摘要
随着信息技术的飞速发展，人工智能（Artificial Intelligence, AI）已成为引领新一轮科技革命和产业变革的重要驱动力。各种复杂的算法模型，尤其是深度学习、机器学习等创新算法，极大地推动了自动驾驶、医疗诊断、金融风控等诸多领域的进步。然而，人工智能作为一项创新成果，其法律保护尤其是专利保护，备受争议。在中国，现行法律体系在其定义和适用范围方面，尚未完全明确人工智能系统的专利性边界，为创新者提供保护带来一定的政策风险，也引发了知识产权保护不足或过度的担忧。
本研究从中国现行专利法律法规出发，分析人工智能的法律属性，结合司法判例，探讨人工智能系统的专利申请条件，旨在为立法和司法实践提供理论参考与政策建议。随着人工智能的不断演进，完善我国的人工智能专利保护制度既是促进科技创新、保护创新成果的必由之路，也是推动我国在全球科技竞争中占据有利位置的重要保障。
本文的论述分三个层次：1、为什么智力活动的规则和方法不能采用专利的形式来保护；2、人工智能的算法是否可申请专利；3、人工智能系统是否可申请专利。
一、为什么智力活动的规则和方法不能采用专利的形式来保护
根据专利法第二十五条第一款第（二）项的规定，对智力活动的规则和方法不授予专利权。为什么智力活动的规则和方法不能采用专利的形式来保护？了解清楚这个问题，有助于了解人工智能中的哪些要素属于智力活动的规则和方法，从而作出判断。
- 首先，专利制度的核心宗旨是鼓励发明创造，促进科学技术进步和经济社会发展。它保护的客体是具有实用性、能产生技术效果、解决技术问题的发明创造。而智力活动的规则和方法本身不具备“技术性”，它涉及的是人类思维活动的规律、抽象概念、信息处理流程或组织管理方式。其核心在于认知过程、推理判断或信息表达本身，而不是利用自然力、转化物质或能量的具体技术手段。例如数学公式、逻辑推理方法、经济管理规则、游戏规则、速记方法、教学方法、决策方法、信息分类方法等。这些都是纯粹的人类智力活动在抽象层面的体现。
- 其次，智力活动的规则和方法缺乏“技术特征”和“技术效果”。一项可授予专利的发明必须包含技术特征（即利用自然规律的具体技术手段），并能产生技术效果（即在物理世界或具体技术领域产生可感知的、有益的变化或结果）。而智力活动的规则和方法通常不涉及具体的技术实施手段： 它们描述的是“做什么”（What to do）或“如何思考”（How to think），而不是“如何利用技术手段来实现”（How to technically implement）。其效果在于改进认知、决策、信息组织效率等，而非物理世界： 例如，一种新的记忆方法可以提高人的记忆力（认知效果），但这属于生理或心理效果，而非专利法意义上的技术效果（如提高机器效率、降低能耗、改善材料性能等）。
- 再次，智力活动的规则和方法的实施主体是“人脑”，而非“工业”。专利法要求发明必须能够在产业上应用（工业实用性）。这里的“产业”通常指广义的工农业生产、交通运输、采掘业等利用技术手段进行物质生产或提供技术服务的领域。而智力活动的规则和方法主要依赖人脑的思维活动来执行，它们的实施主体是人的智力，而非机器或特定的工业流程。虽然某些规则（如商业方法、游戏规则）最终可能通过软件或设备来实现，但这些规则方法本身的核心仍然是人类思维过程的具象化。如果某个构思难以通过“工业”方式复制和实施，那就难以被清晰地描述，使得所属领域的技术人员能够理解和重复实施——纯思维规则高度依赖个人的理解和主观能力，难以像技术方案那样被精确、客观地复制和验证。
- 最后，智力活动的规则和方法保护范围过宽且模糊，会阻碍知识传播和自由思想，这是最重要的公共利益考量。智力活动的规则和方法是人类思维和知识体系的基础。数学公式、逻辑规则、基本经济原理、语言规则等是科学、文化、教育和社会活动赖以进行的公共基石。如果允许对这类抽象规则授予专利，将会垄断基础思维工具，相当于赋予专利权人对人类基本思维方式的垄断权。任何人使用该规则（如一个数学公式、一个分类方法）进行思考或交流都可能构成侵权。这将严重阻碍知识的传播和创新，科学研究、教育、日常决策都将面临巨大的法律障碍。学者无法自由使用基础理论，教师无法教授基本方法，社会交流成本剧增。
综上，智力活动的规则和方法不能采用专利的形式来保护。
二、人工智能的算法是否可申请专利
《专利审查指南》在2023年修订时专门增加了一节：包含算法特征或商业规则和方法特征的发明专利申请审查相关规定。有人据此认为计算机的算法也可申请专利了，实际上，仔细研读该指南，就会发现问题并非这么简单。
首先，该节的标题“包含算法特征或商业规则和方法特征的发明专利申请审查相关规定”，其中描述的“包含算法特征”说明算法只是作为发明专利的定语。其次，在审查基准中也明确，不应当简单割裂技术特征与算法特征或商业规则和方法特征等，而应将权利要求记载的所有内容作为一个整体，对其中涉及的技术手段、解决的技术问题和获得的技术效果进行分析。因此如果权利要求涉及抽象的算法或者单纯的商业规则和方法，且不包含任何技术特征，则这项权利要求属于专利法第二十五条第一款第（二）项规定的智力活动的规则和方法，不应当被授予专利权。
例1：201611165253.X号专利的权利要求1：一种用于大规模数据标定的迁移学习方法，包括：
步骤a) 利用基于已标定的源域数据训练的至少两个分类器分别对待标定的目标域数据进行标定，对于所述至少两个分类器的标定结果，采用大多数投票准则将标定结果取得一致的所述目标域数据组成候选集，其余目标域数据构成余部；
步骤b) 对于源域数据和候选集的目标域数据，分别将数据按其标定进行分组，将具有相同标定的源域数据组和目标域数据组变换至同一空间使得变换后的源域数据组和目标域数据组满足相同分布，并将变换后得到的各源域数据组和目标域数据组分别归并成新源域和新候选集；
步骤c) 基于在新源域上训练的分类器对新候选集中的目标域数据进行标定，并利用新候选集中各数据的标定结果更新对未经变换的候选集中各数据的标定；
步骤d) 基于经更新标定后的候选集训练分类器，并利用该分类器完成对余部中目标数据的标定。
原审查部门认为权利要求为智力活动的规则和方法，不属于专利保护客体，予以驳回。驳回意见为：该解决方案不涉及任何应用领域，其中处理的源域数据以及目标域数据都是抽象的通用数据，上述方法并未应用于具体的领域，解决具体的技术问题，该方法中的输入输出并未限定具体技术领域的具体物理参数，且该方法涉及的参数也未应用于具体的领域，不具有相应的物理含义。具体而言，利用训练的分类器对按照一定规则选出的候选集中的目标域数据进行标定，以及利用更新后的分类器对余下的目标数据进行标定等处理过程是一系列抽象的数学方法步骤，该迁移学习方法的处理对象、过程和结果都不涉及与具体应用领域的结合，仅是抽象的数据标定方法，属于对抽象的数学方法本身的优化，因此属于专利法第二十五条第一款第（二）项规定的智力活动的规则和方法，不属于专利保护客体。
申请人提交复审请求，认为：本申请方案并非是按照人为制定的规则来对数据进行标定，而是利用已标定数据内在的客观规律对于未标定数据进行处理，对于给定的源域和目标域数据，其标定结果是可重复的，本申请的手段不属于智力活动的规则和方法。
合议组认为：本申请的处理对象为大规模通用数据，不具有任何物理含义/技术含义，无法体现与任何具体技术领域（如人脸识别、自动驾驶领域）的适用与关联，通用数据之间也不能反映任何具有技术含义上的客观规律，其处理结果的可重复性是由于算法本身设定了相应的运算规则，但算法是源于人的思维，经过推理、分析和判断产生出抽象的结果，并没有遵循自然规律，不构成技术手段。
申请人后来修改了权利要求书，添加技术特征：“其中所述源域数据为人身体的一个部位对应的行为数据和标记；所述目标域数据为人身体的另一部位对应的行为数据”。
针对该修改，合议组认为：本申请权利要求1限定的大规模数据标定的迁移学习方法和人体动作识别技术领域相结合，处理的源域数据和目标域数据是人体动作识别技术领域的技术数据，具有客观的技术含义，从而限定的不再是抽象的数据标定算法。
合议组的判断标准即通过修改将抽象的数据与具体的应用领域关联，使数据具有特定的技术含义，从而克服了不属于专利保护客体的问题。
例2：一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。
分析及结论：示例的方案涉及的数据为抽象的训练数据，难以判定其确切的技术含义，但是，示例的方案中选择适配具有不同处理效率的单处理器训练方案或多处理器训练方案，该模型训练方法与计算机系统的内部结构存在特定技术关联，提升了训练过程中硬件的执行效果，属于专利保护的客体。[1]
因此，考虑一项包含算法特征或商业规则和方法特征的权利要求是否属于技术方案，需要整体考虑权利要求中记载的全部特征。如果该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专利法第二条第二款所述的技术方案。
如果权利要求中涉及算法的各个步骤体现出与所要解决的技术问题密切相关，如算法处理的数据是技术领域中具有确切技术含义的数据，算法的执行能直接体现出利用自然规律解决某一技术问题的过程，并且获得了技术效果，则通常该权利要求限定的解决方案属于专利法第二条第二款所述的技术方案。
如果权利要求的解决方案涉及深度学习、分类、聚类等人工智能、大数据算法的改进，该算法与计算机系统的内部结构存在特定技术关联，能够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，从而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专利法第二条第二款所述的技术方案。
如果权利要求的解决方案处理的是具体应用领域的大数据，利用分类、聚类、回归分析、神经网络等挖掘数据中符合自然规律的内在关联关系，据此解决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，则该权利要求限定的解决方案属于专利法第二条第二款所述的技术方案。[2]
以DeepSeek所使用的核心算法之一——混合专家模型（Mixture of Experts, MoE）为例， 其机制是由多个“专家模块”组成（如 DeepSeek-V3 包含 100 个专家，总参数量 6710 亿）计算矩阵，每个专家专精特定领域（如编程、数学、语言理解）。再由动态路由：门控网络（Gating Network）为每个输入动态选择 2~4 个最相关专家激活，其余保持休眠。如此在调取信息时，无需全面调取全部的模块，只需激活针对性的专家即可，从而使计算效率提升：如 V3 模型每次仅激活约 370 亿参数（占总参数量 5.5%），训练成本降至同类模型的 1/16；并且，专家可灵活组合应对多任务需求，避免模型臃肿。
以上的算法如果没有勾连技术问题和技术效果的话，就只是数学层面的思维模式，不能以专利的形式来保护；如果与硬件建立联系，提升硬件运算效率或执行效果，就形成了利用自然力，转化物质或能量的具体技术手段，就可以用专利来保护了。
三、人工智能系统是否可申请专利
《专利审查指南（2023年修订）》明确：本章所说的涉及计算机程序的发明是指为解决发明提出的问题，全部或部分以计算机程序处理流程为基础，通过计算机执行按上述流程编制的计算机程序，对计算机外部对象或者内部对象进行控制或处理的解决方案。所说的对外部对象的控制或处理包括对某种外部运行过程或外部运行装置进行控制，对外部数据进行处理或者交换等；所说的对内部对象的控制或处理包括对计算机系统内部性能的改进，对计算机系统内部资源的管理，对数据传输的改进等。涉及计算机程序的解决方案并不必须包含对计算机硬件的改变。
换句话说，计算机程序本身实质上仅仅涉及智力活动的规则和方法，并不是专利的保护对象，将计算机程序作为工具，促使其他对象实现技术进步，获得符合自然规律的技术效果，则可作为专利进行保护。
比较典型的例子是汉字的编码方法。汉字的编码方法用于编纂字典和利用所述字典检索汉字，仅仅是根据发明人的认识和理解，人为地制定编码汉字的相应规则，选择、指定和组合汉字编码码元，形成表示汉字的代码/字母数字串。该汉字编码方法没有解决技术问题，未使用技术手段，且不具有技术效果，不能申请专利。但是，如果把汉字编码方法与该编码方法可使用的特定键盘相结合，构成计算机系统处理汉字的一种计算机汉字输入方法或者计算机汉字信息处理方法，使计算机系统能够以汉字信息为指令，运行程序，从而控制或处理外部对象或者内部对象，则这种计算机汉字输入方法或者计算机汉字信息处理方法构成专利法第二条第二款所说的技术方案，不再属于智力活动的规则和方法，而属于专利保护的客体。
依据上面的论述，似乎人工智能系统和传统的计算机程序一样，无法申请专利。但笔者认为，此问题的核心在于人工智能系统到底是不是一个纯粹的计算机程序？
有人认为“人工智能不是更高级的程序，而是数字世界的新型生命体”，“程序是人类思维的机械延伸，人工智能是数据宇宙的有机产物”。
笔者认为，和传统的计算机程序相比，人工智能系统有以下区别：
1. 构建基础上，传统的计算机程序以人类编写的确定性规则为基础；而人工智能系统以海量数据训练的神经网络参数为基础的。因此人工智能系统虽然也有程序代码，但其在输入端依赖的语料不同。
2. 决策逻辑上，传统的计算机程序完全透明，可逐行调试；而人工智能系统依赖黑箱推理，属于隐式知识关联。
3. 在输出机制上，传统的计算机程序遵循既定的规则引擎，从而输出必然的结果；而人工智能系统针对相同问题可能激活不同专家组合，因此输出的是即时构造的文本流，非数据库检索结果。
4. 最关键的，传统计算机程序所依托的硬件载体，是为了实现程序所要计算的目标；而人工智能系统的硬件，往往是人工智能系统的一部分，很多是为了实现硬件本身运转的更高效、更精密、更快速，这使得人工智能系统在技术层面有了不一样的维度。
因此，笔者认为，利用人工智能算法和硬件搭载的人工智能系统，如果能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，从而获得符合自然规律的系统内部性能改进的技术效果，此类的人工智能系统可以申请专利。
注释：
[1] 《算法的专利保护之道》，作者韩辉峰
[2] 《专利审查指南》（2023）