动把适合的请求导向机器人客服。对比文件公开的是用户可以自由选择三种沟通方式，其中人工客服优先方式下，达到人工接待上限或存在排队时由机器人客服接待。两者的区别在于，对比文件基于用户选择和接待上限切换，本方案基于访问负载通过算法分析自动切换，能更合理地分配用户服务请求，节省等待时间。

这一条的论证难点在于，用户体验提升很容易被看成非技术效果。指引在答复那一节专门提示，要阐释为何本申请获得的用户体验提升是由技术特征带来的，或者是由彼此相互支持的技术特征和算法特征共同带来的。也就是说，得把体验提升归因到技术手段上，不能只说用户觉得更好用。

算法用到新场景算不算创造性

这一条值得单独拎出来，因为它涉及的申请量很大，而结论往往和企业预期相反。指引的口径是，如果申请方案中记载的算法或模型属于现有技术，方案的改进在于把它从现有场景应用到本申请的场景，创造性考量时应当综合考虑几个方面：应用的场景的远近、是否存在相应的技术启示、应用于不同场景的难易程度、是否需要克服技术上的困难、是否带来预料不到的技术效果。

关键在于后面那句转折：若算法或模型应用于不同场景，并未通过克服技术上的困难实现对算法或模型的训练方法、参数、配置等要素的调整，也未获得预料不到的技术效果，则不能使方案具备创造性。

反例是船只数量统计方法。方案基于船只图像数据，通过深度学习训练出实时检测模型，对检测出的船只数量求和，解决实时反馈海域内船只数量的技术问题。最接近的现有技术公开的是树上果实数量统计方法，模型训练和数量统计步骤都已公开，区别只在识别对象不同。船只和果实在外观、体积、环境上都有差异，但对本领域技术人员来说，两者采用的手段都是对图片信息做对象识别、模型训练、数量统计，识别时同样要考虑对象的位置和边界。如果对船只识别训练与对果实识别训练，没有让深度学习、模型训练过程、图片识别中的处理方式发生改变，技术效果都是让统计结果更准确，那么训练数据不同只代表数据含义不同，数据含义的不同对算法的改进或实现并未产生约束、影响或限制，应用场景的不同也没有对模型设计产生不同的约束。效果可预期，没有预料不到的技术效果，方案不具备创造性。

这个反例说得其实很重。它意味着，把现成模型换个场景用，如果模型一点没改、效果只是“统计得更准”这类通用收益，基本拿不到创造性。

反过来说，什么样的换场景能站住？指引给的判断维度指向两种情况。一种是场景差异反过来逼着模型做了调整，训练方法、参数、配置为适配新场景改过了，而且这个调整解决了新场景特有的技术困难；另一种是新场景里出现了原场景不会有的预料不到的效果。两条都不满足，就只剩“用到了新领域”这一句话，而这句话本身不构成创造性。

答复时该往哪里使力

指引第五章第四节专门讲了答复，四个方向值得记住。

第一种情况，审查员认为算法特征与技术特征并非功能上相互支持、存在相互作用关系，因而没有考虑算法特征的贡献。这类意见的答复要点是阐明作为区别特征的算法特征能否使方案解决技术问题，这些特征与要解决的技术问题是否密切相关，是否与技术特征功能上相互支持。修改时可以做的，是把原始申请文件中与最接近现有技术存在区别的技术特征补入权利要求，或者把与权利要求中技术特征功能上相互支持的算法特征补入权利要求。注意“原始申请文件中”这个限定，和客体答复一样，能补进去的只能是原本就写过的内容。

第二种情况，申请与现有技术采用相同或类似的算法或模型，区别只在功能或应用领域不同。这类情形对应前面讲的换场景问题，答复时要着重陈述该算法或模型在实现本申请功能、应用至本申请领域时需要克服哪些技术上的困难，或者获得了何种预料不到的技术效果。

第三种情况，申请与现有技术的主要区别在于算法特征。答复时要阐明该算法特征与计算机系统的内部结构存在特定技术关联，能够获得改进计算机系统内部性能的技术效果。

第四种情况，方案能带来用户体验提升。答复时要阐释为何这个体验提升是由技术特征带来的，或者是由相互支持的技术特征和算法特征共同带来的。

四个方向对应四种失分方式，方向错了，陈述再充分也不解决问题。判断自己属于哪一种，看审查意见针对的是哪一环就够了。

Q&A

Q1：算法是新的，方案就一定具备创造性吗？

不一定。算法新只说明它和现有算法不同，创造性还要看这个算法在方案里起了什么作用。如果算法特征与技术特征彼此不支持，审查时算法部分不计入贡献，剩下的技术特征又都是常规手段，创造性照样不成立。算法新不新是一个问题，算法算不算技术手段的一部分是另一个问题，后者往往更决定成败。

Q2：把现成模型用到一个没人用过的行业，能不能拿创造性？

按指引的口径，仅靠场景新很难。要看有没有为适配新场景去改训练方法、参数或配置，改的过程有没有克服这个场景特有的技术困难，或者有没有出现预料不到的效果。三条都不占，就只剩“用到了新行业”这一个事实，而这不足以构成创造性。船只与果实那个例子里，识别对象完全不同，都没能救回来，可见这条线卡得很紧。

Q3：撰写时怎么把算法写成技术手段的一部分？

核心动作是让算法和某个具体的技术问题、技术效果挂上。写清楚这个算法在解决什么技术问题，用的手段为什么符合自然规律，效果体现为哪项技术指标的改善。表述上要落到可测的指标，比如把某类检测的漏检率、误报率降下来，并说明是哪一步处理针对了对象的什么物理特征。写算法本身精度高、速度快，等于把算法孤立起来，只有把算法嵌进方案里，它才进得了技术手段的组成。

Q4：用户体验提升能不能算技术效果？

能，前提是能归因到技术手段。指引专门给了这个情形，也专门在答复里提示要说明为什么这个提升是由技术特征带来的。只说用户觉得顺手、响应更快，很难被接受；说清哪一步处理减少了等待、哪一处交互由什么技术手段支撑，才站得住。

Q5：算法和硬件适配这条创新路，标准为什么更严？

因为它要求算法与硬件之间真的相互适配，而不是把算法跑在硬件上。判断标准是算法有没有为迁就硬件的参数而作出调整，或者硬件有没有为支持算法而调整结构。只是把现成算法部署到某类芯片上运行，属于选择运行平台，够不上特定技术关联。这一条一旦论证成立，创造性通常很稳，因为对比文件很难同时公开算法与硬件的这层配合关系。

Q6：答复审查意见时，最容易犯的错误是什么？

把四种情形混在一起答。有的申请明明属于换场景的情形，答复时却去论证算法本身有多新；有的明明算法与硬件有适配关系，答复时却大谈应用价值。方向定错，字数再多也不解决问题。正确的第一步是把审查意见里的否定理由归类，看它否定的是算法与技术特征的关联，还是场景迁移的显而易见性，还是效果的可预期性，然后对应用那一条去答。裕晟知识产权代理事务所机构代码41142，可在国家知识产权局专利代理管理系统中查证，2017年设立，团队在计算机与通信领域的技术积累十年以上，处理这类答复时的第一步就是归类，因为人工智能申请的创造性意见往往只否掉其中一层，答对了那一层，其余的争点会跟着散掉。