摘要很多 AI 项目做完以后开发者会遇到一个很现实的问题代码能跑系统能演示论文也能写但一到发明专利权利要求书就不知道怎么下手。尤其是 AI 算法类项目很多人习惯把“使用深度学习模型”“采用神经网络”“利用大模型进行问答”直接写成创新点结果权利要求里只有几个笼统步骤采集数据、训练模型、输入模型、输出结果。这样的写法在发明专利审查中风险很高因为它没有把真正解决技术问题的技术特征写清楚也没有把算法特征和技术场景、技术手段、技术效果连接起来。2026 年之后AI、大数据、计算机程序类发明专利的撰写更需要重视几个关键词真实发明创造、技术问题、技术手段、技术效果、算法特征与技术特征的相互作用、个人信息合规、算法公平性、创造性贡献写入权利要求。本文围绕 AI 算法类发明专利拆解权利要求书的基本结构、当前新规下的撰写重点、常见错误、可复用模板和案例写法帮助初学者从“项目功能描述”转向“专利保护范围表达”。关键词AI 发明专利、权利要求书、算法专利、计算机程序产品、专利交底书、人工智能专利、创造性、专利审查指南提醒本文用于技术写作和材料整理学习不构成正式法律意见实际提交前应结合检索结果、项目真实创新点和专利代理师或律师意见进一步修改。1. 为什么 AI 项目最容易卡在权利要求书AI 项目和传统机械、电路、化工项目不同。传统项目里创新点经常可以落到一个结构、一个连接关系、一个工艺参数或一个材料配比上而 AI 项目里的创新点经常隐藏在数据处理流程、模型结构、特征选择、训练方式、推理策略、后处理规则、系统协同方式中。开发者做项目时往往关注“模型准确率有没有提升”“界面能不能运行”“系统有没有管理后台”但专利审查关注的是这个方案是不是技术方案、相对现有技术区别在哪里、区别特征是否真正解决了技术问题、是否产生技术效果、是否具备新颖性和创造性。所以AI 算法类权利要求书不能写成项目说明书也不能写成软件功能清单。比如下面这类写法就很常见一种基于人工智能的图像识别方法包括 采集图像数据 对图像数据进行预处理 将预处理后的图像输入神经网络模型 输出识别结果。这段话看起来像权利要求但它的问题非常明显所有步骤都过于通用任何图像识别项目都可以这么写它没有限定具体的预处理方式、特征提取方式、模型结构调整方式、训练策略、推理策略或后处理规则也看不出它到底解决了光照干扰、小目标漏检、边缘缺陷识别不准、模型推理慢、跨场景泛化差中的哪一个技术问题。这样的权利要求通常很难支撑稳定的保护范围。AI 算法类权利要求书的核心不是把项目功能写进去而是把“相对现有技术真正有贡献的技术特征”写进去。换句话说权利要求书要回答的不是“我的系统能做什么”而是“我的技术方案靠哪些具体技术特征解决了什么技术问题并获得了什么技术效果”。2. 先看 2026 年前后需要特别注意的新审查口径写 AI 发明专利不能只看老模板。近几年涉及人工智能、大数据和计算机程序的专利审查规则变化比较集中尤其是 2024 年实施的《专利法实施细则》修订、2024 年生效的《专利审查指南》修改以及 2026 年 1 月 1 日施行的《专利审查指南》新一轮修改。对权利要求书写作来说下面几个点尤其重要。下面这张官方公开页面截图对应 2026 年 1 月 1 日起施行的《专利审查指南》修改决定。写 AI 算法类权利要求时建议先确认最新审查口径再回到项目本身提炼技术问题和技术特征。2.1 权利要求里的创造性贡献要真正写进去2026 年 1 月 1 日起施行的《专利审查指南》修改中对创造性评价强调了一个非常实用的原则创造性评价针对权利要求限定的技术方案整体进行对现有技术作出贡献的技术特征应当写入权利要求中否则即使说明书中有记载评价创造性时也不予考虑。这句话对 AI 项目非常关键。很多项目的创新点其实写在说明书、实验部分、技术效果描述里但权利要求 1 只写了“输入模型、输出结果”。这种写法会导致核心贡献没有进入保护范围审查员在创造性判断时未必会把说明书里那些“没有写进权利要求”的改进点作为权利要求创造性的依据。因此AI 算法类权利要求至少要把下列内容中的核心区别特征写进去数据预处理的关键规则例如区域校正、噪声过滤、异常样本剔除、时序窗口构造特征提取或特征融合方式例如多尺度特征融合、边缘纹理增强、跨模态特征对齐模型结构改进例如注意力模块位置、轻量化卷积结构、动态分支选择、重排序模块训练策略改进例如样本难度加权、类别不均衡损失、迁移学习冻结策略、增量更新策略推理与后处理规则例如候选框融合、置信度动态阈值、知识库召回重排序、路径约束修正与硬件、系统资源或业务场景技术约束的配合例如减少数据传输量、降低存储占用、提升推理速度、提高传感器数据融合可靠性。这里要注意不是把所有技术细节都堆到权利要求 1 中而是把真正支撑“区别于现有技术”的必要技术特征写进去。权利要求 1 过宽会被现有技术覆盖过窄会导致保护范围太小。比较稳妥的做法是独立权利要求写核心技术路径从属权利要求逐层限定细节。2.2 AI 和大数据不能只写算法要体现技术方案当前审查口径并不是简单排斥算法而是要求整体判断权利要求限定的解决方案。对于包含算法特征、商业规则和方法特征的方案不能简单把算法和技术特征割裂开看而是要把权利要求中的全部内容作为整体分析技术手段、技术问题和技术效果。这对 AI 项目是利好也是提醒。利好在于只要算法特征与技术场景、数据处理对象、计算机系统内部结构或具体应用领域的技术问题存在关联就有机会构成可保护的技术方案。提醒在于如果权利要求只是在讲抽象规则、商业策略、数学公式、管理流程、营销推荐而没有体现技术问题和技术效果就容易遇到客体问题。比如“根据用户消费金额计算积分等级并推送优惠券”更像商业规则但“对工业相机采集的高反光金属表面图像进行亮度分区校正结合边缘纹理特征增强小尺寸裂纹区域以提高裂纹检测准确率”就更容易体现技术问题、技术手段和技术效果。前者解决的是营销问题后者解决的是图像检测可靠性问题。2.3 算法改进要和计算机系统性能或具体技术场景挂钩对于 AI、大数据算法改进如果算法与计算机系统内部结构存在特定技术关联并解决了提升硬件运算效率或执行效果的技术问题例如减少数据存储量、减少数据传输量、提高硬件处理速度就可能被认定为技术方案。对于具体应用领域的大数据处理如果通过分类、聚类、回归分析、神经网络等手段挖掘出符合自然规律的内在关联关系并提升具体领域数据分析可靠性或精确性也可能构成技术方案。这意味着AI 算法专利不是不能写“模型训练方法”而是要写清楚训练方法为什么是技术改进。比如为了降低边缘设备部署时的推理延迟对输入图像按照分辨率和目标密度划分为不同处理分支 对低密度区域采用轻量化特征提取网络对高密度区域采用多尺度上下文融合网络 根据各分支输出的目标置信度和空间重叠关系进行结果融合。这种表达比“使用改进神经网络进行检测”更具体也更容易说明技术效果降低推理资源消耗同时保持复杂区域检测精度。2.4 只换应用对象通常不够2025 年《专利审查指南》修改内容解读中新增了人工智能创造性审查示例特别强调了一个很容易踩坑的问题如果算法或模型相同只是应用场景和处理对象不同但算法流程、模型参数等没有实质性改变通常难以支撑创造性。简单说把“识别水果数量”换成“识别船只数量”如果技术路径没有实质调整就很可能只是应用对象替换。这对 AI 项目包装非常重要。很多人习惯把公开模型换一个数据集就写专利比如“基于 YOLO 的安全帽检测方法”“基于 BERT 的评论情感分类方法”“基于大模型的企业知识库问答方法”。如果权利要求只体现“换了一个应用领域”没有写出针对该领域的技术约束所做的改进就很容易显得创造性不足。更好的写法应该围绕具体领域的技术困难展开。例如安全帽检测不是简单“检测安全帽”而是可能涉及强光、遮挡、远距离、小目标、工地摄像头低分辨率、人员姿态变化等问题RAG 知识库不是简单“检索后回答”而是可能涉及长文档切块粒度、表格解析、术语同义词扩展、召回结果重排序、答案溯源一致性校验等问题。只有把这些问题对应的技术手段写入权利要求才更像一个真正的发明技术方案。2.5 数据合规、算法歧视和社会公德要提前避雷2026 年新口径还进一步强调人工智能、大数据相关专利申请应当遵守法律、社会公德和公共利益。涉及数据采集、标签管理、规则设置、推荐决策的方案如果包含违法采集个人信息、暗中采集人脸、基于性别年龄等敏感因素进行歧视性决策等内容可能面临不授权风险。这提醒我们AI 权利要求书不应该只关心“能不能识别得准”还要关注数据来源、数据使用目的、采集方式和决策规则是否合规。涉及人脸、语音、医疗、金融、教育、招聘、自动驾驶等场景时尤其要谨慎。对于需要处理个人信息的项目可以在说明书和权利要求相关步骤中体现脱敏、授权、最小必要采集、访问控制、敏感字段屏蔽、偏差检测或公平性约束等技术措施。2.6 发明人、AI 参与和诚信原则也会影响材料质量当前规则明确发明人应当是自然人请求书不得填写单位、课题组或人工智能名称。AI 可以参与研发辅助但不能作为发明人填写。与此同时申请专利应当以真实发明创造活动为基础不得弄虚作假。对批量拼凑、虚构创新点、没有真实研发基础的申请后续可能面临审查、复审、无效甚至信用层面的风险。这对 AI 项目成果包装有两个实际提醒第一不要把 ChatGPT、某个大模型或“AI 系统”写成发明人。发明人应当是对发明创造实质性特点作出创造性贡献的自然人。第二不要把公开代码、公开模型、公开数据集简单组合后包装成“全新发明”。如果项目的真实贡献只是系统集成、界面开发或参数替换更适合考虑软著、项目报告、系统说明书如果要申请发明专利则需要进一步梳理是否存在真实的技术改进。国家知识产权局在 2024 年底还发布了人工智能相关发明专利申请指引页面中提供了指引正文、说明和常见问题答复。对初学者来说它比泛泛搜索旧模板更适合作为规则入口。3. 权利要求书到底是什么不是说明书摘要而是保护范围边界初学者最容易误解的是把技术方案讲清楚就等于写好了权利要求。实际上权利要求书的作用是确定专利保护范围。说明书负责解释、支撑和公开权利要求书负责界定“别人做到什么程度会落入保护范围”。以 AI 图像检测项目为例说明书可以详细写数据来源、系统界面、模块说明、训练参数、实验指标和运行环境权利要求书不能这样写。权利要求书更关注技术特征例如输入数据如何构造、模型如何处理、关键模块如何协同、输出结果如何生成。它要求表达简洁、边界清楚、层级合理。一般来说AI 算法类发明专利常见的权利要求类型包括方法权利要求保护一组数据处理、模型训练、模型推理或系统运行步骤。 装置/系统权利要求保护实现上述方法的模块、单元或系统架构。 计算机可读存储介质权利要求保护存储程序指令的介质程序被处理器执行时实现方法。 计算机程序产品权利要求保护主要通过计算机程序实现解决方案的软件产品。在计算机程序类发明中当前审查口径已经明确涉及计算机程序的发明专利权利要求可以写成方法、装置、计算机可读存储介质或者计算机程序产品。对 AI 算法项目来说这一点很有价值因为很多方案本质上通过软件和算法实现不能只写一个方法权利要求还应该结合项目情况布置装置、介质、程序产品等不同保护主题。4. AI 算法类权利要求的基本结构一个比较常见的 AI 算法类权利要求组合可以这样安排权利要求1一种 AI 算法处理方法 / 模型训练方法 / 图像检测方法 / 知识库问答方法 权利要求2对输入数据获取或预处理方式作进一步限定 权利要求3对特征提取、特征融合或编码方式作进一步限定 权利要求4对模型结构、网络模块或参数更新方式作进一步限定 权利要求5对训练损失、样本权重、阈值策略或后处理规则作进一步限定 权利要求6一种实现权利要求1-5任一方法的装置或系统 权利要求7一种电子设备包括处理器和存储器执行程序实现上述方法 权利要求8一种计算机可读存储介质存储程序程序被处理器执行时实现上述方法 权利要求9一种计算机程序产品包括程序或指令执行时实现上述方法不同保护主题之间并不是互相替代而是围绕同一套方法步骤展开。方法权利要求抓住核心流程从属权利要求把关键细节逐层收窄装置、设备、介质和程序产品则从不同实现载体上覆盖同一技术方案。这种组合的好处是方法权利要求抓核心流程从属权利要求补足技术细节装置和程序类权利要求扩大保护形式。需要注意的是不同权利要求之间应当有逻辑支撑不能把毫无关联的模块硬塞进同一套权利要求里。5. 写权利要求前先完成一张“技术方案拆解表”不要一上来就写“1.一种……方法其特征在于……”。正确做法是先把项目从工程描述拆成专利语言。可以先填下面这张表拆解项需要回答的问题AI 项目示例技术领域属于图像处理、自然语言处理、数据检索、路径规划还是系统控制工业表面缺陷图像检测现有技术问题现有方法有什么具体不足高反光表面导致裂纹边缘模糊小目标缺陷漏检核心技术手段你用了什么具体技术步骤解决亮度分区校正、多尺度边缘纹理增强、动态阈值候选框融合区别特征与公开模型或常规流程相比真正不同在哪里按局部反光强度选择不同增强分支并与检测置信度联动技术效果准确率、速度、稳定性、存储、传输、鲁棒性有何改善降低漏检率提高复杂光照下检测稳定性可写入权利要求的特征哪些是必要技术特征哪些放从属权利要求核心分支选择写权利要求1具体阈值和网络模块写从属项从工程语言到专利语言的转换可以理解为从“功能、模型、界面”出发拆成技术领域、技术问题、区别特征和技术效果再回到权利要求中表达必要技术特征和保护范围边界。这个表填不出来权利要求通常也写不好。因为权利要求不是凭空写出来的它来自真实技术方案的抽象。如果项目没有真实改进只是套用开源模型换数据集那么应该先回到技术方案本身补充可验证的技术改进而不是强行写权利要求。6. 独立权利要求怎么写先确定“最大保护边界”独立权利要求通常是整个权利要求书最重要的一项。对 AI 算法类项目来说独立权利要求 1 一般写方法权利要求。它要包含解决技术问题所必需的技术特征但不宜把所有实施细节都写进去。一个可复用的结构是1.一种用于【具体技术场景】的【AI处理方法】其特征在于包括 获取【具体类型的输入数据】 基于【第一技术规则】对所述输入数据进行【预处理/构造/分割/编码】得到【中间数据】 将所述中间数据输入【具有特定结构或处理机制的模型/模块】以得到【特征表示/候选结果】 根据【第二技术规则】对所述特征表示或候选结果进行【融合/筛选/重排序/校正】 输出【技术结果】所述技术结果用于【解决具体技术问题】。这只是骨架真正的价值在于括号里的内容。比如“第一技术规则”不能写成“预设规则”“特定结构”不能写成“神经网络模型”“第二技术规则”不能写成“后处理”。要写到足以体现区别特征的程度。以工业缺陷检测为例一个更像专利语言的示范是1.一种用于高反光金属表面缺陷检测的图像处理方法其特征在于包括 获取待检测金属表面的原始图像并根据所述原始图像中各局部区域的亮度分布确定多个反光等级区域 针对不同反光等级区域分别执行与反光等级对应的纹理增强处理得到包含边缘纹理增强结果的区域图像 将所述区域图像输入包含多尺度特征融合分支的缺陷检测模型得到缺陷候选框及对应置信度 根据相邻缺陷候选框的空间重叠关系、反光等级区域和置信度对所述缺陷候选框进行融合校正 输出缺陷类别和缺陷位置。这个示范比“采集图像、输入模型、输出结果”更好因为它体现了特定场景、高反光问题、分区处理、纹理增强、多尺度融合、候选框校正等技术特征。当然真实提交时还需要结合检索结果进一步调整不应直接照搬。7. 从属权利要求怎么写不要重复要逐层收窄从属权利要求的作用是进一步限定独立权利要求。很多初学者会把从属权利要求写成重复解释例如2.根据权利要求1所述的方法其特征在于所述神经网络模型用于识别图像。这种写法价值很低因为权利要求 1 已经说了图像识别。更好的从属权利要求应该补充具体技术特征2.根据权利要求1所述的方法其特征在于所述反光等级区域根据局部区域的平均亮度、亮度方差和边缘梯度值确定。3.根据权利要求1所述的方法其特征在于所述纹理增强处理包括对高反光区域执行局部对比度限制增强对低反光区域执行边缘梯度增强。4.根据权利要求1所述的方法其特征在于所述多尺度特征融合分支包括用于提取小尺寸缺陷特征的浅层特征分支和用于提取上下文信息的深层特征分支。5.根据权利要求1所述的方法其特征在于所述融合校正包括根据反光等级区域动态调整缺陷候选框的置信度阈值。从属权利要求最好围绕同一条技术路线逐步展开而不是东拼西凑。一个实用原则是权利要求 1 解决“主问题”从属权利要求解决“子问题”。比如主问题是复杂光照下缺陷检测不稳定那么从属权利要求可以围绕亮度分区、纹理增强、特征融合、阈值校正展开而不是突然写登录注册、数据库存储、界面展示。8. 装置、设备、存储介质和程序产品怎么写AI 算法项目通常由软件实现因此除了方法权利要求还可以写装置、电子设备、计算机可读存储介质和计算机程序产品。写这些权利要求时不要重新编一套完全不同的技术方案而应当与方法权利要求对应。一个常见装置权利要求可以这样写6.一种用于高反光金属表面缺陷检测的图像处理装置其特征在于包括 区域确定模块用于获取待检测金属表面的原始图像并根据所述原始图像中各局部区域的亮度分布确定多个反光等级区域 纹理增强模块用于针对不同反光等级区域分别执行与反光等级对应的纹理增强处理得到包含边缘纹理增强结果的区域图像 缺陷检测模块用于将所述区域图像输入包含多尺度特征融合分支的缺陷检测模型得到缺陷候选框及对应置信度 融合校正模块用于根据相邻缺陷候选框的空间重叠关系、反光等级区域和置信度对所述缺陷候选框进行融合校正 输出模块用于输出缺陷类别和缺陷位置。电子设备可以这样写7.一种电子设备包括处理器和存储器所述存储器中存储有计算机程序或指令其特征在于所述计算机程序或指令被所述处理器执行时实现权利要求1至5任一项所述的方法。计算机可读存储介质可以这样写8.一种计算机可读存储介质其上存储有计算机程序或指令其特征在于所述计算机程序或指令被处理器执行时实现权利要求1至5任一项所述的方法。计算机程序产品可以这样写9.一种计算机程序产品包括计算机程序或指令其特征在于所述计算机程序或指令被处理器执行时实现权利要求1至5任一项所述的方法。这里要注意装置权利要求里的模块名称应该和方法步骤对应避免出现方法里没有支撑的模块电子设备、存储介质、程序产品权利要求一般引用前面的方法权利要求即可不要增加没有说明书支撑的新技术特征。9. AI 算法类权利要求的三类常见错误9.1 错误一只写模型名称不写技术特征一种基于 YOLO 的安全帽检测方法包括采集图像、输入 YOLO 模型、输出检测结果。这个写法的问题是YOLO 是公开模型体系单纯使用模型名称无法体现技术贡献。即使项目效果不错权利要求里也没有写出改进点。更合理的思路是围绕具体技术问题写例如小目标、遮挡、低光照、工地灰尘、远距离摄像头等。可以改成获取施工现场图像并根据人员头部候选区域的尺度分布确定小目标增强区域 对所述小目标增强区域执行局部特征放大和边缘保持处理 将处理后的图像输入包含浅层细粒度特征融合分支的检测模型 根据人员姿态估计结果对安全帽候选框的位置进行校正。这样写的重点不是“我用了 YOLO”而是“我针对施工现场小目标和姿态变化做了什么技术处理”。9.2 错误二只写业务效果不写技术效果一种基于大模型的企业知识库问答方法用于提高员工办公效率。“提高办公效率”可以作为应用价值但不是足够具体的技术效果。RAG 知识库类专利应当写清楚技术问题例如文档切块不准、术语召回不足、跨表格问答准确率低、答案溯源不一致、知识更新后索引不稳定等。更合理的技术表达是对企业文档进行版面结构识别得到标题段落、表格单元格和图片说明文本 根据版面结构和语义边界生成多粒度文本块 对查询语句进行领域术语扩展并分别在标题索引、正文索引和表格索引中执行向量召回 根据召回文本块的版面位置、语义相似度和引用完整性进行重排序 生成携带来源片段标识的问答结果。这个版本更容易说明技术效果提高复杂企业文档检索准确性、减少答案来源错配、增强可追溯性。9.3 错误三把系统功能清单当权利要求很多软件项目会写成这样一种智能检测系统包括登录模块、图片上传模块、检测模块、历史记录模块和用户管理模块。这更像软著说明书里的功能模块而不是发明专利的核心技术方案。登录、上传、记录、用户管理通常是常规软件功能除非其中某个模块本身有技术改进否则不宜作为发明专利的主要创新点。发明专利更应围绕算法处理、数据流转、模型推理、设备协同、结果校正等技术内容写。界面和后台功能可以出现在说明书实施例中但不一定适合放入核心独立权利要求。10. 三个 AI 项目的权利要求写作思路10.1 目标检测项目从“检测系统”转成“图像处理方法”如果项目是“基于 YOLO 的道路裂缝检测系统”不要直接写“使用 YOLO 检测道路裂缝”。可以先问道路裂缝检测的技术难点是什么可能是裂缝细长、背景纹理复杂、阴影干扰、路面材质差异、小目标区域不明显。你的技术改进是什么可能是裂缝方向增强、细长目标特征融合、阴影区域自适应校正、候选框长宽比约束。对应权利要求可以这样展开1.一种道路裂缝检测方法其特征在于包括 获取道路表面图像并对所述道路表面图像进行灰度一致性校正 基于方向梯度响应确定疑似裂缝区域 对所述疑似裂缝区域执行细长结构增强处理得到增强图像 将所述增强图像输入包含细长目标特征融合分支的检测模型得到裂缝候选区域 根据裂缝候选区域的长宽比、方向连续性和置信度对裂缝候选区域进行筛选输出裂缝位置。这个写法的关键词是“方向梯度响应”“细长结构增强”“特征融合分支”“长宽比和方向连续性筛选”。这些特征比“YOLO 检测”更能体现技术内容。10.2 RAG 知识库项目从“问答系统”转成“文档检索增强方法”如果项目是“基于 RAG 的企业知识库问答系统”不要只写“对文档向量化后检索再调用大模型生成答案”。这套流程太常规。应该关注具体问题例如长文档切块导致语义断裂、表格信息召回差、同义术语匹配不足、答案溯源不准确。权利要求可以这样写1.一种面向企业文档的检索增强问答方法其特征在于包括 对企业文档执行版面结构解析识别标题、正文段落、表格区域和图片说明文本 根据所述版面结构和语义边界生成第一粒度文本块和第二粒度文本块 对用户查询语句执行领域术语扩展得到扩展查询向量 基于所述扩展查询向量分别在标题索引、正文索引和表格索引中执行召回得到候选文本块集合 根据候选文本块的语义相似度、版面层级和来源完整性进行重排序 根据重排序后的文本块生成携带来源标识的答案。这比“RAG 问答系统”更有专利味因为它落到了文档解析、切块、索引、召回、重排序和溯源这些技术细节。10.3 智能优化项目从“优化算法”转成“约束求解方法”如果项目是“基于改进粒子群算法的路径规划方法”不能只写“初始化粒子群、计算适应度、更新速度位置、输出最优路径”。这是粒子群算法的通用流程。需要写出针对路径规划问题的改进。例如技术难点是障碍物密集环境下路径容易穿越障碍、收敛早熟、路径转折过多。对应改进可能是障碍物距离惩罚、动态惯性权重、局部路径平滑、不可行解修复。权利要求可以这样写1.一种面向障碍物环境的路径规划方法其特征在于包括 根据起点、终点和障碍物区域构建栅格地图 基于所述栅格地图生成包含多个路径节点的初始粒子群 根据路径长度、障碍物距离惩罚项和转角平滑项构造适应度函数 在粒子迭代过程中根据当前迭代次数和全局最优路径变化率动态调整惯性权重 当路径节点落入障碍物区域时按照距离最近的可通行栅格对该路径节点进行修复 对迭代得到的最优路径进行节点冗余删除和转角平滑处理输出规划路径。这个版本比“改进粒子群路径规划”更具体因为它写出了适应度函数、动态权重、不可行解修复和路径平滑等技术特征。11. 权利要求书和说明书要互相支撑权利要求不能脱离说明书。说明书要支撑权利要求中的每个技术特征。比如权利要求中写了“根据反光等级区域动态调整置信度阈值”说明书里就要说明反光等级如何确定、阈值如何调整、为什么这样调整能够降低误检或漏检。如果权利要求中写了“领域术语扩展”说明书里就要说明术语库怎么构建、扩展查询如何生成、如何参与召回或重排序。一个实用检查方法是权利要求中的每个名词说明书里是否解释过 权利要求中的每个步骤说明书里是否有实施例 权利要求中的每个效果说明书里是否能对应到技术手段 权利要求中的核心区别特征说明书里是否写得足够详细如果说明书中没有充分公开后期答复审查意见时很难补救。专利申请文件提交后修改不能超出原始记载范围所以一开始就要把核心技术方案写完整。12. AI 算法类专利撰写时的合规检查清单提交或交给代理师前建议至少检查以下内容1. 是否明确了具体技术领域而不是只写“人工智能” 2. 是否明确了现有技术的具体问题而不是只写“效率低、准确率差” 3. 权利要求1是否写入了真正有贡献的技术特征 4. 算法特征是否与技术特征存在功能上的相互支持或相互作用 5. 是否避免了单纯数学规则、商业规则或管理规则 6. 是否避免了只替换应用对象但没有实质技术调整 7. 数据采集、标签管理、推荐决策是否涉及个人信息、敏感信息或算法歧视风险 8. 发明人是否为自然人且没有填写课题组、单位或 AI 名称 9. 权利要求中的术语是否与说明书一致 10. 从属权利要求是否逐层限定而不是重复独立权利要求 11. 装置、电子设备、存储介质、程序产品权利要求是否与方法权利要求对应 12. 说明书是否对每个关键技术特征提供了实施例和效果说明这张清单不能保证授权但可以显著减少“形式像专利、内容不像技术方案”的问题。13. 一份可复用的 AI 算法类权利要求模板下面给出一份通用模板适合在写草稿时使用。注意模板只是结构不能直接复制提交。真实权利要求必须根据检索结果和项目创新点修改。1.一种用于【具体技术场景】的【AI数据处理/模型训练/模型推理】方法其特征在于包括 获取【具体输入数据】 根据【数据特征、环境参数、设备状态或领域约束】对所述输入数据进行【预处理/分块/编码/校正】得到【第一中间结果】 将所述第一中间结果输入【具有特定结构、特定分支或特定处理规则的模型/模块】得到【第二中间结果】 基于【技术约束、置信度、空间关系、时间关系、语义关系或资源约束】对所述第二中间结果进行【融合/筛选/重排序/修正】 输出【具体技术结果】。 2.根据权利要求1所述的方法其特征在于所述【预处理/分块/编码/校正】包括 根据【具体指标】确定【分类区域/文本块/样本集合/路径节点】 对不同【区域/文本块/样本集合/路径节点】执行对应的【处理方式】。 3.根据权利要求1所述的方法其特征在于所述模型/模块包括 用于提取【局部特征】的第一分支 用于提取【全局上下文/时序关系/语义关系】的第二分支 用于融合第一分支和第二分支输出的融合单元。 4.根据权利要求1所述的方法其特征在于所述【融合/筛选/重排序/修正】包括 根据【第一技术指标】和【第二技术指标】计算候选结果得分 根据所述候选结果得分确定输出结果。 5.根据权利要求1所述的方法其特征在于所述方法还包括 根据【反馈数据/误差结果/样本难度/资源状态】调整【模型参数/阈值/权重/索引结构】。 6.一种【装置/系统】其特征在于包括用于执行权利要求1至5任一项所述方法的模块。 7.一种电子设备包括处理器和存储器所述存储器中存储有计算机程序或指令其特征在于所述计算机程序或指令被处理器执行时实现权利要求1至5任一项所述的方法。 8.一种计算机可读存储介质其上存储有计算机程序或指令其特征在于所述计算机程序或指令被处理器执行时实现权利要求1至5任一项所述的方法。 9.一种计算机程序产品包括计算机程序或指令其特征在于所述计算机程序或指令被处理器执行时实现权利要求1至5任一项所述的方法。14. 从“项目描述”改成“权利要求语言”的方法很多 AI 项目的原始描述是这样的本系统采用 YOLO 模型实现对工地安全帽的检测支持图片上传、视频检测、摄像头检测和检测结果保存。这段话适合写项目介绍但不适合写权利要求。可以分三步改写。第一步去掉软件功能清单提取技术问题施工现场图像中人员头部区域尺度小、遮挡多、背景复杂导致安全帽漏检。第二步提取技术手段通过人员头部候选区域定位、小目标区域增强、姿态约束校正和候选框融合提高安全帽检测稳定性。第三步改成权利要求语言获取施工现场图像 基于人体关键点检测结果确定人员头部候选区域 对所述人员头部候选区域执行小目标特征增强处理 将增强处理后的图像输入安全帽检测模型得到安全帽候选框 根据人员头部候选区域与安全帽候选框的空间位置关系对安全帽候选框进行筛选和校正 输出安全帽检测结果。这就是从“项目功能”到“专利技术方案”的转换过程。15. 发明专利交底书和权利要求书的配合实际工作中开发者通常不会直接提交最终权利要求书而是先写专利交底书。交底书应该把技术方案讲完整权利要求书再从交底书中抽取保护范围。AI 算法类交底书建议包含技术领域明确图像处理、自然语言处理、智能优化、数据检索等方向。 背景技术说明现有方法的不足最好结合具体场景。 发明内容概括技术问题、技术方案和有益效果。 附图说明系统流程图、模型结构图、数据处理流程图。 具体实施方式详细写数据输入、处理步骤、模型结构、训练推理流程、输出结果。 实验或效果说明说明准确率、速度、稳定性、存储、传输、鲁棒性等效果。 权利要求草稿列出方法、装置、设备、介质、程序产品等权利要求。权利要求草稿不是越多越好也不是越宽越好。好的权利要求应该有层次独立权利要求抓住最核心的技术路线从属权利要求围绕关键细节进行保护。对 AI 项目来说通常要避免把“训练参数、软件界面、数据库字段、按钮名称、部署环境”写成核心保护点除非这些内容本身解决了具体技术问题。16. 实操整理建议如果你是学生或项目开发者建议按下面顺序整理不要在没有检索的情况下直接写“本发明具有创造性”。创造性不是自己说出来的而是在与现有技术对比后体现出来的。AI 项目尤其要注意开源模型、公开论文、GitHub 项目、预训练权重和常见工程流程因为这些都可能成为现有技术参考。如果你是做项目交付或成果包装的建议把同一个 AI 项目拆成不同成果软著保护软件系统名称、功能模块、界面、代码和说明书。 发明专利保护技术方案中的算法处理流程、数据处理方法、模型训练推理机制。 论文展开方法原理、实验设计、对比实验和消融实验。 项目报告说明系统背景、需求分析、设计实现、运行效果。同一个项目不一定都适合申请发明专利。如果没有真实技术改进可以先做软著和项目报告如果确实有算法、数据处理或系统协同改进再考虑发明专利。17. 结语AI 算法类发明专利权利要求书的难点不在于会不会写“其特征在于”而在于能不能把项目中的真实技术贡献转化为清楚、稳定、有层次的保护范围。2026 年之后AI、大数据、计算机程序相关审查口径更加重视申请质量发明人身份要真实专利申请要基于真实发明创造算法方案要体现技术问题、技术手段和技术效果创造性贡献要写入权利要求数据采集和算法决策还要避免违法、歧视和违背社会公德。对初学者来说最实用的一句话是不要写“我用了什么 AI 模型”而要写“我针对什么技术问题对数据、模型、训练、推理或后处理流程做了什么具体技术改进并产生了什么技术效果”。只要围绕这个逻辑去拆项目权利要求书就不会停留在空泛模板而会逐渐接近可以讨论、可以修改、可以检索和可以提交的专利材料。参考资料国家知识产权局《国家知识产权局关于修改〈专利审查指南〉的决定局令第84号》2025-11-132026-01-01 施行。https://www.cnipa.gov.cn/art/2025/11/13/art_99_202568.html国家知识产权局《2025年〈专利审查指南〉修改内容解读》2025-12-04。https://www.cnipa.gov.cn/art/2025/12/4/art_66_202935.html国家知识产权局《专利审查指南》2023修改解读四——涉及计算机程序的发明专利申请审查2024-01-18。https://www.cnipa.gov.cn/art/2024/1/18/art_2199_189877.html国家知识产权局《中华人民共和国专利法实施细则2023年修订》2024-01-20 起施行。https://www.cnipa.gov.cn/art/2023/12/21/art_98_189197.html国家知识产权局《关于施行修改后的专利法及其实施细则相关审查业务处理的过渡办法》解读2023-12-21。https://www.cnipa.gov.cn/art/2023/12/21/art_66_189190.html国家知识产权局《人工智能相关发明专利申请指引试行》2024-12-31。https://www.cnipa.gov.cn/art/2024/12/31/art_66_196988.html
权利要求书不会写怎么办？AI 算法类发明专利权利要求撰写入门指南（结合 2026 年新审查口径）
摘要很多 AI 项目做完以后开发者会遇到一个很现实的问题代码能跑系统能演示论文也能写但一到发明专利权利要求书就不知道怎么下手。尤其是 AI 算法类项目很多人习惯把“使用深度学习模型”“采用神经网络”“利用大模型进行问答”直接写成创新点结果权利要求里只有几个笼统步骤采集数据、训练模型、输入模型、输出结果。这样的写法在发明专利审查中风险很高因为它没有把真正解决技术问题的技术特征写清楚也没有把算法特征和技术场景、技术手段、技术效果连接起来。2026 年之后AI、大数据、计算机程序类发明专利的撰写更需要重视几个关键词真实发明创造、技术问题、技术手段、技术效果、算法特征与技术特征的相互作用、个人信息合规、算法公平性、创造性贡献写入权利要求。本文围绕 AI 算法类发明专利拆解权利要求书的基本结构、当前新规下的撰写重点、常见错误、可复用模板和案例写法帮助初学者从“项目功能描述”转向“专利保护范围表达”。关键词AI 发明专利、权利要求书、算法专利、计算机程序产品、专利交底书、人工智能专利、创造性、专利审查指南提醒本文用于技术写作和材料整理学习不构成正式法律意见实际提交前应结合检索结果、项目真实创新点和专利代理师或律师意见进一步修改。1. 为什么 AI 项目最容易卡在权利要求书AI 项目和传统机械、电路、化工项目不同。传统项目里创新点经常可以落到一个结构、一个连接关系、一个工艺参数或一个材料配比上而 AI 项目里的创新点经常隐藏在数据处理流程、模型结构、特征选择、训练方式、推理策略、后处理规则、系统协同方式中。开发者做项目时往往关注“模型准确率有没有提升”“界面能不能运行”“系统有没有管理后台”但专利审查关注的是这个方案是不是技术方案、相对现有技术区别在哪里、区别特征是否真正解决了技术问题、是否产生技术效果、是否具备新颖性和创造性。所以AI 算法类权利要求书不能写成项目说明书也不能写成软件功能清单。比如下面这类写法就很常见一种基于人工智能的图像识别方法包括 采集图像数据 对图像数据进行预处理 将预处理后的图像输入神经网络模型 输出识别结果。这段话看起来像权利要求但它的问题非常明显所有步骤都过于通用任何图像识别项目都可以这么写它没有限定具体的预处理方式、特征提取方式、模型结构调整方式、训练策略、推理策略或后处理规则也看不出它到底解决了光照干扰、小目标漏检、边缘缺陷识别不准、模型推理慢、跨场景泛化差中的哪一个技术问题。这样的权利要求通常很难支撑稳定的保护范围。AI 算法类权利要求书的核心不是把项目功能写进去而是把“相对现有技术真正有贡献的技术特征”写进去。换句话说权利要求书要回答的不是“我的系统能做什么”而是“我的技术方案靠哪些具体技术特征解决了什么技术问题并获得了什么技术效果”。2. 先看 2026 年前后需要特别注意的新审查口径写 AI 发明专利不能只看老模板。近几年涉及人工智能、大数据和计算机程序的专利审查规则变化比较集中尤其是 2024 年实施的《专利法实施细则》修订、2024 年生效的《专利审查指南》修改以及 2026 年 1 月 1 日施行的《专利审查指南》新一轮修改。对权利要求书写作来说下面几个点尤其重要。下面这张官方公开页面截图对应 2026 年 1 月 1 日起施行的《专利审查指南》修改决定。写 AI 算法类权利要求时建议先确认最新审查口径再回到项目本身提炼技术问题和技术特征。2.1 权利要求里的创造性贡献要真正写进去2026 年 1 月 1 日起施行的《专利审查指南》修改中对创造性评价强调了一个非常实用的原则创造性评价针对权利要求限定的技术方案整体进行对现有技术作出贡献的技术特征应当写入权利要求中否则即使说明书中有记载评价创造性时也不予考虑。这句话对 AI 项目非常关键。很多项目的创新点其实写在说明书、实验部分、技术效果描述里但权利要求 1 只写了“输入模型、输出结果”。这种写法会导致核心贡献没有进入保护范围审查员在创造性判断时未必会把说明书里那些“没有写进权利要求”的改进点作为权利要求创造性的依据。因此AI 算法类权利要求至少要把下列内容中的核心区别特征写进去数据预处理的关键规则例如区域校正、噪声过滤、异常样本剔除、时序窗口构造特征提取或特征融合方式例如多尺度特征融合、边缘纹理增强、跨模态特征对齐模型结构改进例如注意力模块位置、轻量化卷积结构、动态分支选择、重排序模块训练策略改进例如样本难度加权、类别不均衡损失、迁移学习冻结策略、增量更新策略推理与后处理规则例如候选框融合、置信度动态阈值、知识库召回重排序、路径约束修正与硬件、系统资源或业务场景技术约束的配合例如减少数据传输量、降低存储占用、提升推理速度、提高传感器数据融合可靠性。这里要注意不是把所有技术细节都堆到权利要求 1 中而是把真正支撑“区别于现有技术”的必要技术特征写进去。权利要求 1 过宽会被现有技术覆盖过窄会导致保护范围太小。比较稳妥的做法是独立权利要求写核心技术路径从属权利要求逐层限定细节。2.2 AI 和大数据不能只写算法要体现技术方案当前审查口径并不是简单排斥算法而是要求整体判断权利要求限定的解决方案。对于包含算法特征、商业规则和方法特征的方案不能简单把算法和技术特征割裂开看而是要把权利要求中的全部内容作为整体分析技术手段、技术问题和技术效果。这对 AI 项目是利好也是提醒。利好在于只要算法特征与技术场景、数据处理对象、计算机系统内部结构或具体应用领域的技术问题存在关联就有机会构成可保护的技术方案。提醒在于如果权利要求只是在讲抽象规则、商业策略、数学公式、管理流程、营销推荐而没有体现技术问题和技术效果就容易遇到客体问题。比如“根据用户消费金额计算积分等级并推送优惠券”更像商业规则但“对工业相机采集的高反光金属表面图像进行亮度分区校正结合边缘纹理特征增强小尺寸裂纹区域以提高裂纹检测准确率”就更容易体现技术问题、技术手段和技术效果。前者解决的是营销问题后者解决的是图像检测可靠性问题。2.3 算法改进要和计算机系统性能或具体技术场景挂钩对于 AI、大数据算法改进如果算法与计算机系统内部结构存在特定技术关联并解决了提升硬件运算效率或执行效果的技术问题例如减少数据存储量、减少数据传输量、提高硬件处理速度就可能被认定为技术方案。对于具体应用领域的大数据处理如果通过分类、聚类、回归分析、神经网络等手段挖掘出符合自然规律的内在关联关系并提升具体领域数据分析可靠性或精确性也可能构成技术方案。这意味着AI 算法专利不是不能写“模型训练方法”而是要写清楚训练方法为什么是技术改进。比如为了降低边缘设备部署时的推理延迟对输入图像按照分辨率和目标密度划分为不同处理分支 对低密度区域采用轻量化特征提取网络对高密度区域采用多尺度上下文融合网络 根据各分支输出的目标置信度和空间重叠关系进行结果融合。这种表达比“使用改进神经网络进行检测”更具体也更容易说明技术效果降低推理资源消耗同时保持复杂区域检测精度。2.4 只换应用对象通常不够2025 年《专利审查指南》修改内容解读中新增了人工智能创造性审查示例特别强调了一个很容易踩坑的问题如果算法或模型相同只是应用场景和处理对象不同但算法流程、模型参数等没有实质性改变通常难以支撑创造性。简单说把“识别水果数量”换成“识别船只数量”如果技术路径没有实质调整就很可能只是应用对象替换。这对 AI 项目包装非常重要。很多人习惯把公开模型换一个数据集就写专利比如“基于 YOLO 的安全帽检测方法”“基于 BERT 的评论情感分类方法”“基于大模型的企业知识库问答方法”。如果权利要求只体现“换了一个应用领域”没有写出针对该领域的技术约束所做的改进就很容易显得创造性不足。更好的写法应该围绕具体领域的技术困难展开。例如安全帽检测不是简单“检测安全帽”而是可能涉及强光、遮挡、远距离、小目标、工地摄像头低分辨率、人员姿态变化等问题RAG 知识库不是简单“检索后回答”而是可能涉及长文档切块粒度、表格解析、术语同义词扩展、召回结果重排序、答案溯源一致性校验等问题。只有把这些问题对应的技术手段写入权利要求才更像一个真正的发明技术方案。2.5 数据合规、算法歧视和社会公德要提前避雷2026 年新口径还进一步强调人工智能、大数据相关专利申请应当遵守法律、社会公德和公共利益。涉及数据采集、标签管理、规则设置、推荐决策的方案如果包含违法采集个人信息、暗中采集人脸、基于性别年龄等敏感因素进行歧视性决策等内容可能面临不授权风险。这提醒我们AI 权利要求书不应该只关心“能不能识别得准”还要关注数据来源、数据使用目的、采集方式和决策规则是否合规。涉及人脸、语音、医疗、金融、教育、招聘、自动驾驶等场景时尤其要谨慎。对于需要处理个人信息的项目可以在说明书和权利要求相关步骤中体现脱敏、授权、最小必要采集、访问控制、敏感字段屏蔽、偏差检测或公平性约束等技术措施。2.6 发明人、AI 参与和诚信原则也会影响材料质量当前规则明确发明人应当是自然人请求书不得填写单位、课题组或人工智能名称。AI 可以参与研发辅助但不能作为发明人填写。与此同时申请专利应当以真实发明创造活动为基础不得弄虚作假。对批量拼凑、虚构创新点、没有真实研发基础的申请后续可能面临审查、复审、无效甚至信用层面的风险。这对 AI 项目成果包装有两个实际提醒第一不要把 ChatGPT、某个大模型或“AI 系统”写成发明人。发明人应当是对发明创造实质性特点作出创造性贡献的自然人。第二不要把公开代码、公开模型、公开数据集简单组合后包装成“全新发明”。如果项目的真实贡献只是系统集成、界面开发或参数替换更适合考虑软著、项目报告、系统说明书如果要申请发明专利则需要进一步梳理是否存在真实的技术改进。国家知识产权局在 2024 年底还发布了人工智能相关发明专利申请指引页面中提供了指引正文、说明和常见问题答复。对初学者来说它比泛泛搜索旧模板更适合作为规则入口。3. 权利要求书到底是什么不是说明书摘要而是保护范围边界初学者最容易误解的是把技术方案讲清楚就等于写好了权利要求。实际上权利要求书的作用是确定专利保护范围。说明书负责解释、支撑和公开权利要求书负责界定“别人做到什么程度会落入保护范围”。以 AI 图像检测项目为例说明书可以详细写数据来源、系统界面、模块说明、训练参数、实验指标和运行环境权利要求书不能这样写。权利要求书更关注技术特征例如输入数据如何构造、模型如何处理、关键模块如何协同、输出结果如何生成。它要求表达简洁、边界清楚、层级合理。一般来说AI 算法类发明专利常见的权利要求类型包括方法权利要求保护一组数据处理、模型训练、模型推理或系统运行步骤。 装置/系统权利要求保护实现上述方法的模块、单元或系统架构。 计算机可读存储介质权利要求保护存储程序指令的介质程序被处理器执行时实现方法。 计算机程序产品权利要求保护主要通过计算机程序实现解决方案的软件产品。在计算机程序类发明中当前审查口径已经明确涉及计算机程序的发明专利权利要求可以写成方法、装置、计算机可读存储介质或者计算机程序产品。对 AI 算法项目来说这一点很有价值因为很多方案本质上通过软件和算法实现不能只写一个方法权利要求还应该结合项目情况布置装置、介质、程序产品等不同保护主题。4. AI 算法类权利要求的基本结构一个比较常见的 AI 算法类权利要求组合可以这样安排权利要求1一种 AI 算法处理方法 / 模型训练方法 / 图像检测方法 / 知识库问答方法 权利要求2对输入数据获取或预处理方式作进一步限定 权利要求3对特征提取、特征融合或编码方式作进一步限定 权利要求4对模型结构、网络模块或参数更新方式作进一步限定 权利要求5对训练损失、样本权重、阈值策略或后处理规则作进一步限定 权利要求6一种实现权利要求1-5任一方法的装置或系统 权利要求7一种电子设备包括处理器和存储器执行程序实现上述方法 权利要求8一种计算机可读存储介质存储程序程序被处理器执行时实现上述方法 权利要求9一种计算机程序产品包括程序或指令执行时实现上述方法不同保护主题之间并不是互相替代而是围绕同一套方法步骤展开。方法权利要求抓住核心流程从属权利要求把关键细节逐层收窄装置、设备、介质和程序产品则从不同实现载体上覆盖同一技术方案。这种组合的好处是方法权利要求抓核心流程从属权利要求补足技术细节装置和程序类权利要求扩大保护形式。需要注意的是不同权利要求之间应当有逻辑支撑不能把毫无关联的模块硬塞进同一套权利要求里。5. 写权利要求前先完成一张“技术方案拆解表”不要一上来就写“1.一种……方法其特征在于……”。正确做法是先把项目从工程描述拆成专利语言。可以先填下面这张表拆解项需要回答的问题AI 项目示例技术领域属于图像处理、自然语言处理、数据检索、路径规划还是系统控制工业表面缺陷图像检测现有技术问题现有方法有什么具体不足高反光表面导致裂纹边缘模糊小目标缺陷漏检核心技术手段你用了什么具体技术步骤解决亮度分区校正、多尺度边缘纹理增强、动态阈值候选框融合区别特征与公开模型或常规流程相比真正不同在哪里按局部反光强度选择不同增强分支并与检测置信度联动技术效果准确率、速度、稳定性、存储、传输、鲁棒性有何改善降低漏检率提高复杂光照下检测稳定性可写入权利要求的特征哪些是必要技术特征哪些放从属权利要求核心分支选择写权利要求1具体阈值和网络模块写从属项从工程语言到专利语言的转换可以理解为从“功能、模型、界面”出发拆成技术领域、技术问题、区别特征和技术效果再回到权利要求中表达必要技术特征和保护范围边界。这个表填不出来权利要求通常也写不好。因为权利要求不是凭空写出来的它来自真实技术方案的抽象。如果项目没有真实改进只是套用开源模型换数据集那么应该先回到技术方案本身补充可验证的技术改进而不是强行写权利要求。6. 独立权利要求怎么写先确定“最大保护边界”独立权利要求通常是整个权利要求书最重要的一项。对 AI 算法类项目来说独立权利要求 1 一般写方法权利要求。它要包含解决技术问题所必需的技术特征但不宜把所有实施细节都写进去。一个可复用的结构是1.一种用于【具体技术场景】的【AI处理方法】其特征在于包括 获取【具体类型的输入数据】 基于【第一技术规则】对所述输入数据进行【预处理/构造/分割/编码】得到【中间数据】 将所述中间数据输入【具有特定结构或处理机制的模型/模块】以得到【特征表示/候选结果】 根据【第二技术规则】对所述特征表示或候选结果进行【融合/筛选/重排序/校正】 输出【技术结果】所述技术结果用于【解决具体技术问题】。这只是骨架真正的价值在于括号里的内容。比如“第一技术规则”不能写成“预设规则”“特定结构”不能写成“神经网络模型”“第二技术规则”不能写成“后处理”。要写到足以体现区别特征的程度。以工业缺陷检测为例一个更像专利语言的示范是1.一种用于高反光金属表面缺陷检测的图像处理方法其特征在于包括 获取待检测金属表面的原始图像并根据所述原始图像中各局部区域的亮度分布确定多个反光等级区域 针对不同反光等级区域分别执行与反光等级对应的纹理增强处理得到包含边缘纹理增强结果的区域图像 将所述区域图像输入包含多尺度特征融合分支的缺陷检测模型得到缺陷候选框及对应置信度 根据相邻缺陷候选框的空间重叠关系、反光等级区域和置信度对所述缺陷候选框进行融合校正 输出缺陷类别和缺陷位置。这个示范比“采集图像、输入模型、输出结果”更好因为它体现了特定场景、高反光问题、分区处理、纹理增强、多尺度融合、候选框校正等技术特征。当然真实提交时还需要结合检索结果进一步调整不应直接照搬。7. 从属权利要求怎么写不要重复要逐层收窄从属权利要求的作用是进一步限定独立权利要求。很多初学者会把从属权利要求写成重复解释例如2.根据权利要求1所述的方法其特征在于所述神经网络模型用于识别图像。这种写法价值很低因为权利要求 1 已经说了图像识别。更好的从属权利要求应该补充具体技术特征2.根据权利要求1所述的方法其特征在于所述反光等级区域根据局部区域的平均亮度、亮度方差和边缘梯度值确定。3.根据权利要求1所述的方法其特征在于所述纹理增强处理包括对高反光区域执行局部对比度限制增强对低反光区域执行边缘梯度增强。4.根据权利要求1所述的方法其特征在于所述多尺度特征融合分支包括用于提取小尺寸缺陷特征的浅层特征分支和用于提取上下文信息的深层特征分支。5.根据权利要求1所述的方法其特征在于所述融合校正包括根据反光等级区域动态调整缺陷候选框的置信度阈值。从属权利要求最好围绕同一条技术路线逐步展开而不是东拼西凑。一个实用原则是权利要求 1 解决“主问题”从属权利要求解决“子问题”。比如主问题是复杂光照下缺陷检测不稳定那么从属权利要求可以围绕亮度分区、纹理增强、特征融合、阈值校正展开而不是突然写登录注册、数据库存储、界面展示。8. 装置、设备、存储介质和程序产品怎么写AI 算法项目通常由软件实现因此除了方法权利要求还可以写装置、电子设备、计算机可读存储介质和计算机程序产品。写这些权利要求时不要重新编一套完全不同的技术方案而应当与方法权利要求对应。一个常见装置权利要求可以这样写6.一种用于高反光金属表面缺陷检测的图像处理装置其特征在于包括 区域确定模块用于获取待检测金属表面的原始图像并根据所述原始图像中各局部区域的亮度分布确定多个反光等级区域 纹理增强模块用于针对不同反光等级区域分别执行与反光等级对应的纹理增强处理得到包含边缘纹理增强结果的区域图像 缺陷检测模块用于将所述区域图像输入包含多尺度特征融合分支的缺陷检测模型得到缺陷候选框及对应置信度 融合校正模块用于根据相邻缺陷候选框的空间重叠关系、反光等级区域和置信度对所述缺陷候选框进行融合校正 输出模块用于输出缺陷类别和缺陷位置。电子设备可以这样写7.一种电子设备包括处理器和存储器所述存储器中存储有计算机程序或指令其特征在于所述计算机程序或指令被所述处理器执行时实现权利要求1至5任一项所述的方法。计算机可读存储介质可以这样写8.一种计算机可读存储介质其上存储有计算机程序或指令其特征在于所述计算机程序或指令被处理器执行时实现权利要求1至5任一项所述的方法。计算机程序产品可以这样写9.一种计算机程序产品包括计算机程序或指令其特征在于所述计算机程序或指令被处理器执行时实现权利要求1至5任一项所述的方法。这里要注意装置权利要求里的模块名称应该和方法步骤对应避免出现方法里没有支撑的模块电子设备、存储介质、程序产品权利要求一般引用前面的方法权利要求即可不要增加没有说明书支撑的新技术特征。9. AI 算法类权利要求的三类常见错误9.1 错误一只写模型名称不写技术特征一种基于 YOLO 的安全帽检测方法包括采集图像、输入 YOLO 模型、输出检测结果。这个写法的问题是YOLO 是公开模型体系单纯使用模型名称无法体现技术贡献。即使项目效果不错权利要求里也没有写出改进点。更合理的思路是围绕具体技术问题写例如小目标、遮挡、低光照、工地灰尘、远距离摄像头等。可以改成获取施工现场图像并根据人员头部候选区域的尺度分布确定小目标增强区域 对所述小目标增强区域执行局部特征放大和边缘保持处理 将处理后的图像输入包含浅层细粒度特征融合分支的检测模型 根据人员姿态估计结果对安全帽候选框的位置进行校正。这样写的重点不是“我用了 YOLO”而是“我针对施工现场小目标和姿态变化做了什么技术处理”。9.2 错误二只写业务效果不写技术效果一种基于大模型的企业知识库问答方法用于提高员工办公效率。“提高办公效率”可以作为应用价值但不是足够具体的技术效果。RAG 知识库类专利应当写清楚技术问题例如文档切块不准、术语召回不足、跨表格问答准确率低、答案溯源不一致、知识更新后索引不稳定等。更合理的技术表达是对企业文档进行版面结构识别得到标题段落、表格单元格和图片说明文本 根据版面结构和语义边界生成多粒度文本块 对查询语句进行领域术语扩展并分别在标题索引、正文索引和表格索引中执行向量召回 根据召回文本块的版面位置、语义相似度和引用完整性进行重排序 生成携带来源片段标识的问答结果。这个版本更容易说明技术效果提高复杂企业文档检索准确性、减少答案来源错配、增强可追溯性。9.3 错误三把系统功能清单当权利要求很多软件项目会写成这样一种智能检测系统包括登录模块、图片上传模块、检测模块、历史记录模块和用户管理模块。这更像软著说明书里的功能模块而不是发明专利的核心技术方案。登录、上传、记录、用户管理通常是常规软件功能除非其中某个模块本身有技术改进否则不宜作为发明专利的主要创新点。发明专利更应围绕算法处理、数据流转、模型推理、设备协同、结果校正等技术内容写。界面和后台功能可以出现在说明书实施例中但不一定适合放入核心独立权利要求。10. 三个 AI 项目的权利要求写作思路10.1 目标检测项目从“检测系统”转成“图像处理方法”如果项目是“基于 YOLO 的道路裂缝检测系统”不要直接写“使用 YOLO 检测道路裂缝”。可以先问道路裂缝检测的技术难点是什么可能是裂缝细长、背景纹理复杂、阴影干扰、路面材质差异、小目标区域不明显。你的技术改进是什么可能是裂缝方向增强、细长目标特征融合、阴影区域自适应校正、候选框长宽比约束。对应权利要求可以这样展开1.一种道路裂缝检测方法其特征在于包括 获取道路表面图像并对所述道路表面图像进行灰度一致性校正 基于方向梯度响应确定疑似裂缝区域 对所述疑似裂缝区域执行细长结构增强处理得到增强图像 将所述增强图像输入包含细长目标特征融合分支的检测模型得到裂缝候选区域 根据裂缝候选区域的长宽比、方向连续性和置信度对裂缝候选区域进行筛选输出裂缝位置。这个写法的关键词是“方向梯度响应”“细长结构增强”“特征融合分支”“长宽比和方向连续性筛选”。这些特征比“YOLO 检测”更能体现技术内容。10.2 RAG 知识库项目从“问答系统”转成“文档检索增强方法”如果项目是“基于 RAG 的企业知识库问答系统”不要只写“对文档向量化后检索再调用大模型生成答案”。这套流程太常规。应该关注具体问题例如长文档切块导致语义断裂、表格信息召回差、同义术语匹配不足、答案溯源不准确。权利要求可以这样写1.一种面向企业文档的检索增强问答方法其特征在于包括 对企业文档执行版面结构解析识别标题、正文段落、表格区域和图片说明文本 根据所述版面结构和语义边界生成第一粒度文本块和第二粒度文本块 对用户查询语句执行领域术语扩展得到扩展查询向量 基于所述扩展查询向量分别在标题索引、正文索引和表格索引中执行召回得到候选文本块集合 根据候选文本块的语义相似度、版面层级和来源完整性进行重排序 根据重排序后的文本块生成携带来源标识的答案。这比“RAG 问答系统”更有专利味因为它落到了文档解析、切块、索引、召回、重排序和溯源这些技术细节。10.3 智能优化项目从“优化算法”转成“约束求解方法”如果项目是“基于改进粒子群算法的路径规划方法”不能只写“初始化粒子群、计算适应度、更新速度位置、输出最优路径”。这是粒子群算法的通用流程。需要写出针对路径规划问题的改进。例如技术难点是障碍物密集环境下路径容易穿越障碍、收敛早熟、路径转折过多。对应改进可能是障碍物距离惩罚、动态惯性权重、局部路径平滑、不可行解修复。权利要求可以这样写1.一种面向障碍物环境的路径规划方法其特征在于包括 根据起点、终点和障碍物区域构建栅格地图 基于所述栅格地图生成包含多个路径节点的初始粒子群 根据路径长度、障碍物距离惩罚项和转角平滑项构造适应度函数 在粒子迭代过程中根据当前迭代次数和全局最优路径变化率动态调整惯性权重 当路径节点落入障碍物区域时按照距离最近的可通行栅格对该路径节点进行修复 对迭代得到的最优路径进行节点冗余删除和转角平滑处理输出规划路径。这个版本比“改进粒子群路径规划”更具体因为它写出了适应度函数、动态权重、不可行解修复和路径平滑等技术特征。11. 权利要求书和说明书要互相支撑权利要求不能脱离说明书。说明书要支撑权利要求中的每个技术特征。比如权利要求中写了“根据反光等级区域动态调整置信度阈值”说明书里就要说明反光等级如何确定、阈值如何调整、为什么这样调整能够降低误检或漏检。如果权利要求中写了“领域术语扩展”说明书里就要说明术语库怎么构建、扩展查询如何生成、如何参与召回或重排序。一个实用检查方法是权利要求中的每个名词说明书里是否解释过 权利要求中的每个步骤说明书里是否有实施例 权利要求中的每个效果说明书里是否能对应到技术手段 权利要求中的核心区别特征说明书里是否写得足够详细如果说明书中没有充分公开后期答复审查意见时很难补救。专利申请文件提交后修改不能超出原始记载范围所以一开始就要把核心技术方案写完整。12. AI 算法类专利撰写时的合规检查清单提交或交给代理师前建议至少检查以下内容1. 是否明确了具体技术领域而不是只写“人工智能” 2. 是否明确了现有技术的具体问题而不是只写“效率低、准确率差” 3. 权利要求1是否写入了真正有贡献的技术特征 4. 算法特征是否与技术特征存在功能上的相互支持或相互作用 5. 是否避免了单纯数学规则、商业规则或管理规则 6. 是否避免了只替换应用对象但没有实质技术调整 7. 数据采集、标签管理、推荐决策是否涉及个人信息、敏感信息或算法歧视风险 8. 发明人是否为自然人且没有填写课题组、单位或 AI 名称 9. 权利要求中的术语是否与说明书一致 10. 从属权利要求是否逐层限定而不是重复独立权利要求 11. 装置、电子设备、存储介质、程序产品权利要求是否与方法权利要求对应 12. 说明书是否对每个关键技术特征提供了实施例和效果说明这张清单不能保证授权但可以显著减少“形式像专利、内容不像技术方案”的问题。13. 一份可复用的 AI 算法类权利要求模板下面给出一份通用模板适合在写草稿时使用。注意模板只是结构不能直接复制提交。真实权利要求必须根据检索结果和项目创新点修改。1.一种用于【具体技术场景】的【AI数据处理/模型训练/模型推理】方法其特征在于包括 获取【具体输入数据】 根据【数据特征、环境参数、设备状态或领域约束】对所述输入数据进行【预处理/分块/编码/校正】得到【第一中间结果】 将所述第一中间结果输入【具有特定结构、特定分支或特定处理规则的模型/模块】得到【第二中间结果】 基于【技术约束、置信度、空间关系、时间关系、语义关系或资源约束】对所述第二中间结果进行【融合/筛选/重排序/修正】 输出【具体技术结果】。 2.根据权利要求1所述的方法其特征在于所述【预处理/分块/编码/校正】包括 根据【具体指标】确定【分类区域/文本块/样本集合/路径节点】 对不同【区域/文本块/样本集合/路径节点】执行对应的【处理方式】。 3.根据权利要求1所述的方法其特征在于所述模型/模块包括 用于提取【局部特征】的第一分支 用于提取【全局上下文/时序关系/语义关系】的第二分支 用于融合第一分支和第二分支输出的融合单元。 4.根据权利要求1所述的方法其特征在于所述【融合/筛选/重排序/修正】包括 根据【第一技术指标】和【第二技术指标】计算候选结果得分 根据所述候选结果得分确定输出结果。 5.根据权利要求1所述的方法其特征在于所述方法还包括 根据【反馈数据/误差结果/样本难度/资源状态】调整【模型参数/阈值/权重/索引结构】。 6.一种【装置/系统】其特征在于包括用于执行权利要求1至5任一项所述方法的模块。 7.一种电子设备包括处理器和存储器所述存储器中存储有计算机程序或指令其特征在于所述计算机程序或指令被处理器执行时实现权利要求1至5任一项所述的方法。 8.一种计算机可读存储介质其上存储有计算机程序或指令其特征在于所述计算机程序或指令被处理器执行时实现权利要求1至5任一项所述的方法。 9.一种计算机程序产品包括计算机程序或指令其特征在于所述计算机程序或指令被处理器执行时实现权利要求1至5任一项所述的方法。14. 从“项目描述”改成“权利要求语言”的方法很多 AI 项目的原始描述是这样的本系统采用 YOLO 模型实现对工地安全帽的检测支持图片上传、视频检测、摄像头检测和检测结果保存。这段话适合写项目介绍但不适合写权利要求。可以分三步改写。第一步去掉软件功能清单提取技术问题施工现场图像中人员头部区域尺度小、遮挡多、背景复杂导致安全帽漏检。第二步提取技术手段通过人员头部候选区域定位、小目标区域增强、姿态约束校正和候选框融合提高安全帽检测稳定性。第三步改成权利要求语言获取施工现场图像 基于人体关键点检测结果确定人员头部候选区域 对所述人员头部候选区域执行小目标特征增强处理 将增强处理后的图像输入安全帽检测模型得到安全帽候选框 根据人员头部候选区域与安全帽候选框的空间位置关系对安全帽候选框进行筛选和校正 输出安全帽检测结果。这就是从“项目功能”到“专利技术方案”的转换过程。15. 发明专利交底书和权利要求书的配合实际工作中开发者通常不会直接提交最终权利要求书而是先写专利交底书。交底书应该把技术方案讲完整权利要求书再从交底书中抽取保护范围。AI 算法类交底书建议包含技术领域明确图像处理、自然语言处理、智能优化、数据检索等方向。 背景技术说明现有方法的不足最好结合具体场景。 发明内容概括技术问题、技术方案和有益效果。 附图说明系统流程图、模型结构图、数据处理流程图。 具体实施方式详细写数据输入、处理步骤、模型结构、训练推理流程、输出结果。 实验或效果说明说明准确率、速度、稳定性、存储、传输、鲁棒性等效果。 权利要求草稿列出方法、装置、设备、介质、程序产品等权利要求。权利要求草稿不是越多越好也不是越宽越好。好的权利要求应该有层次独立权利要求抓住最核心的技术路线从属权利要求围绕关键细节进行保护。对 AI 项目来说通常要避免把“训练参数、软件界面、数据库字段、按钮名称、部署环境”写成核心保护点除非这些内容本身解决了具体技术问题。16. 实操整理建议如果你是学生或项目开发者建议按下面顺序整理不要在没有检索的情况下直接写“本发明具有创造性”。创造性不是自己说出来的而是在与现有技术对比后体现出来的。AI 项目尤其要注意开源模型、公开论文、GitHub 项目、预训练权重和常见工程流程因为这些都可能成为现有技术参考。如果你是做项目交付或成果包装的建议把同一个 AI 项目拆成不同成果软著保护软件系统名称、功能模块、界面、代码和说明书。 发明专利保护技术方案中的算法处理流程、数据处理方法、模型训练推理机制。 论文展开方法原理、实验设计、对比实验和消融实验。 项目报告说明系统背景、需求分析、设计实现、运行效果。同一个项目不一定都适合申请发明专利。如果没有真实技术改进可以先做软著和项目报告如果确实有算法、数据处理或系统协同改进再考虑发明专利。17. 结语AI 算法类发明专利权利要求书的难点不在于会不会写“其特征在于”而在于能不能把项目中的真实技术贡献转化为清楚、稳定、有层次的保护范围。2026 年之后AI、大数据、计算机程序相关审查口径更加重视申请质量发明人身份要真实专利申请要基于真实发明创造算法方案要体现技术问题、技术手段和技术效果创造性贡献要写入权利要求数据采集和算法决策还要避免违法、歧视和违背社会公德。对初学者来说最实用的一句话是不要写“我用了什么 AI 模型”而要写“我针对什么技术问题对数据、模型、训练、推理或后处理流程做了什么具体技术改进并产生了什么技术效果”。只要围绕这个逻辑去拆项目权利要求书就不会停留在空泛模板而会逐渐接近可以讨论、可以修改、可以检索和可以提交的专利材料。参考资料国家知识产权局《国家知识产权局关于修改〈专利审查指南〉的决定局令第84号》2025-11-132026-01-01 施行。https://www.cnipa.gov.cn/art/2025/11/13/art_99_202568.html国家知识产权局《2025年〈专利审查指南〉修改内容解读》2025-12-04。https://www.cnipa.gov.cn/art/2025/12/4/art_66_202935.html国家知识产权局《专利审查指南》2023修改解读四——涉及计算机程序的发明专利申请审查2024-01-18。https://www.cnipa.gov.cn/art/2024/1/18/art_2199_189877.html国家知识产权局《中华人民共和国专利法实施细则2023年修订》2024-01-20 起施行。https://www.cnipa.gov.cn/art/2023/12/21/art_98_189197.html国家知识产权局《关于施行修改后的专利法及其实施细则相关审查业务处理的过渡办法》解读2023-12-21。https://www.cnipa.gov.cn/art/2023/12/21/art_66_189190.html国家知识产权局《人工智能相关发明专利申请指引试行》2024-12-31。https://www.cnipa.gov.cn/art/2024/12/31/art_66_196988.html
