从能主张到能证明：JPO与KIPO收紧AI发明公开审查
JPO 与 KIPO 近几周释放出的讯号，值得把它当作 AI 专利审查口径变化来看。表面上，两局并未同步宣布一套全新的“AI 特别法”，但从 IP5 对 AI 发明审查案例的持续细化、JPO 对 AI 审查支持体系的加强，以及 KIPO 对 AI 与第四次工业革命类案件审查协作的制度化安排来看，审查重点正在往同一个方向收束：AI 发明不能只写功能目标，必须把可实施路径交代得更像一件真正能落地的技术方案。
这一变化对生成式 AI、大模型微调、数据处理和模型部署类申请尤其敏感。过去一些说明书还能依靠“模型+场景+效果”的组合勉强支撑申请；现在更容易被追问的是，训练数据或推理输入与技术效果之间到底是什么关系，哪些步骤是发明成立所不可缺的，申请人究竟有没有把复现条件讲清楚。真正变严的，不只是措辞，而是举证密度。
这轮变化不是突然立法，而是审查共识在前移
把时间线连起来看，趋势并不零散。2024 年 6 月，IP5 在首尔会议上批准了更细化的 AI 发明审查案例对照表；同年，JPO 设立 AI Advisors，以外部专家协助审查员理解 AI 技术发展；到 2025 年，IP5 仍在 NET/AI 路线图框架下持续推进协作。KIPO 这边，和 JPO 的审查员交流项目已持续多年，并明确以比对审查实践、现有技术检索和标准运作为核心。放在一起看，这不是某一份新闻稿的偶发措辞，而是审查知识、案例材料和质量管理都在向 AI 案件集中补强。
真正的含义在于，AI 相关申请越来越难靠“黑箱系统实现某种效果”的写法过关。以前很多争议先落在可专利客体、算法是否具备技术特征、商业规则与技术方案的边界；现在这些问题当然还在，但对说明书公开是否足以支撑主张，审查会更早介入。尤其是生成式 AI 或大模型应用型案件，发明点如果建立在数据组织、训练流程、检索增强、推理约束或输出校正上，审查员更可能要求把关键链条讲清楚，而不是接受一个抽象功能框架。
“充分公开”在 AI 案件里，正在被拆成更具体的问题
对传统机械或化学申请来说，充分公开通常围绕结构、参数、步骤和实施例展开。AI 案件不同，很多申请人容易把真正决定效果的技术环节藏在“模型训练”“数据处理”“智能判断”这样的总括词里。现在更稳妥的写法，是把审查员最可能追问的几个点提前写进说明书：输入数据的类型与边界是什么，数据在进入模型前做了哪些筛选、清洗、标注或特征化处理，模型或规则引擎承担的具体任务是什么，输出是如何落到一个可验证的技术效果上的，效果又是通过什么实验、对照或评估指标体现出来的。
这并不等于每一件 AI 申请都要公开完整源代码、所有训练样本或商业数据库全文。问题不在“公开越多越好”，而在于发明的成立到底依赖什么。如果申请人主张的创造性和效果，实际上建立在特定数据构造、标签体系、模型微调路径或推理控制逻辑上，那说明书就不能只剩一句“本领域技术人员可据此实现”。AI 申请最容易出问题的地方，恰恰是把决定成败的技术条件写成了结果描述。
训练数据披露不会一刀切，但黑箱式写法会越来越难过
很多企业最关心的一句是：以后是不是连训练数据都得交出来？更现实的答案是，不会一刀切，但和技术效果有因果关系的数据要素，越来越难完全模糊带过。若发明的价值在于提升识别准确率、降低幻觉、改善鲁棒性、减少偏差，或者让模型在特定工业场景下具备可实施性，审查自然会追问：这些结果是靠什么数据条件实现的。样本来源是公开数据、企业自有数据，还是合成数据；数据如何筛选与平衡；标签规则是否改变了输出表现；训练集与验证集如何区分；是否存在与说明书记载不一致的隐性前提——这些问题不一定都要展开到逐条样本，但不能完全不交代。
对生成式 AI 和大模型应用案，这一点更明显。若申请写的是“通过大模型提高文档处理效率”或“通过生成式 AI 优化工业决策”，这样的表述太宽，也太空。真正能支撑专利性的，往往不是“大模型”四个字，而是你如何约束输入、如何组织知识库、如何做检索和重排、如何设置置信阈值、如何阻断不合规输出、如何把模型结果接回一个具体技术流程。谁还在用“任意模型均可实现”“训练方式不限”“数据来源不限”这类写法，后面在日韩答审时会越来越被动。
申请人现在最该改的，是说明书结构和答审准备方式
对准备同时进入日本、韩国及其他主要法域的申请人来说，现在最值得调整的不是标题，而是说明书骨架。第一，把通用 AI 组件和真正的领域技术贡献分开写。审查员需要看见，发明到底是在模型层、数据层、系统接口层还是具体工业流程层解决了问题。第二，把不可替代的步骤写实，不要把核心条件都放进“优选实施方式”。第三，给关键技术效果预留可验证的支撑材料，例如实验对比、参数范围、误差控制、资源消耗变化或失败场景处理。第四，准备答审时，不要只靠市场语言解释“效果显著”，而要回到说明书记载本身，证明技术效果与披露内容之间存在可追溯的对应关系。
这轮变化还有一个更现实的后果：跨国说明书的“最低公分母写法”正在变得不够用。过去一些企业先写一版偏宽的英文母稿，再分别投向不同法域；只要权利要求后续慢慢缩，似乎总有机会补救。AI 案件不太一样。底稿如果一开始就没有把数据条件、训练逻辑和实施边界交代清楚，后面再补，很容易碰到新增事项、支持不足或效果无法回溯的问题。对 AI 发明来说，先把可证明性写实，再谈保护范围，已经比先抢一个宽标题更重要。
