2026年1月1日起，新修改的《专利审查指南》正式施行。本次修改首次以“人工智能、大数据”为主题设立专门章节，其中对说明书充分公开的要求做了显著强化。
为什么要专门针对AI“打补丁”？因为AI模型天然具有“黑盒”特征——社会公众只清楚模型的输入和输出结果，但无法得知两者之间的逻辑关系。传统专利撰写中“采用神经网络进行分类”“通过机器学习实现预测”这类概括性表述，在新规下已很难通过审查。
从近期代理的多件AI领域专利申请来看，涉及公开不充分问题的审查意见比例明显上升。本文结合新规要求和实务经验，从撰写要点和答复策略两个维度做一次系统梳理，供企业知识产权管理人员和同行参考。
新《专利审查指南》将审查视角从“权利要求文本表面”延伸至“说明书技术方案的可实现性”，落脚点是验证方案是否满足“所属技术领域的技术人员能够实现”。
修改后的指南明确：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，则一般需要清楚记载模型或算法如何与具体领域或场景相结合，算法或模型的输入、输出数据如何设置以表明其内在关联关系等。
简言之，审查逻辑变成了“记载的技术特征能否形成完整实现路径”。
结合不同改进方向，说明书需要完成“全链路清晰披露”：
若为模型构建/训练层面的改进，需清晰记载“输入数据→模型结构/训练步骤→输出结果→技术效果及原理”的全链路，完整记载模型必要模块、层级、训练过程及参数等核心信息。
若为现有人工智能模型或算法的应用场景适配，则需清晰记载“输入输出数据设置→与具体领域或场景相结合的算法改进/适配逻辑→输出结果→输入输出数据内在关联”的全链路，杜绝“仅提及人工智能模型、却不披露核心逻辑”的模糊表述。
如果发明贡献在于AI模型训练，说明书需要记载训练数据的获取方式或来源、数据预处理和标注方式、模型初始化方式、前向计算和反向传播过程、损失函数及其计算方式、优化算法的选择、学习率等关键参数的设置或调整方式、训练轮次或收敛条件等内容。
但并非所有细节都要写入。判断标准是：对于实现方案必不可少的内容，不能以“常规技术”为由一笔带过。比如涉及一种基于知识蒸馏的模型训练方法，不能仅记载教师模型和学生模型，还应当说明二者分别承担什么功能、蒸馏过程中如何利用二者的输出关系。
撰写建议：以技术问题为起点确定训练要素。先明确方案是为了提高训练收敛速度、降低标注数据依赖，还是增强模型泛化能力。技术问题不同，需要公开的必要内容也不同。这样做的好处是，说明书中的每个关键训练步骤都有明确的“存在理由”，审查员更容易理解其必要性。
如果发明贡献在于将现有AI模型应用于具体领域或场景，说明书需要明确模型或算法与具体领域、场景的结合方式，以及输入输出数据的设置方式与内在关联关系。
实务中，这部分最容易出问题的是“应用场景描述过于泛化”。比如写“将卷积神经网络应用于工业质检”，但没有说明：输入图像的具体类型和格式是什么？模型输出如何映射到质检结论？质检结论与产线控制之间如何联动？这些“结合点”才是区别于现有技术的核心特征，必须详细描述。
最高人民法院在“一种人工智能聊天机器人系统”专利无效案【（2017）最高法行再34号】中确立了重要规则：对于与最接近的现有技术共有的技术特征，一般可以不作详细描述；对于区别于现有技术的技术特征，则应当足够详细地描述，以本领域技术人员能够实现为准。
新指南新增的正面案例〖例20〗也印证了这一原则：空间变换网络在第一卷积神经网络中的具体设置位置虽未在说明书中明确记载，但该位置选择属于公知常识，不影响技术人员构建模型架构，因此认定公开充分。
实操建议：在撰写时，代理师应当与发明人明确区分“哪些是本申请的发明点”“哪些是沿用的现有技术”。对于发明点，必须写到技术人员无需创造性劳动即可复现的程度；对于公知常识性内容，可以简化描述并引用现有技术。这个“分界线”的确定，应当在撰写阶段就完成，而不是等收到审查意见后再去纠结。
新指南将伦理审查正式纳入审查框架，数据采集的合规性成为说明书公开的组成部分。对于涉及用户数据采集、分析的AI专利申请，说明书应当明确数据来源的合法性（如用户授权、匿名化处理等）。
具体来说，可以在说明书中增加类似表述：“本公开中所有获取信号、信息或数据的动作都是在遵照所在国家或地区相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的”。对于医疗、金融、个人隐私相关领域的AI专利申请，建议进一步说明数据脱敏措施和伦理审查情况。涉及用户数据的项目，建议由企业法务或知识产权管理人员与代理师共同确认数据来源和授权链条。
说明书公开不充分的意见通常不是笼统否定技术方案，而是指出实现该方案所必需的内容未被清楚、完整地记载。审查意见的表述方式可能包括：
“说明书未记载模型训练的具体步骤和参数”
“未说明输入数据与输出数据之间的内在关联”
“未记载算法如何与具体应用场景相结合”
“未公开数据来源或预处理方式”
不同表述指向不同的应对路径，需要逐条拆解。建议在收到审查意见后，先制作一个“问题-对应权利要求-原始说明书依据”的对照表，明确每个质疑点是否有原文支撑。
这是最需要强调的一点：判断充分公开应当以原说明书和权利要求书记载的内容为准，申请日后补充的技术内容、实验数据或者事后说明，不能替代原始申请文件应当公开的内容。
这意味着，答复阶段不能通过补交实验数据或增加新的技术细节来弥补原始说明书的公开缺陷。答复的策略空间在于：从原始说明书中挖掘和论证已有的记载内容，结合公知常识，证明技术人员能够实现。
路径一：引用原文，论证已有记载足以实现
回溯原始说明书和附图，寻找与审查意见对应的文字记载，引用原文进行解释。论点+原文依据+逻辑论证，形成闭环。
例如，如果审查员认为“未公开模型训练的具体参数”，但原始说明书中有记载“学习率设置为0.001，batch size为32，训练轮次为100”，只是这些内容写在了具体实施例而非发明内容部分，就可以引用实施例中的记载来答复。
路径二：论证属于公知常识，无需详细记载
如果审查员质疑的某个技术细节确实属于本领域公知常识，可以提交教科书、技术标准或综述文献作为证据，论证该内容属于本领域技术人员的知识和能力范围。
但要注意〖例20〗的适用范围：这属于宽松处理，仅适用于非发明点且完全属于公知常识的技术特征。如果被质疑的内容恰好是发明点，就不能走这条路。
路径三：结合技术问题和技术效果，论证实现路径的完整性
如果审查员认为说明书的“技术闭环”不完整，可以将说明书中分散记载的内容串联起来，论证从输入到输出、从模型构建到技术效果的完整链条。
具体做法：以“技术问题→技术手段→技术效果”为线索重新梳理说明书内容，将分散在各段落中的相关内容整合为一个完整的实现路径，向审查员展示技术人员按照说明书记载能够实现方案。
如果原始说明书中确实存在无法弥补的公开缺陷——即关键实现细节在原始申请文件中完全没有记载，也不能通过公知常识论证来克服——则需要考虑修改权利要求，删除无法得到说明书支持的技术方案，将保护范围限缩到说明书充分公开的部分。
从审查实践看，如果说明书没有充分公开，一般就不再考虑权利要求是否得到说明书的支持。也就是说，公开充分是更上位的判断，先于支持性判断。因此在答复时应当优先解决公开充分问题。
第一，在交底阶段就介入。 新规对AI专利公开充分的要求，本质上是把审查压力前移到了撰写阶段。代理师应当在收到交底书时，就向发明人明确需要补充哪些信息——训练数据的来源和预处理方式、关键参数设置、输入输出数据的关联逻辑等。等撰写完成后再回头补，往往为时已晚。
第二，善用“实施例”。 对于AI模型训练类发明，实施例中应当包含足够详细的训练过程描述，包括完整的训练流程图、关键参数表、训练数据示例等。这些内容不仅是公开充分的保障，也是后续答复审查意见时的“弹药库”。
第三，注意发明点与公知常识的边界。 在撰写时明确标注哪些特征是发明点、哪些是沿用现有技术，这个工作看似简单，但在后续答复审查意见时价值巨大。当审查员质疑某个非发明点的技术细节未充分公开时，可以快速定位并论证其属于公知常识。
第四，关注数据合规的“隐性门槛”。 新指南增加的伦理审查示例表明，数据采集的合法合规性正在成为AI专利授权的隐性门槛。建议在涉及用户数据的AI专利申请中，主动在说明书中加入数据合规声明，避免因合规问题被驳回。
AI专利说明书公开充分的审查标准，正在从“形式合规”走向“实质可复现”。对于电学专利代理师而言，这意味着撰写时需要更深地理解技术方案本身，而不能停留在“套模板”的层面。
“黑盒”不是不能写，而是要把“黑盒”打开——让审查员和技术人员能够看到从输入到输出的完整实现路径。做到这一点，公开充分的要求就不再是障碍，而是帮助申请人构建更稳固专利权的工具。
官方微博
官方微信