企业官网建设流程全解析

“拿掉‘AI’两个字，你究竟发明了什么？”这句话是我在参与一次专利评审时，一位资深审查老前辈的随口一问。当时台上一位发明人正信心满满地展示他的“基于人工智能的XXXX系统”，技术方案里堆满了神经网络、深度学习、强化学习这些热词，听起来非常唬人。但那位老前辈只问了一句：如果把“人工智能”从权利要求里全部删掉，剩下来的东西，还能不能构成一个完整的技术方案？会议室瞬间安静了。

这个问题，直接戳中了AI专利领域最核心、也最容易被忽略的本质。这些年人工智能技术火热，相关专利申请量爆炸式增长，但我见过太多的申请人，包括一些大公司的IPR和研发骨干，都陷入了一个误区：以为只要把“AI”“智能”“神经网络”这些词往权利要求里一塞，发明就“智能化”了，技术贡献就有了。但审查员看的根本不是这些标签。他们要追问的，是这个发明在技术层面到底解决了什么问题、通过什么技术手段解决、达到了什么技术效果——至于你用的是不是AI，反而没那么重要。

这篇文章不讨论宏观政策，也不聊行业趋势，就围绕一个实操性问题：当你提出一件AI相关专利申请时，审查标准是如何演进、如何判断你的技术贡献的？我会结合我这么多年做专利检索、撰写、答复和无效的实践经验，把“拿掉AI之后还剩什么”这个判断方法掰开了讲，包括审查历史的来龙去脉、具体的剥离分析法、常见的驳回陷阱和应对策略。如果你正在写AI专利、打算评审AI专利，或者说作为研发人员想理解“我到底发明了什么”，这篇文章应该能给你实实在在的参考。

1. 技术贡献的本质：AI是手段，不是发明本身

1.1 先搞清楚“发明”和“AI模型”的关系

很多人写AI专利，习惯性地把重心放在模型结构上：我这个用了两层的LSTM替换原来的RNN，或者我这个注意力机制改了个变体，又或者我引入了一个自定义的损失函数。老实说，这些东西在论文或技术报告里是进步的，但在专利法意义上，很可能只是一堆数学公式和计算规则的组合，是“智力活动的规则和方法”的范畴，依法不能授予专利权。

问题出在哪里？专利保护的不是“想法”，也不是“模型本身”，而是“技术方案”——即利用自然规律，对某项技术问题作出改进的具体方案。一个AI模型，从数学角度看就是一堆矩阵运算、梯度更新和概率推断。裸模型本身不具备技术属性，必须落到具体的应用场景、具体的硬件设备、具体的信号处理流程或者具体的数据结构改造上，才可能转化为受法律保护的技术方案。

换句话说，当你申请专利时，最该问自己的问题不是“我的模型多先进”，而是“我这个方案让某个产品的性能提升了吗？让某个过程的控制精度提高了吗？让某种资源分配更合理了吗？”这就像你发明了一种新的发动机缸内直喷算法，核心贡献是算法的算力调度精巧，但真正能拿到专利权的，是“采用该算法的发动机控制方法”或“包含该控制装置的发动机系统”，而不是算法本身。

1.2 技术贡献的三种典型类型

在我接触过的AI专利里，技术贡献大致可以分成三类，申请人需要在撰写前想清楚自己的发明落在哪里。

第一类是“为AI服务的基础设施改进”。比如你发现现有GPU显存不够，设计了新的数据流水线或特征图分块策略，使得大模型能够训起来；再比如你发明了一种新的数据标注规则，能够更高效地生成训练集。这类发明的技术贡献在计算机系统结构、数据存储与传输、计算流程优化上，AI只是被服务对象。

第二类是“利用AI解决具体技术问题”。比如通过AI分析设备振动信号来诊断机械故障，通过AI优化空调压缩机的控制参数以降低能耗。这类发明里，关键技术贡献在于如何将原始信号进行预处理、如何设计特征与模型结合、如何将模型输出转化成可直接执行的控制指令。AI是工具，问题域的技术属性才是专利性的核心。

第三类是“AI与硬件或算法的深度耦合”。比如针对特定传感器阵列设计的模型剪枝方法，使得模型能在边缘设备上实时运行；或者为自动驾驶设计的多任务感知网络，同时处理车道线和障碍物检测。这类发明的技术贡献横跨软硬件，最容易被授予专利，也最容易产生实质性商业价值。

明白了这个分类，你在撰写时就会主动去回答“拿掉AI后还剩什么”这个问题。如果剩下来的东西只有“获取数据、训练模型、输出结果”这个流水账，那多半过不了审查。

1.3 “技术方案”的帽子不是谁都能戴

专利法意义上的“技术方案”有严格的门槛：要求利用自然规律，并由此解决特定的技术问题。这里有三层含义。第一，你必须涉及物理世界或信息世界的客观对象，不能是纯粹的心理活动或人为规则，比如营销策略、竞赛规则，那不是技术。第二，必须有一条完整的信息处理链路，从采集到处理再到反馈，每一步都有明确的执行主体和客体。第三，最终效果必须能在产业上重现，也就是说任何本领域技术人员按照你的说明书，都能得到相同或者等价的结果。

很多AI发明恰恰在这三层的第二层上栽了跟头。比如一个“基于AI的用户画像生成方法”，其链路是“获取用户历史浏览记录——通过模型生成画像——向用户推荐商品”。这里的数据是用户行为数据，模型是黑箱，输出是偏好标签。审查员会追问：你的用户画像和推荐结果，改变了计算机内部什么运行状态？提升了哪些系统技术性能？如果只是改善了营销准确性，那属于商业规则，不是技术方案。即便你绕过互联网想到的是推荐系统，也得把“推荐系统”落在“处理请求的负载均衡”“缓存命中率提升”“网络传输流量降低”这些技术层面，才构成技术贡献。

2. 审查标准演进：从“一刀切不授权”到“分类精准考核”

2.1 早期阶段：算法等于数学，数学等于智力规则

在人工智能还不是热词的年代，专利审查对算法发明非常保守。我国专利法的审查指南长期规定：智力活动的规则和方法不授予专利权。一个纯粹的程序算法、一种数学计算方法、一种求解规则，统统属于智力活动。即便你借用了计算机硬件，如果权利要求里的实质性特征是算法步骤，而硬件只是作为载体，也一样会被驳回。

那个年代有个经典案例，有人申请“一种利用BP神经网络进行股票价格预测的方法”，权利要求写得很详细：初始化权值-输入样本-计算误差-反向传播-迭代至收敛。审查员一看，这不就是一个数学迭代过程吗？没有采用任何技术手段，没有限定与外部技术系统之间的交互，解决的问题也是经济预测而非技术问题，直接以专利法第二十五条驳回。类似的还有“一种用遗传算法优化生产调度的方法”，如果调度没有和生产设备、传感器或控制系统绑定，同样会被视为智力活动。

2.2 转折点：什么情况下算法可以“转正”

转折出现在审查指南的多次修订中，尤其是对“含有技术特征的算法”逐步松绑。现在的审查基准是：如果一项权利要求除了算法特征之外，还包含技术特征，那么这些算法特征与技术特征作为一个整体，共同构成了技术方案。换句话说，算法不能孤零零地存在，它要和某个具体的技术场景、技术手段配合起来，才能进入专利法的保护范围。

更深层的转变是审查逻辑从“看类别”转向“看贡献”。审查员不再简单问“这是不是算法”，而是按照“三步法”走：先确定最接近的现有技术，再确定发明实际解决的技术问题，最后判断要求保护的方案对本领域技术人员是否显而易见。在这个过程中，如果算法特征是为了解决技术问题、并且与技术特征相互作用产生了技术效果，那么该算法特征就可以被认为是技术特征的一部分。这为后来AI领域的专利打开了一扇门。

2.3 随着AI产业发展而来的专门规范

到了深度学习时代，神经网络、强化学习、大模型等概念渗透到各行各业，旧的审查规则暴露出两个问题：一是用传统“智力规则”去套AI发明，容易误伤真正的技术创新；二是各个审查员对AI发明的把握尺度不一，难以形成稳定预期。于是多地审查机构陆续发布人工智能专利审查指南或审查基准，从技术领域、算法与技术的关系、数据与模型的处理等角度给出了更细致的指引。

我国审查指南也明确了“包含算法特征或商业规则和方法特征”的发明如何审查专利权保护客体。核心原则是：不能简单地将算法特征或者商业规则特征排除在技术特征之外，而是要看它们与技术特征是否功能上彼此支持、在逻辑上相互关联，并且共同解决技术问题、产生技术效果。举例来说，“一种基于深度学习的图像识别方法”，如果权利要求包含了特定图像预处理步骤、特定网络结构和输出后处理，这些特征互相配合提高了识别精度和速度，那整个方案就可能具备技术属性。相反，如果只是“输入图像到卷积网络输出类别”，不涉及具体技术特征的改进，那就很难被授权。

欧洲、美国也在同步演进。欧洲专利局早期否定“计算机程序本身”的可专利性，但后来通过一系列判例确定了“进一步技术效果”标准，即算法如果产生了超越常规计算机运行的技术效果（如减少内存带宽、提升编码效率、改善传感器数据处理），就可以贡献于创造性。美国最高法院Alice和Mayo案之后，采用“两步分析”框架，第一判断权利要求是否指向抽象概念，第二判断其中是否有发明构思和附加元素使其转换为可专利的应用。这些变化都是同一个车轮：不能只看AI标签，要深挖技术实质。

2.4 演进背后的价值取向：保护技术，而不是保护“AI”这个词

审查标准之所以不断演进，不是对AI网开一面，而是产业界和司法界逐渐意识到，真正的创新往往藏在AI与技术场景的交叉处。如果不给这类方案授权，会打击企业投入算法工程化的积极性；如果给抽象算法授权，又会阻碍后续创新、制造大量垃圾专利。所以审查标准走上了一条“中间路线”：AI特征作为技术方案的一部分存在是有价值的，但必须能证明你的AI特征和技术特征产生了协同效果。

这里我要强调一个容易误解的地方：协同效果不是说“用AI实现了传统方法做不到的事”就够了。比如传统方法图像识别准确率是80%，AI方法是95%，这当然是一个进步，但在专利审查里，如果你用的就是标准卷积网络加标准训练方法，本领域技术人员很容易想到用AI替代传统模式识别，这种替代本身往往不被认为是“非显而易见”的创造性劳动。真正的创造性，在于如何改进了网络结构、如何设计了特殊的数据增强策略、如何处理了训练样本不平衡、如何将模型输出转化为可操作的工业控制信号——这些细节才是技术贡献的藏身之处。

3. 实操：如何剥离“AI”标签判断发明成色

3.1 拿掉“AI”两个字的操作步骤

我在给团队做内部培训和帮客户做专利性预判时，常用一个非常简单但异常有效的“剥离法”。这个方法的灵魂就是标题里的那句话。具体操作分四步：

第一步，把权利要求书里所有涉及“人工智能”“机器学习”“神经网络”“深度学习”“智能”这些词汇全部删掉，或者用“处理模块”“计算单元”之类的泛化词替代。不要心疼，这一步是把你从技术名词的兴奋感里拉回来。

第二步，把替换后的权利要求从头到尾读一遍，用一句话概括：这个方案做了什么。注意，这句话里不能出现任何AI术语，只能描述信息流和物理过程。比如“获取轴承振动信号-进行傅里叶变换-提取特征-与阈值比较-输出诊断结果”，这就是一句话。

第三步，问自己三个问题：这个过程中有没有利用自然规律？解决的是不是技术问题？产生的效果是不是技术效果？如果答案是“是、是、是”，那恭喜你，技术方案大概率成立了。如果有一个“否”，你就要警惕，这个专利的授权前景可能堪忧。

第四步，把删掉的AI特征再拿回来，放到刚才的框架里，看它到底在哪个环节真正改变了处理结果或系统性能。如果发现AI特征可以换成任何现有方法而不影响整体方案逻辑，说明它只是可有可无的修饰，审查员大概率也会这么看。

3.2 用三个真实案例演示剥离分析

我举三个典型案例，分别对应技术贡献高低不同的情况，你可以拿自己的方案对号入座。

案例一：“一种基于AI的智能审稿系统”。权利要求是：接收投稿文本，利用自然语言处理模型对文本进行语义分析，根据分析结果对稿件进行录用分类。把AI词拿掉后，变成：接收文本-分析文本内容-根据内容分类。这不就是文本分类的一般流程吗？分类标准是什么？语义特征怎么提取？都没有限定到足够具体的技术层面。解决的是出版社审稿效率问题，更像管理规则。这种方案被审查员认为是智力活动的可能性极大。后期如果不加入具体的分词规则、领域特征向量调整方法，或者分布式检索优化，申请会非常被动。

案例二：“一种基于LSTM的电站锅炉炉膛温度预测方法”。剥离AI后，方案是：采集历史工况数据，筛除无效数据，对传感器时序数据进行预处理，建立温度时序模型，预测未来一段时间炉膛温度，并据此修正燃烧控制参数。这里面有传感器、有控制对象、有物理量（温度、流量、压力），而且预测结果直接关联到控制逻辑，解决的是电站运行安全问题，产生了提高控制精度的技术效果。这种方案即使不用“LSTM”这个词，也一样是完整的技术方案，AI特征的加入只是提供了一种更优的预测手段。这种专利授权稳定性较高。

案例三：“一种基于强化学习的云计算资源调度方法”。剥离AI后，方案明确包含：监测各节点CPU和内存使用率，根据强化学习状态-动作-奖励模型动态调整容器分配策略，并将调整后的配置下发到各节点。这里涉及云平台内部资源分配机制，技术问题是如何降低节点负载不均、提高吞吐量。即使删掉“强化学习”换一个规则算法，剩下的部分仍然是技术方案。问题的关键在于创造性：如果只是把现有的Q-learning算法套到资源调度上，没有针对云环境的改进点，可能被认定为容易想到。真正拿到授权的案例，往往还包含自研的状态压缩方法、奖励函数设计或者探索策略改进，这些才是区分度高、经得起无效考验的核心。

3.3 “技术迭代”不是“技术效果”，别混淆

还有一个高频误区是拿“比现有技术更智能”当作技术效果。比如专利申请里写：“相比传统方法，本发明的AI识别准确率提升了10%。”这只能是效果数据，不能替代“技术效果”的法律判断。你要向审查员证明的是，这种准确率的提升来自技术手段上的何种改变。比如你改进了损失函数使模型对难样本更敏感，或者你引入了外部知识库对特征进行融合，或者你针对特定硬件优化了模型参数量从而降低显存占用。如果这些原因没有写在说明书里，只是在结果上喊一句“准确率提升”，审查员完全可以认为你只是简单应用已知AI模型，效果是可是预期的，因而不具备创造性。

所以“拿掉AI”不仅是审查员会做的判断，更应该是发明人自检的武器。当你把AI标签拿掉后，如果你的方案还有完整的逻辑链，有具体的技术创新节点，那你真发明了一个东西；如果拿掉后什么都没剩下，那可能要回头补足技术细节，再递交申请。

4. 审查答复中的关键策略与常见驳回陷阱

4.1 精准应对“属于智力活动规则”的审查意见

这是AI专利答复中最高频的审查意见，几乎每个做AI专利的人都遇到过。审查员的逻辑是：你的权利要求整体上只涉及算法或数学方法，属于智力活动。这时候千万不要急着辩解“AI不是智力活动”，而要把答复重点放在“这种算法在什么技术场景下运行，和哪些技术特征发生了耦合”。

正确的答复路径是反向拆解：第一步，指出权利要求中除了算法步骤之外，还包含哪些技术特征，比如传感器类型、信号采样参数、硬件处理器、工业执行器、数据协议等。第二步，论述这些技术特征与算法特征之间的相互作用关系。比如“本发明的神经网络剪枝算法不是普适意义上的层剪枝，而是针对嵌入式视觉处理器的访存特性，对卷积层的输出通道进行分组量化，从而减少了内存访问次数”。这句话就把算法特征和技术特征牢牢绑在一起了。第三步，主动增加从属权利要求或在修改时将说明书中的技术细节补入独立权利要求，缩小保护范围换取授权。宁可保护窄一点，也不要看到驳回通知后再后悔当初写得虚。

4.2 创造性答辩：把“AI能做到”变成“我做了特定改进”

创造性异议是AI专利在通过适格性考验后的第二道关卡，也是最难突破的一道。因为AI领域现有技术资料极为丰富，论文、开源代码、公开数据集都可以作为现有技术证据。审查员经常会找一篇核心论文或开源项目，指出你的方法中的模型结构、损失函数、训练策略已经被公开。

对付这个问题的核心策略是“找区别、找效果、找联系”。先找出你的方案与对比文件的所有区别特征，不只是模型结构，还包括数据输入格式、特征变换方法、迭代终止条件等。再针对每一个区别特征，论证其产生的技术效果。最后最容易被忽略的是“联系”：不仅要证明有区别，还要证明这些区别特征在整体发明中相互支持、产生了1+1大于2的效果。比如单个区别特征可能被别的文献公开，但多个区别特征组成一个特定工作流、解决了特定产业环境下被忽视的关键问题，这种组合可能就具备创造性。建议申请人在写说明书时，额外记载多个实施例和对比实验数据，哪怕实验基准不完美，也能为答辩提供弹药。

4.3 实用排查清单：提交前你该检查的6个方面

我整理了一份提交AI专利申请前的自查清单，你对照着打一遍勾，能省下不少审查周期的拉扯。

第一，权利要求中除了AI算法，有没有至少一个清晰的“技术载体”？比如具体的设备、传感器、控制器、通信接口、数据存储结构。没有的话，请补。

第二，技术问题是产业问题还是商业规则问题？比如诊断故障、控制设备、压缩视频是人家的；推送广告、评估用户、排序评选的，很容易被归入非技术问题，要仔细措辞。

第三，效果数据是否有技术指标？准确率、召回率、F1是模型指标，不是技术效果指标。检测速度、能源消耗、显存占用、通信延迟、寿命预测误差这些才算真正的技术指标。好好想想你的发明到底能改善什么客观物理或系统参数。

第四，算法特征有没有被描述到本领域技术人员可以重复实现的详细程度？网络层数、隐藏单元数、训练数据集来源、学习率调节规则、参数初始化方案等，要交代清楚。这决定后期能否补充数据支持创造性论证。

第五，说明书有没有至少一个“工作场景描述”？比如“该方法运行在工控机的实时操作系统中，传感器以100Hz频率采集数据，方法在一个控制周期内完成推理并输出控制信号”。这种描述能将算法从抽象世界拉回物理世界，极大增强技术属性。

第六，有没有在从属权利要求里设置多层次的保护范围？基础结构写一层，结合技术环境的优化写一层，极端情况下的特征处理写一层。未来如果独立权利要求被质疑，这些从属权利要求就是你的撤退路线。

4.4 答复时间线：要不要拖，怎么拖

中国企业IPR最常犯的毛病是收到审查意见后，卡在最后期限前才仓促提交答复。AI技术更新快、产业变化大，其实答复不必等到最后一刻，但也不能太急。比较稳妥的做法是：收到审查意见后，先花一周时间找技术人员和代理师开一次技术研讨会，逐条理清审查员引用的对比文件和本发明的区别；然后让技术人员补充必要的对比实验数据或演进证据；第二周再讨论权利要求修改方案，完成答复初稿；最后在截止日前两周提交，留出查漏补缺的时间。这样做既不会因仓促而丢三落四，也不会因过早答复而忽略后期想到的更好的修改策略。

5. 我踩过的坑和后续可以怎么玩

5.1 几个真实教训

我早期处理过一件“基于AI的垃圾邮件过滤方法”，当时发明人非常自豪，觉得用了最前沿的Transformer模型，一定稳稳拿授权。我把权利要求看了一遍，全篇都在写“获取邮件文本-输入模型-输出n维向量-分类为垃圾/非垃圾”，唯一的技术特征就是“模型”。审查意见发下来，果不其然，第一部分就指你属于智力活动规则，第二部分指出即便考虑技术方案，使用Transformer分类文本也已经是公知常识。那次答复非常吃力，最后靠把邮件预处理细节、词表裁剪策略、特征哈希方法、误收信件的反馈重训流程都揉进从属权利要求，才勉强过了创造性审查。

另一个教训来自一件“基于AI的注塑机工艺参数优化方法”。起初我只写了几句话描述“用神经网络建立工艺参数与成品质量的关系，反向推荐最优参数”。看起来挺顺。但审查员发通知书指出：你没有限定注塑机具体执行过程中的压力、温度、速度是如何被采集的，也没有说明模型推荐的参数怎么被闭环施加到设备上。也就是说，这个方案仍然是“人看推荐结果再手动操作”的流程，缺乏足够的技术自动化特征。后来我们在说明书中补充了模内传感器的数据采集细节、闭环控制器接口和参数下发逻辑，把“推荐”变成了“自动调整”，审查才重新认可。

5.2 怎么让AI专利真正变成资产

不少人问，既然审查这么严格，那写AI专利还有意义吗？当然有。关键在于你要从“申请专利”转向“布局专利”。布局的意思是，不要只申请一件“基于AI的XXX方法”，而是要把这个技术拆成多层、多视角、多生命周期阶段的专利组合。

比如你做了一个用AI优化风力发电机叶片桨距角的方案。至少可以拆出：核心控制方法专利（方法+控制装置）；数据预处理特征专利（比如特定的SCADA数据异常剔除方法）；AI模型自更新专利（比如基于环境变化自适应调整模型参数）；以及系统级专利（包含风力发电机、控制器、通信模块的完整系统）。这些专利各有独立价值，组合起来就能形成对手无法绕开的“保护网”。

另外要善于利用优先权和分案申请。当技术研发还没有完全定型时，可以先提交一件基础申请，然后在优先权期限内补充大量实施例和发展方向，再通过分案把不同技术点拆出来。这样既保证申请在先，又能覆盖最终产品形态。AI技术迭代快，你永远不可能等算法彻底稳定后再去申请，那时市场和专利布局窗口早就关了。

5.3 给研发同学的一个补充建议

不要只把自己当成“写算法”的人，专利意识得从建模之初就开始沉淀。把每次实验中的关键参数、系统运行时的性能指标、与基线方法的差异，都记录在开发文档里。哪怕是删了一个没什么用的模块、简化了一个特征计算方式，这类“减法发明”往往也有价值。尤其当你做技术汇报或者做内部评审时，试着按照“技术场景-原始痛点-AI介入方式-具体技术手段-技术效果”五段论来描述你的工作。这样不仅方便日后写专利，也能倒逼自己把技术的创新点想清楚。

有些技术人觉得专利是法律部门或者代理人的事，自己只负责实现。恰恰相反，专利质量百分之八十取决于发明人对细节的把握，只有你知道哪一步操作是关键、哪一组参数是呕心沥血试出来的、哪一个工程约束是反直觉的。把这些讲清楚，代理人才能写出有生命力的权利要求书。

回到开头那个问题：拿掉“AI”两个字，你究竟发明了什么？如果你现在能在心里把答案说得非常具体，比如“我发明了一种在低信噪比环境下仍能稳定识别声音特征的分层处理方法”或者“我发明了在内存受限设备上无损失压缩模型参数的数据布局方案”，那恭喜你，你确实手握真正的发明。如果答案模糊，只能说你在算法黑盒里打了个盹，专利这件事，还得从头捋一捋。我个人在审了诸多AI专利、被无数审查意见敲打之后，最大的体会是：技术名词会过时，热潮会退却，但踏踏实实解决了一个工程问题的方案，永远都能在专利审查里站得住脚。