EPO收紧AI辅助发明披露口径，人类贡献与数据特征成焦点

EPO围绕AI相关发明的公开与审查口径，最近变得更具体了。公开材料显示，欧洲专利审查正在把注意力从“是不是用了AI”转向“技术效果到底由什么实现、由谁完成关键技术贡献、说明书能否让他人复现”。对依赖模型训练、数据筛选或生成式工具参与研发的申请，这不再只是写作风格问题，而是会影响可专利性、公开充分性和后续稳定性。

这轮变化里，最容易被误读的一点，是不少申请人以为只要少谈AI，就能绕开风险。事实并非如此。EPO现有公开口径并未一般性要求提交整套训练数据，但如果技术效果依赖训练数据的某些特征，申请文件就要把足以复现该效果的关键特征讲清；同时，EPO在多份公开材料里持续强调人类主导的审查思路，决定责任仍由人承担。对企业来说，真正要补的是研发留痕、贡献划分和说明书证据链。

变化不在于多了一张表，而在于审查问题更靠前了

市场上最近最热的说法，是欧洲会不会要求申请人单独说明AI参与比例。从目前能公开核实的EPO材料看，核心还不是新增一张统一表格，而是审查员越来越早地追问：权利要求中的技术效果，究竟来自可验证的技术方案，还是来自一个描述过于抽象的模型结果；发明人真正解决了什么技术问题；哪些步骤是人类定义、筛选、验证并固定下来的。这个提问顺序一旦前移，很多过去可以留到答审阶段再补的内容，现在在撰写阶段就要先想清楚。

这对使用大模型起草、用机器学习筛材料、筛序列或调工艺参数的团队尤其敏感。AI当然可以参与发现路径，但专利文件不能只留下“模型得出了一个更优结果”这种黑箱式叙述。写得越省事，后面越容易被追着问：为什么有效、在什么边界内有效、熟练技术人员能不能照着做出来。

申请文本真正要写实的，是人类如何把结果变成技术方案

很多AI辅助研发项目的风险不在研发现场，而在申请文件里被写平了。真正有价值的人类贡献，往往不只是“有人按下了运行按钮”，而是体现在问题设定、约束条件选择、候选方案筛除、实验设计、失败路径排除和最终技术效果验证上。若这些环节在说明书里没有被看见，申请文本就容易呈现出一种危险观感：核心技术贡献仿佛来自系统自动输出，人类只是记录员。

审查上最吃亏的，通常是把研发过程写成“工具自动发现+少量人工确认”的文件。更稳妥的写法，是把人类如何定义技术目标、如何设定可操作参数、如何验证模型输出与技术效果之间的因果链，讲得具体、克制、可复核。对企业内部而言，这也意味着研发日志、版本管理、实验记录和发明人认定不能再彼此脱节。

训练数据不一定要交，但关键特征越来越难含糊

这一点最值得实务团队单独划线。EPO公开指南已经把边界说得相当明确：如果技术效果取决于训练数据的某些特征，申请人需要披露那些足以让熟练技术人员复现该技术效果的特征；但一般来说，并不要求把具体训练数据集本身完整交出。换句话说，审查要的不是把仓库全倒出来，而是把影响技术效果的那部分条件说清楚。

这会直接改变说明书写法。过去常见的“使用历史数据训练模型”或“基于样本集优化参数”之类表述，今后在很多案子里会显得太虚。申请人更需要回答：数据来自什么范围、经过什么筛选、哪些标签或结构特征与技术效果有关、模型输出如何通过实验或工程步骤得到验证。尤其是新材料、序列设计、工艺优化这类场景，数据和实验之间的桥接如果写不出来，后续补救空间并不大。

真正的风险，会在异议和无效阶段重新出现

不少团队以为只要先过初审，后面就安全了。AI辅助发明不是这样。前端写得模糊，风险往往会在后端被重新放大：一边是创造性和技术性争议，另一边是公开充分性、可实施性和证据可信度问题。若申请文件把关键技术效果建立在一个解释不足的模型过程上，又拿不出清晰的人类研发留痕和验证路径，专利稳定性就会变脆。

因此，这一波变化给企业的提醒很直接。别把“是否使用AI”当成唯一问题，更要把注意力放在三件更难的事情上：谁在技术上作出可识别贡献，说明书是否足够支持全范围主张，研发数据与实验记录能不能在几年后仍讲得通。谁先把这三条链补齐，谁的AI相关专利才更像资产，而不只是一次赶热点的申请。