IPOS细化AI与数据发明审查口径，训练数据和模型调整要更具体

IPOS近期通过针对AI相关专利申请的补充指引，把一个原本容易被写成“算法+应用场景”套话的问题说得更细了。对申请人来说，这轮更新最有实务意义的地方，不是再次强调AI发明并非当然不可专利，而是把审查重心更明确地放回到两个问题上：你的方法究竟解决了什么具体技术问题；你的说明书是否把训练数据、模型处理步骤与可验证的技术效果交代清楚。

从公开示例和配套说明看，训练数据生成、数据集改良、已训练模型的结构调整这类写法，今后更难靠抽象表述过关。IPOS给出的信号很直接：如果权利要求真正落脚的只是一个泛化算法，或者只是把模型放到常规计算机上运行，仍然很容易被拉回“纯粹数学方法”这一类排除风险。真正能站稳的申请，必须把算法步骤、输入输出、使用场景和技术结果连成一条可读、可证、可复现的链条。

关键变化不在“能不能申请”，而在“是不是具体技术方案”

很多团队过去写AI专利，习惯先把模型名称写上，再补一句可用于风控、识别、控制或推荐。这样的写法现在会更吃力。IPOS在补充指引里反复强调的判断逻辑，是先看权利要求的实际贡献，再看这项贡献是否只是落在数学方法、商业方法或信息呈现上。换句话说，审查员不会因为你写了神经网络、机器学习、生成模型，就默认这是一项技术方案；他会继续追问：这个模型到底在完成什么任务，这个任务与具体技术问题之间有没有足够紧的因果联系。

这一步的门槛其实比很多申请人想得高。仅仅说“控制系统”“管理风险”通常还不够，因为这类表述过于宽泛，既可能指向技术系统，也可能只是抽象业务逻辑。IPOS现在给出的口径更像是在提醒申请人，权利要求里的功能限定不能只停留在结果词，最好能把输入是什么、输出是什么、这些步骤如何服务于某个明确场景写出来。写得越泛，越容易被看成只是把数学方法换了一层行业包装。

训练数据处理开始进入主战场，但数据本身不能只剩“信息内容”

这次最值得关注的一点，是IPOS对训练数据相关申请的态度说得更清楚了。补充指引并没有把“数据集”一概挡在门外，相反，它明确承认：如果数据集特征被用作训练方法的组成部分，或者申请针对的是生成、改良数据集的方法，并且这些步骤确实指向一个具体问题，那么这类方案可以成为可审查、可主张的对象。这个变化对生成式AI、工业数据建模、医疗预测和身份识别类申请都很关键，因为不少创新并不只发生在模型结构本身，而是发生在数据清洗、标注、增强、合成和筛选环节。

但边界同样被划得很清楚。若申请只是把数据集写成某种信息内容的集合，或者只是强调数据被传输、展示、交付，而没有写出技术特征和处理逻辑，IPOS仍可能把它看成信息呈现。实务上，这意味着“训练数据很重要”这句话本身不会给你带来保护；真正能支撑申请的，是你如何说明这些数据特征与模型训练、系统性能提升之间的关系。对很多企业而言，真正需要补的不是一句行业背景，而是数据流程本身的工程细节。

模型微调或后训练优化，不能再写成抽象的“提升精度”

从IPOS给出的示例看，另一个会被重点审视的方向，是已训练模型的扩展、裁剪、重构和其他后训练调整机制。市场上常把这类动作统称为 fine-tuning、adaptation 或 optimisation，但专利文本不能停留在这些大词上。若权利要求只是说对已训练网络增减节点、调整权重或提升模型表现，却没有把它和某个特定技术问题绑紧，审查上仍然可能被视为抽象算法本身。换句话说，“模型改得更好了”不是专利语言，至少单独写出来不是。

真正更稳的写法，是把模型调整动作放回具体系统。比如，它是否服务于受限处理器上的计算任务，是否为了提高某类制造参数预测的准确度，是否直接用于特定医疗事件的提前预警，是否解决了身份欺诈识别中的样本稀缺问题。申请文件要让审查员读到的是一个技术场景中的因果链，而不是一段脱离上下文的模型操作说明。对生成式AI申请尤其如此。很多团队把“微调”写成通用能力，但审查真正想看的，是这个微调为什么必要、改了什么、带来了什么可验证的系统层面结果。

说明书披露成本前移了，实验设计也要一起前移

IPOS在补充指引里明确说到，如果权利要求依赖训练数据的特定特征，这些特征原则上就应当披露，除非它们对本领域技术人员来说是显而易见的，或无需过度负担即可确定。这句话对申请策略的影响很直接：以后不少AI案件的风险，不会等到创造性判断时才爆发，而是会更早暴露在支持性和充分公开层面。说明书若只写模型框架，不写数据来源逻辑、特征选择依据、训练样本条件和效果验证方式，后面很容易两头承压。

这也意味着，企业内部准备专利材料的顺序要改。过去常见的做法是先让研发给出模型流程图，再由代理人把应用场景补进去。现在更稳妥的顺序，往往是先把技术问题定义清楚，再梳理训练或微调用到的数据特征、处理步骤、评估指标、对比基线和性能差异，最后决定哪些内容写进独立权利要求，哪些放在实施例里支撑。对于确实想避开抽象数学方法驳回风险的申请人，准备更具体的性能指标、对比实验或系统级效果数据，已经不太像“加分项”，更像是让申请站得住脚的底稿。

对申请人来说，IPOS这次更新带来的真正变化，不是突然把AI专利大门关严了，而是把侥幸空间压缩了。训练数据处理、模型微调、算法部署这些过去容易写虚的部分，现在都更需要写实。谁能把“具体技术问题—算法处理—数据特征—技术效果”这一条链条讲明白，谁的申请就更有机会在审查中少走弯路。