近年来，人工智能（以下简称AI）技术创新不断取得新突破，已成为新一轮科技革命和产业变革的重要驱动力量，人工智能相关专利申请量快速增长。对此，2024年底，国家知识产权局发布了《人工智能相关发明专利申请指引（试行）》（以下简称“指引”），全面、深入地诠释了中国现行专利法律制度框架下的AI领域专利审查政策，回应创新主体普遍关切的热点法律问题。现将其主要内容介绍如下：
目录
I、 AI相关专利申请常见类型
类型1：涉及AI算法或模型本身的相关专利申请
类型2：涉及基于AI算法或模型的功能或领域应用的相关专利申请
类型3：涉及AI辅助作出的发明的相关专利申请
类型4：涉及AI生成的发明的相关专利申请
II、AI相关专利申请中的热点法律问题
一、发明人主体的适格性
二、关于AI申请的客体判断
三、关于说明书充分公开的要求
四、关于AI申请的创造性判断
五、AI伦理问题
I、 AI相关专利申请常见类型
人工智能相关发明专利申请（以下简称AI申请）的解决方案通常涉及AI算法或模型，以及AI算法或模型的功能或领域应用。另外，随着AI技术的不断突破，涉及AI辅助作出的发明、AI生成的发明的相关专利申请成为新的热点。AI申请主要分为如下几种类型：
类型1：涉及AI算法或模型本身的相关专利申请
该类型的专利申请通常涉及AI算法或模型本身及其改进或优化，例如，模型结构、模型压缩、模型训练等。
类型2：涉及基于AI算法或模型的功能或领域应用的相关专利申请
该类型的专利申请，是指将AI算法或模型融入发明创造中，作为对产品、方法或其改进所提出方案的内在部分，即，使用一种或多种AI算法或模型实现功能或者将AI应用于各类场景。例如：一种基于AI图形锐化技术的新型电子显微镜，或者将AI用于交通运输、电信等领域应用中。
类型3：涉及AI辅助作出的发明的相关专利申请
AI辅助作出的发明，是在发明过程中以AI技术作为辅助工具得到的发明创造。此种情况下，AI发挥的作用类似于信息处理器或绘图工具等。例如，利用AI识别特定蛋白质结合位点，最终获得的新型药物化合物。
类型4：涉及AI生成的发明的相关专利申请
AI生成的发明，是指AI在没有人类实质性贡献的情况下自主生成的发明创造，例如，由AI技术自主设计的食品容器。
【注：根据国家知识产权局一并发布的《常见问题解答》，上述四种类型是按照AI在发明创造中所扮演的“角色”的不同进行划分的，其中按照方案保护对象的不同划分了“类型1”和“类型2”，按照是否有自然人做出实质性贡献划分了“类型3”和“类型4”，如下图所示：】
II、AI相关专利申请中的热点法律问题
AI技术快速迭代发展，不同类型的AI相关专利申请在专利审批各环节会涉及不同的法律问题。对于前述四种类型的AI申请，常见的法律问题例如类型3和类型4的发明人身份问题，类型1和类型2的客体、充分公开和创造性问题，以及上述各类型专利申请都可能面对的AI伦理问题等。现将上述热点法律问题以及具体的注意事项阐述如下：
一、发明人主体的适格性
专利法实施细则规定：专利法所称发明人，是指对发明创造的实质性特点作出创造性贡献的人。“指引”中确认，在专利文件中署名的发明人必须是自然人，AI系统以及其他非自然人不得作为发明人。当存在多个发明人时，每个发明人都必须是自然人，AI系统目前不能作为民事主体享有民事权利，因此不能作为发明人。
对于涉及类型1、类型2的相关专利申请，发明人是指对发明创造的实质性特点作出创造性贡献的人。
对于类型3，对发明创造的实质性特点作出了创造性贡献的自然人，可以署名为专利申请的发明人。对于类型4，在我国当前法律背景下无法赋予AI发明人身份。
二、关于AI申请的客体判断
对于AI申请的客体判断通常涉及类型1和类型2的申请，客体判断包括两个步骤，第一步需要判断其方案是否属于“智力活动的规则和方法”，通过第一步以后，在第二步中继续判断其方案是否属于“技术方案”。
1、第一步：关于“智力活动的规则和方法”的判断
专利法第二十五条第一款第（二）项规定了，“智力活动的规则和方法”不得被授予专利权。如果一项权利要求既包含智力活动的规则和方法的内容，又包含技术特征，该技术特征并非仅体现在主题名称中，则该权利要求就整体而言并不是一种智力活动的规则和方法。
如果一项涉及AI算法或模型的专利申请（即类型1）的权利要求仅涉及抽象数学理论或数学算法，不包含任何技术特征，则属于智力活动的规则和方法，不能被授予专利权。例如，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，或是，不包含任何技术特征的利用优化后的损失函数对通用神经网络进行训练以加速训练收敛的方法，均被认为是一种抽象数学算法，属于智力活动的规则和方法。
为避免产生或克服方案被认定为智力活动的规则和方法的缺陷，申请人可以在权利要求中写入与算法特征相关联的技术特征，使权利要求整体上不再是一种智力活动的规则和方法。例如，一项关于人工智能模型处理方法的权利要求，其特征部分明确记载了该方法由人工智能芯片运行。由于方案整体上记载了该方法运行的硬件环境，该硬件环境属于技术特征,因此权利要求的方案就整体而言不属于智力活动的规则和方法。再如，一项关于神经网络模型处理方法的权利要求，在其方案中明确记载了该方法用于对图像进行处理和分类。由于对图像数据的处理和分类属于技术特征，因此，该权利要求的方案就整体而言也不属于智力活动的规则和方法。
2、第二步：关于“技术方案”的判断
即便权利要求的解决方案不再属于智力活动的规则和方法，想要成为专利保护的客体，还需满足专利法第二条第二款关于技术方案的规定。
专利法第二条第二款规定的“技术方案”，是指对要解决的技术问题所采取的利用了自然规律的技术手段的集合。当一项权利要求记载了对要解决的技术问题采用了利用自然规律的技术手段，并且由此获得符合自然规律的技术效果，则该权利要求限定的解决方案属于技术方案。相反地，未采用利用自然规律的技术手段解决技术问题以获得符合自然规律的技术效果的方案，不属于技术方案。
如下给出了几种属于技术方案的常见情形：
情形A：AI算法或模型处理的是技术领域中具有确切技术含义的数据
如果一项权利要求的撰写能够体现AI算法或模型处理的对象是技术领域中具有确切技术含义的数据，使得基于本领域技术人员的理解，能够知晓算法或模型的执行直接体现出利用自然规律解决某一技术问题的过程，且获得了技术效果，则该权利要求限定的解决方案属于技术方案。
例如，一种利用神经网络模型对图像进行识别和分类的方法。图像数据属于技术领域中具有确切技术含义的数据，如果本领域技术人员能够知晓解决方案中对图像特征进行处理的各个步骤与要解决的识别物体并分类的技术问题密切相关，且获得了相应的技术效果，则该解决方案属于技术方案。
情形B：AI算法或模型与计算机系统的内部结构存在特定技术关联
如果权利要求的撰写能够体现出AI算法或模型与计算机系统的内部结构存在特定技术关联，从而解决如何提升硬件运算效率或执行效果的技术问题，包括减少数据存储量、减少数据传输量、提高硬件处理速度等，并能够获得符合自然规律的计算机系统内部性能改进的技术效果，则该权利要求限定的解决方案属于技术方案。
这种特定技术关联体现了算法特征与计算机系统的内部结构相关特征在技术实现层面相互适应、彼此配合，如为支持特定算法或模型的运行而调整计算机系统的体系构架或相关参数，针对特定的计算机系统内部结构或参数对算法或模型作出适应性改进，或是以上两者的组合。
例如，一种面向忆阻器加速器的神经网络模型压缩方法，包括：步骤1、通过阵列感知的规则化增量剪枝算法，在网络裁剪时针对忆阻器实际阵列尺寸进行剪枝粒度的调整，获得适配忆阻器阵列的规则化稀疏模型；步骤2、通过二的幂次量化算法，降低ADC精度需求和忆阻器阵列中低阻值器件个数以总体降低系统功耗。
特定技术关联并不意味着必须对计算机系统的硬件结构做出改变。对于AI算法改进的解决方案，即使计算机系统的硬件结构本身并未发生改变，但是该方案通过优化系统资源配置使得其整体上能够获得计算机系统内部性能改进的技术效果，这类情形下，可以认为AI算法特征与计算机系统的内部结构存在特定技术关联，能够提升硬件的执行效果。
例如，一种深度神经网络模型的训练方法，包括：当训练数据的大小发生改变时，针对改变后的训练数据，分别计算所述改变后的训练数据在预设的候选训练方案中的训练耗时；从预设的候选训练方案中选取训练耗时最小的训练方案作为所述改变后的训练数据的最佳训练方案，所述候选训练方案包括单处理器训练方案和基于数据并行的多处理器训练方案；将所述改变后的训练数据在所述最佳训练方案中进行模型训练。
但是，如果一项权利要求仅仅是利用计算机系统作为实现AI算法或模型运行的载体，未体现出算法特征与计算机系统的内部结构之间的特定技术关联，则不属于情形B的范围。
例如，一种对神经网络进行训练的计算机系统，包括存储器和处理器，其中存储器存储指令，处理器读取指令，以利用优化损失函数对神经网络进行训练。
情形C：基于AI算法挖掘具体应用领域的大数据中符合自然规律的内在关联关系
AI算法或模型在各领域应用时，可以进行数据分析、评估、预测或推荐等。对此类申请，如果权利要求中体现出处理的是具体应用领域的大数据，利用神经网络等AI算法挖掘数据之间符合自然规律的内在关联关系，解决了如何提升具体应用领域大数据分析可靠性或精确性的技术问题，并获得相应的技术效果，则该权利要求的方案构成技术方案。
利用AI算法或模型进行数据挖掘并训练出能够根据输入数据得到输出结果的AI模型的手段不能直接构成技术手段，只有当基于AI算法或模型挖掘出的数据之间的内在关联关系符合自然规律时，相关手段整体上方可构成利用自然规律的技术手段。因此，需要在权利要求记载的方案中明确为得到分析结果，具体采用了哪些指标、参数等来反映被分析对象的特点，利用AI算法或模型挖掘出的这些指标、参数等（模型输入）与结果数据（模型输出）之间的内在关联关系是否符合自然规律。
例如，一种食品安全风险预测方法，获取并分析历史食品安全风险事件，得到表征食品原料、食用物品、食品抽检毒害物的各个头部实体数据和尾部实体数据、及其对应的时间戳数据，根据各个头部实体数据及其对应的尾部实体数据、及其对应的携带有时间戳数据的表征各类危害物含量等级、风险或干预的实体关系，构建对应的四元组数据，得到对应的知识图谱；利用所述知识图谱对预设神经网络进行训练，得到食品安全知识图谱模型；基于所述食品安全知识图谱模型对待预测时刻的食品安全风险进行预测。
如果利用AI算法或模型挖掘出的指标参数与预测结果之间的内在关联关系仅仅受到经济规律或社会规律的制约，则属于未遵循自然规律的情形。例如，一种利用神经网络预估地区经济景气指数的方法，利用神经网络挖掘经济数据和用电数据与经济景气指数之间的内在关联关系，并基于该内在关联关系进行地区经济景气指数的预测。由于经济数据和用电数据与经济景气指数之间的内在关联关系受到经济规律制约，不受自然规律约束，因此该方案未利用技术手段，不构成技术方案。
为避免或者克服不构成技术方案的缺陷，针对AI申请，申请人可以参考上述示例的情形A-情形C来撰写申请文件，并在原始说明书中详细阐明该方案所要解决的技术问题、采用的技术手段和能够获得的技术效果；或是在答复审查意见时，根据原申请文件的记载对权利要求书进行修改，并在意见陈述书中充分阐述修改后的方案属于技术方案的理由。
例如，对于涉及抽象AI算法或模型的权利要求，可在权利要求中体现算法或模型处理的是技术领域中具有确切技术含义的文本、图像、音频或视频等数据，使得基于本领域技术人员的理解，算法的执行能直接体现出利用自然规律解决该领域某一技术问题的过程，并且获得了技术效果。
再如，当发明涉及计算机系统内部性能改进时，可将原申请文件中体现了算法与计算机系统内部结构存在特定技术关联的技术特征加入权利要求。比如，在一项涉及神经网络训练方法的权利要求中，加入利用分布式系统进行神经网络训练时与神经网络训练算法产生特定技术关联的分布式计算节点的资源调配、信息交互传递等特征，从而体现出方案能够提升训练时硬件的执行效果，获得符合自然规律的计算机系统内部性能改进的技术效果。
又如，涉及利用AI算法或模型对具体应用领域的大数据进行分析、预测或者评价、评估等的解决方案，在撰写时，应在权利要求中明确记载采用哪些指标、参数等，采用何种算法或模型以得到何种预测结果，在答复审查意见时，应着重分析算法或模型处理的数据与要分析和预测的结果之间为何受自然规律约束，而不是仅仅体现管理学、经济学等非自然规律。
三、关于说明书充分公开的要求
AI算法或模型的透明性问题一直广受关注。一方面，在数据输入到输出的过程中，其内部推理和决策过程不易解释，另一方面，即使采用相同的模型及设置参数，产生预期的效果也存在难度。因此，如何满足说明书充分公开的要求，进而提升AI算法或模型的透明性、可解释性，也是AI申请审查的一个重要方面。
AI申请的说明书应当清楚地记载发明的技术方案，详细地描述实现发明的具体实施方式，完整地公开对于理解和实现发明必不可少的技术内容，达到所属技术领域的技术人员能够实现该发明的程度。
AI算法或模型存在“黑匣子”特性，需要有足够的信息来达到充分公开的目的。发明贡献不同，实现该发明必不可少的技术内容亦有所不同。说明书应充分描述对现有技术作出贡献的部分。对于体现专利发明构思的技术手段，说明书应当清楚、完整地予以描述，以所属技术领域的技术人员能够实现为准。说明书应当清楚、客观地写明申请与现有技术相比所具有的有益效果。必要时，可提供相应的证据来证明其发明贡献。
如下示例性地列举出如下几种情形的建议做法：
发明贡献在于AI模型训练的申请，一般需要根据方案要解决的问题或要达到的效果，在说明书中清楚记载必要的模型训练过程中涉及的算法及算法的具体步骤、训练方法的具体过程等。
发明贡献在于AI模型构建的申请，一般需要根据方案要解决的问题或要达到的效果，在说明书中记载必要的模块结构、层次结构或连接关系等，准确、客观地写明模型的功能和效果。必要时，通过实验数据、分析论证等方式表明改进后所能达到的效果。
发明贡献在于AI具体领域应用的申请，一般需要根据方案要解决的问题或要达到的效果，在说明书中明确模型如何与具体应用场景结合、输入/输出数据如何设置等。必要时，说明书中还应当阐明输入数据和输出数据之间的相关性，使所属技术领域的技术人员能够判断二者之间具有关联关系。
针对说明书公开不充分的审查意见，在意见陈述时需要阐述所属技术领域的技术人员能够实现相关解决方案的理由和依据。应注意的是，判断说明书是否充分公开，以原说明书和权利要求书记载的内容为准。
四、关于AI申请的创造性判断
AI申请的解决方案通常包含大量算法特征，考量创造性时，应将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与所述技术特征作为一个整体考虑。“功能上彼此相互支持、存在相互作用关系”是指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。对技术方案整体考虑后，若与现有技术相比，该方案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。
以下示例性给出与技术特征作为一个整体考虑的算法特征对技术方案作出贡献的情形。
情形1.使AI算法特征成为技术手段的组成部分
为使AI算法特征在创造性判断时被纳入技术手段的一部分，权利要求中应体现出AI算法或模型在实现具体功能或应用于具体领域时，解决了具体技术问题，从而明确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，使得算法特征成为技术手段的组成部分。
1.1 特定功能或领域中应用AI算法或模型时应考虑算法特征对方案作出的贡献
对于将AI算法或模型用于实现特定功能或应用于具体领域的申请，为了使方案中的算法特征在创造性评判时带来技术贡献，在撰写时，需写明实现特定功能或应用于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，以及由此获得的符合自然规律的技术效果，还应写明实施算法或模型所必不可少的内容。若方案涉及对现有的AI算法流程或模型参数进行调整，该调整解决了实现特定功能或应用于特定领域时面临的技术问题，并获得了有益技术效果，则可以认为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，在创造性判断时应考虑算法特征对方案作出的贡献。
例如，现有对仿人机器人步行时跌倒状态的判定主要利用姿态信息或ZMP点位置信息，但这样判断是不全面的。某申请提出了基于多传感器检测仿人机器人跌倒状态的方法，通过实时融合机器人步态阶段信息、姿态信息和ZMP点位置信息，并利用模糊决策系统，判定机器人当前的稳定性和可控性，为机器人下一步动作提供参考。其解决方案涉及一种基于多传感器信息仿人机器人跌倒状态检测方法，其特征在于包含如下步骤：（1）通过对姿态传感器信息、零力矩点ZMP传感器信息和机器人步行阶段信息进行融合，建立分层结构的传感器信息融合模型；（2）分别利用前后模糊决策系统和左右模糊决策系统来判定机器人在前后方向和左右方向的稳定性，具体步骤如下：①根据机器人支撑脚和地面之间的接触情况与离线步态规划确定机器人步行阶段；②利用模糊推理算法对ZMP点位置信息进行模糊化；③利用模糊推理算法对机器人的俯仰角或滚动角进行模糊化；④确定输出隶属函数；⑤根据步骤①～步骤④确定模糊推理规则；⑥去模糊化。现有技术公开了仿人机器人的步态规划与基于传感器信息的反馈控制，并根据相关融合信息对机器人稳定性进行判断，其中包括根据多个传感器信息进行仿人机器人稳定状态评价，即现有技术公开了该解决方案中的步骤（1），该解决方案与现有技术的区别在于采用步骤（2）的具体算法的模糊决策方法。基于该申请可知，该解决方案有效地提高了机器人的稳定状态以及对其可能跌倒方向判断的可靠性和准确率。姿态信息、ZMP点位置信息以及步行阶段信息作为输入参数，通过模糊算法输出判定仿人机器人稳定状态的信息，为进一步发出准确的姿势调整指令提供依据。因此，上述算法特征与技术特征在功能上彼此相互支持、存在相互作用关系，相对于该现有技术，确定发明实际解决的技术问题为：如何判断机器人稳定状态以及准确预测其可能的跌倒方向。上述模糊决策的实现算法及将其应用于机器人稳定状态的判断均未被其他对比文件公开，也不属于本领域公知常识，现有技术整体上并不存在使本领域技术人员改进现有技术以获得要求保护发明的启示，要求保护的发明技术方案相对于最接近的现有技术是非显而易见的，具备创造性。
1.2 AI算法或模型应用于不同场景时应考虑的因素
如果申请方案中记载的AI算法或模型属于现有技术，方案的改进在于将其从现有的场景应用到本申请的场景，则创造性考量时应当综合考虑算法或模型应用的场景的远近、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等方面。
进一步，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。
例如，某申请涉及一种船只数量统计方法，基于船只图像数据通过深度学习训练出实时检测的数据模型，对检测出的船只数量进行求和，解决实时反馈当前海域内船只数量的技术问题。最接近的现有技术公开了一种树上果实数量的统计方法，并公开了该申请的深度学习模型训练和数量统计步骤，区别在于识别对象的不同，属于不同的应用场景。船只和果实虽然在外观、体积、存在环境等方面均存在差异，然而对于本领域技术人员而言，两者所采用的手段均是对获得的图片信息进行对象识别、模型训练，进而完成数量统计，在针对图片进行识别时，同样考虑了识别对象的位置和边界。如果对图片中的船只进行识别和训练与对图片中的果实进行识别和训练，没有使其在深度学习、模型训练过程、图片识别中的处理方式发生改变，能够获得的技术效果都是使统计结果更加准确，那么训练数据不同仅代表数据含义不同，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，应用场景的不同也未对算法模型的设计产生不同的约束、影响或限制。因此，将现有技术的果实统计方法应用到该方案的船只统计，其效果在现有技术的基础上是可预期的，没有产生预料不到的技术效果，该方案不具备创造性。
情形2. AI算法或模型与计算机系统内部结构产生特定技术关联
若AI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，在创造性评判时，会将方案中的算法特征与技术特征作为一个整体考虑。
对计算机系统内部性能进行改进的情形，包括：通过调整硬件系统的体系构架来支持或优化特定算法或模型的运行，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等。在这种情形下，方案中的算法特征与技术特征将作为一个整体考虑，如果现有技术未给出技术启示，则方案具备创造性。
例如，某申请涉及一种调整卷积神经网络的方法，通过神经网络定点化来降低资源使用量，使带低比特定点量化的神经网络模型能够在低比特位宽的FPGA平台上运行，能够在低位宽的情况下实现媲美浮点网络的计算精度。最接近的现有技术公开了一种用于卷积神经网络的基于动态定点参数的定点训练方法，该方法在卷积神经网络的训练过程中，使用定点的方式进行前向计算，在若干训练周期之内，将网络精度达到浮点计算的水平。该方案与最接近的现有技术的区别在于，在使用高比特定点量化对卷积神经网络进行训练后，通过FPGA的低比特位宽对卷积神经网络进行微调。基于该区别特征，本申请解决了将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的精度降低问题，降低了卷积神经网络在FPGA平台上训练的资源使用量，获得了在小型FPGA嵌入式系统上实现媲美浮点网络的计算精度的技术效果。将算法特征和FPGA的低比特位宽等技术特征作为一个整体考虑，现有技术中并不存在技术启示，该方案具备创造性。
情形3. AI算法或模型与技术特征共同构成技术手段提升了用户体验
若方案中的AI算法特征与技术特征一起，提升了用户体验，在创造性评判时，会将算法特征与技术特征作为一个整体考虑，如果现有技术未给出技术启示，则方案具备创造性。
例如，某申请涉及一种在线客服的实现方法，解决现有电子商务平台中，用户倾向于通过人工客服处理投诉咨询等业务，造成机器人客服和人工客服资源没有被合理利用，人工客服处理压力大的技术问题。主要采用的解决方案包括：采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。当检测到人工客服负载过重时，系统利用长短时记忆网络预测并自动将适合的请求导向机器人客服，以减轻人工客服的处理压力。最接近的现有技术公开了一种实现与在线客服聊天的方法，具体公开了用户可以自由选择和切换三种与客服沟通的方式：仅机器人客服、机器人客服优先、人工客服优先，其中“人工客服优先”方式中，当已达到人工接待上限或存在排队等待情况，则由机器人客服与用户通讯。最接近的现有技术主要基于用户选择来切换人工或机器人客服，且判断人工客服是否繁忙的依据是接待是否已达上限或是否有排队等待情况出现，这与本申请根据人工智能算法权衡后进行自动切换不同，该解决方案基于访问负载通过人工智能算法分析并自动切换机器人客服能够解决在机器人客服与人工客服之间更合理地分配用户服务请求的技术问题，能够节省用户等待时间，提升了用户体验，因此方案具备创造性。
答复审查意见时的指导性建议：
对于包含算法特征的AI申请，当方案与作为最接近现有技术的对比文件的区别特征包含算法特征时，如果审查员认为上述算法特征与技术特征并非功能上彼此相互支持、存在相互作用关系，则可能不考虑算法特征对技术方案作出的贡献。
对于此类审查意见，在答复时，应阐明作为区别特征的算法特征能否使方案解决技术问题，这些特征与申请要解决的技术问题是否密切相关，是否与技术特征功能上彼此相互支持、存在相互作用关系。为了克服审查意见指出的缺陷，修改时可以考虑，将原始申请文件中与最接近现有技术存在区别的技术特征，或者与权利要求中的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补入权利要求中。
对于上述情形1，如果申请与现有技术采用相同或类似的AI算法或模型，二者主要区别在于功能或应用领域不同，则针对不具备创造性的审查意见，在答复时可以着重陈述该算法或模型在实现本申请的功能或应用至本申请的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等。
对于上述情形2，如果申请与现有技术的主要区别在于算法特征，针对不具备创造性的审查意见，可以在意见陈述时阐明上述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。
对于上述情形3，如果申请的解决方案能够带来用户体验的提升，针对不具备创造性的审查意见，在答复时，可以阐释为何本申请获得的用户体验提升的有益效果是由技术特征带来的，或者是由彼此相互支持、存在相互作用关系的技术特征和算法特征共同带来的
五、AI伦理问题
涉及AI算法或模型在不同领域应用的，申请人应关注涉及算法或模型的方案应用于具体领域时是否存在违反相关法律、社会公德或者妨害公共利益等问题。涉及AI获取和利用数据的，需要关注有关数据的来源、应用场景、安全管理、使用规范等各个环节是否遵循相关法律。除了数据内容本身，具体的数据采集、存储、处理等手段也需要符合相关法律的要求，不得违反社会公德或妨害公共利益。
在AI技术飞速发展的当下，专利申请已成为保护创新成果、推动技术商业化的关键手段。对于申请人和代理师而言，深入了解AI申请的审查要点和撰写技巧至关重要。希望本文的内容能够为各位申请人和代理师在AI申请的实践中提供有益的参考，助力大家在激烈的市场竞争中占据先机，为AI技术的创新与应用保驾护航。
如您对上述文章或知识产权保护有疑问，欢迎来函来电。专利相关事宜请联系 info@anxinfonda.com，电话：010-82730790。商标/诉讼/法务事宜请联系 info@bhtdlaw.com，电话：010-82737958。
