本文立足于中国《专利审查指南》2025年最新修订背景，通过典型案例的实证分析，深入剖析了AI发明专利客体的“三重审查标准”：伦理审查、智力活动的规则和方法的排除以及技术方案的认定，其中关键在于技术方案的认定，即算法特征是否与技术特征实现了实质上的结合，共同构成为解决技术问题利用自然规律的技术手段，并产生了符合自然规律的技术效果。同时，本文通过与美国USPTO的Mayo-Alice两步测试的比较分析，揭示了中美两国在整体性审查标准上的趋同性。本文的研究旨在深化对AI发明专利客体判断标准的理论理解，并为AI相关领域创新实体提供撰写与答辩的实务参考。

1. 引言

人工智能（AI）作为新质生产力的核心驱动力，其本质是通过复杂的算法（如深度学习、强化学习、神经网络、模糊逻辑、遗传算法等），使机器实现对人类感知与决策等智能行为的模拟^1,2。随着AI技术在自动驾驶、智慧医疗、工业控制及大数据分析等领域的广泛应用，相关技术创新不断涌现，对专利保护的需求也迅速增长³。

AI发明往往兼具智力活动规则和技术规则的双重属性，其核心创新往往在于算法，如何界定AI发明的客体适格性（Subject Matter Eligibility）是全球知识产权界重点关注的问题。国家知识产权局（CNIPA）近年来持续完善相关审查规则，并通过多次修改《专利审查指南》（以下简称为《指南》）^4,5,6，已构建、完善针对AI发明专利申请的审查规则体系。但是据统计，在涉及AI专利的无效宣告请求案件中，关于技术方案认定的争议占比超过85%⁷，而在包含AI产业在内的新一代信息技术产业相关专利申请的复审案件中，此类争议的占比亦达到近75%⁸。国外创新主体也表达了对于CNIPA关于计算机程序专利客体适格性，特别是关于方案是否包含“技术手段”的审查标准不明确的担忧⁹。由此可见，技术方案的认定是AI发明专利客体判断中的重点与难点。

基于此，本文旨在阐明CNIPA现行的AI发明专利客体适格性的审查标准，并通过与美国专利客体适格性审查标准的对比，印证两国核心审查逻辑的一致性，从而为AI相关领域创新实体或知识产权从业者提供具有实务价值的参考。

2. AI专利客体适格性审查标准

现行《指南》针对AI专利申请的客体适格性，在整体性判断基准原则下，确立了三重审查标准，其中，第一重为专利法第五条第一款的伦理审查，第二重为第二十五条第一款第二项的智力活动的规则和方法的排除，第三重为专利法第二条第二款的技术方案认定⁶（审查流程如图1所示）。本节将对这三重标准逐一解析。同时作为对比，本节还将介绍美国现行的专利客体适格性审查标准。

图1 专利客体审查流程

2.1 中国AI专利客体适格性审查标准解析

2.1.1 第一重：前置伦理审查

AI专利客体的第一重审查，是审查专利申请是否属于专利法第五条第一款规定的不应当被授予专利权的情形，即排除违反法律、社会公德或者妨害公共利益的发明创造。

随着AI技术在社会治理、商业决策和公共服务等领域的广泛应用，算法系统在数据采集、模型训练及决策输出过程中可能涉及个人隐私保护、数据安全以及算法歧视等问题。为引导AI技术发展“智能向善”，2025年新修改的《指南》新增伦理审查标准，依据专利法第五条，明确规定AI专利申请在数据采集、标签管理、规则设置、推荐决策等环节，应当符合相关法律法规、社会公德和公共利益的要求。⁶

例如，专利申请“一种基于大数据的商场内床垫销售辅助系统”涉及在未获用户同意的情况下采集个人信息用于商业营销，违反了《个人信息保护法》的相关规定，不应被授予专利权。例如，专利申请“一种无人驾驶车辆应急决策模型的建立方法”因算法规则设置带有性别、年龄等歧视性因素，违反了社会公德，同样应被排除授予专利权⁶。

伦理审查作为AI专利客体判断中的前置性事项，从制度层面确保AI技术的发展方向符合社会公共利益，并防止具有明显社会风险的技术方案获得专利保护。

2.1.2 第二重：智力活动的规则和方法的反向排除

若专利申请不属于专利法第五条第一款规定的不应当被授予专利权的情形，则审查该专利申请要求保护的权利要求是否属于专利法第二十五条第一款第（二）项规定的不应当被授予专利权的情形。该第二重审查是智力活动的规则和方法的反向排除。

在AI技术领域，大量创新集中体现在算法的改进上。单纯的数学算法或原理本身是一种指导人们进行智力活动的逻辑规则，而不是一种利用自然规律解决技术问题的技术方案，若对其授予专利权，导致对基础数学思想或逻辑规则的垄断，会阻碍人们在思维、逻辑推理及基础科学知识层面的自由应用，违背专利制度鼓励技术创新的初衷。与此同时，考虑到AI发明通常同时包含算法特征与技术要素，《指南》在实践中对涉及算法的专利申请逐渐形成了相对宽松的审查标准。根据《指南》的规定，一般只要权利要求中包含了技术特征，则整体上不再构成智力活动规则和方法。

从权利要求类型上看，AI专利可以表现为方法权利要求，也可以表现为产品权利要求。对于方法权利要求，技术特征一般是步骤以及步骤之间的技术关系；对于产品专利权利要求，技术特征可以是部件（如模块）或部件之间的连接关系。根据《指南》的解释，技术特征是技术手段的组成部分，则技术特征可以解释为是为了解决技术问题，对自然规律进行运用的步骤、部件等特征，从而区别于纯算法特征。

需要指出的是，若除主题名称外，对权利要求进行限定的全部内容仍然只是算法本身，则该权利要求实质上仍然旨在保护抽象算法本身，也视为实质上仅仅涉及智力活动的规则和方法，从而适用专利法第二十五条第一款第（二）项的排除。

2.1.3 第三重：技术方案的正向认定

一项包含算法特征的权利要求属于智力活动的规则和方法，则必然不构成专利法意义的技术方案。而若一项包含算法特征的权利要求作为一个整体不属于智力活动的规则和方法，则需要就其是否属于专利法第二条第二款所述的技术方案进行审查。该项审查是“技术方案”的正向认定，这也是AI专利客体审查中的核心与难点。

《指南》将技术方案定义为对要解决的技术问题所采取的利用了自然规律的技术手段的集合，据此形成了“技术手段—技术问题—技术效果”的技术三要素审查标准⁵，其核心环节是如何认定一项方案是否采用了技术手段。根据《指南》，AI算法专利的技术手段是由算法特征与技术特征紧密结合所构成，其整体体现出对自然规律的遵循和应用，从而解决了技术问题，并获得符合自然规律的技术效果。

从制度逻辑上看，技术方案的认定并非对单个特征进行孤立判断，而是需要从整体上考察权利要求各项特征之间是否形成了用于解决技术问题的技术手段组合。换言之，审查的重点并不在于算法本身是否具有技术属性，而在于其在整体方案中是否与技术特征形成实质性结合，从而在整体上构成利用自然规律实现技术效果的技术方案。这一整体性审查思路反映了专利制度并非排斥包含抽象概念的方案，而是避免对脱离具体技术应用的纯智力成果授予排他性权利。当算法特征仅停留在数据计算或规则描述层面时，其通常仍被视为抽象思维活动；而当算法与客观世界的应用环境形成紧密结合，并在技术层面产生可验证效果时，则有可能构成专利法意义上的技术方案。

另外，对于“技术方案”的认定是对于权利要求方案本身性质的审查，不涉及与现有技术的比对，即不考虑权利要求利用的技术手段或技术手段的组合是否是本领域公知的、常规的以及惯用的（well-understood, routine, conventional WURC）技术手段。

在AI发明的审查实践中，《指南》进一步将算法特征与技术特征之间的结合关系细化为三种典型情形。第一类也是较为常见的情形是，算法应用于具体技术领域，对具有明确技术含义的数据进行处理；第二类情形是，算法与计算机系统的内部结构存在特定技术关联，从而改进计算机系统内部性能；第三类情形是，算法用于具体应用领域的大数据分析，挖掘数据中符合自然规律的内在关联关系^1,5。上述三类情形在表现形式上虽有所差异，但其共同逻辑在于，算法特征与技术特征形成实质性联系，并共同构成利用自然规律解决技术问题的技术手段。下文将以此为框架，对上述三类典型情形分别进行具体讨论。

(1) 情形一：AI算法应用于具体技术领域，对具有明确技术含义的数据进行处理

2019修改的《指南》首次专门增加章节，对AI等包含算法特征的发明专利申请的客体审查规则进行了明确规定⁴。在此阶段，《指南》对AI算法发明的专利保护总体采取了较为审慎的态度，仅明确列出了算法改进应用于具体的技术领域的情形。在此类情形中，算法通常与特定技术领域形成紧密联系，其处理的对象是该技术领域中具有确切技术含义的数据，例如温度、压力、语音信号、图像像素等。算法的运行也不再是抽象的数学运算，而是直接体现为利用自然规律解决技术问题（如设备故障预测、信号降噪或图像识别）的过程，并产生相应的技术效果（如预测精度提升、噪声降低或识别准确率提高）。由此，该类方案通常可以认定为利用了自然规律的技术手段的集合，从而构成专利法意义上的技术方案。

（2）情形二：算法与计算机系统的内部结构存在特定技术关联，从而改进计算机系统内部性能

随着AI算法通用性的增强，算法处理的数据类型日益泛化，通过算法创新来充分挖掘硬件的固有潜能，本身就可能构成一种重要的技术贡献。若过度强调算法必须应用于某一具体技术领域，可能不适当地限缩算法创新的保护范围，从而影响AI底层核心算法的创新发展。

为回应这一现实需求，2023年修改《指南》进一步放宽了对通用算法专利保护的限制，增加了算法实现计算机系统内部性能改进这类方案的审查基准。⁵

在此类情形中，审查的关键在于判断算法特征与计算机系统的内部结构之间是否形成了特定技术关联。所谓特定技术关联，并非算法在计算机上运行的简单载体关系，而是指算法特征与计算机系统内部结构在技术实现层面形成相互适应与协同配合，例如，可以是为支持特定算法或模型的运行而调整计算机系统的体系构架或相关参数，也可以是针对特定的计算机系统内部结构或参数对算法或模型作出适应性改进，亦或者两者的结合。¹

这种算法特征与计算机系统的内部结构之间的特定技术关联实质上是利用了自然规律的技术手段，能够解决如何提升硬件运算效率或执行效果（如减少数据存储量、减少数据传输量、提高处理速度）的技术问题，并带来计算机系统内部性能的改进，产生了符合自然规律的技术效果。因此，权利要求即使未限定具体技术领域，仍可能构成专利法意义上的技术方案。^8,10

（3）情形三：算法用于具体应用领域的大数据分析，挖掘数据中符合自然规律的内在关联关系

AI技术还广泛应用于各类大数据分析场景，例如利用分类、聚类、回归分析、神经网络等方法进行大数据分析与预测。单纯的分类、聚类、回归分析、神经网络本质上属于数学工具，其本身属于抽象思维。然而，当AI算法用于具体应用领域的大数据分析，并通过数据挖掘揭示客观事物之间符合自然规律的内在联系时，该类方案可能满足技术方案的要求。

为鼓励将算法应用于具体应用领域的大数据分析，推动数据资源向现实生产力的转化，2023年修改的《指南》在此方面增加了相应的审查基准：若算法通过对具体应用领域数据的分析反映出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，并带来相应的技术效果，则其所采用的数据挖掘步骤可以构成技术手段，该方案可以被认定为技术方案，从而属于专利保护客体。⁵

在此类申请中，算法处理的数据应当是具体应用领域的大数据，而不能仅停留在通用算法的抽象层面。同时，审查的关键在于所挖掘的数据关联关系是否符合自然规律，而非仅受经济规律或社会规律制约的关联关系。

2.2 美国AI专利客体适格性审查标准介绍

美国专利商标局（USPTO）基于一系列判例，确立了针对算法类发明专利客体的“Mayo-Alice”两步测试：

（步骤2A）权利要求是否指向自然法则、自然现象或抽象概念（即，司法例外）；以及

（步骤2B）该权利要求是否记载了其他要素确保权利要求整体上达到显著高于司法例外。¹¹

步骤2A被进一步细化为Prong One和Prong Two。步骤2A Prong One评估权利要求是否记载了司法例外，如抽象概念；步骤2A Prong Two评估权利要求作为一个整体是否将“抽象概念”特征整合到“实际应用”中。

如是，则通过客体适格性审查；如否，则进入步骤2B分析。

步骤2A Prong Two的评估具体通过如下方式进行：（1）识别权利要求中除司法例外之外是否还限定有其他附加要素；以及（2）对这些附加要素分别进行单独评估与组合评估，以判定权利要求作为一个整体是否将所述司法例外整合至实际应用之中。

在步骤2A的Prong Two分析中，下列特征能够指示“实际应用”：

1. 对计算机功能的改进或其他技术或技术领域的改进；
2. 与权利要求不可分割的特定机器或产品一起实施或同时运用司法例外；
3. 使得特定物品转换或变成为不同的状态或事物；
4. 除了将司法例外的运用与特定技术环境一般性的联系起来之外，以一些其他有意义的方式应用司法例外，从而使权利要求作为一个整体不再被撰写成意在垄断司法例外。

下列特征则不能指示“实际应用”：

1. 仅对司法例外添加措辞“应用其”，或仅包括在计算机中实施抽象概念的指令，或仅将计算机作为工具实施抽象概念；
2. 添加无关紧要的解决方案之外的活动；
3. 只是一般性地将司法例外的运用与特定技术环境或使用领域联系起来。

在步骤2A的“实际应用”分析中，审查员不审查附加要素是否是公知的、常规的以及惯用的（well-understood, routine, conventional WURC）活动，只要整合方式构成“实际应用”，即满足客体适格性要求。

在步骤2B的分析中，下列特征能够指示“显著高于”：

1. 对计算机功能的改进或其他技术或技术领域的改进；
2. 与权利要求不可分割的特定机器或产品一起实施或同时运用司法例外；
3. 使得特定物品转换或变成为不同的状态或事物；
4. 除了将司法例外的运用与特定技术环境一般性的联系起来之外，以一些其他有意义的方式应用司法例外，从而使权利要求作为一个整体不再被撰写成意在垄断司法例外；
5. 添加了不是本领域中的WURC活动的具体特征。

下列特征则不能指示“显著高于”：

1. 仅对司法例外添加措辞“应用其”，或仅包括在计算机中实施抽象概念的指令，或仅将计算机作为工具实施抽象概念；
2. 添加无关紧要的解决方案之外的活动；
3. 只是一般性地将司法例外的运用与特定技术环境或使用领域联系起来；
4. 将本领域WURC活动以高度概括的方式简单地贴附到到司法例外之上。

3. 案例分析

下面通过引用CNIPA发布的《人工智能相关发明专利申请指引（试行）》中提供的关于客体适格性分析，特别是“技术方案”分析的简化示例¹，并对相同示例应用美国“Mayo-Alice”两步测试进行比对分析，以期示明对于相同示例，中美专利客体适格性评价结果是否存在异同。

案例一

一种面向忆阻器加速器的神经网络模型压缩方法，包括：

• 步骤1、通过阵列感知的规则化增量剪枝算法，在网络裁剪时针对忆阻器实际阵列尺寸进行剪枝粒度的调整，获得适配忆阻器阵列的规则化稀疏模型；
• 步骤2、通过二的幂次量化算法，降低ADC 精度需求和忆阻器阵列中低阻值器件个数以总体降低系统功耗。

“技术方案”分析

该示例中，为了解决原始模型映射到忆阻器加速器上时，硬件资源消耗过大以及ADC单元和计算阵列功耗过高的问题，方案中采用剪枝算法和量化算法针对忆阻器实际阵列尺寸进行剪枝粒度的调整，降低忆阻器阵列中低阻值器件个数。上述手段是为了提高忆阻器加速器性能而进行的算法改进，受硬件条件参数的约束，反映出了算法特征与计算机系统的内部结构存在特定技术关联，利用了符合自然规律的技术手段，解决了忆阻器加速器硬件消耗过大和功耗过高的技术问题，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。因此，该权利要求记载了技术方案，是适格的。

“Mayo-Alice”两步测试

步骤2A Prong One：

步骤1记载了“通过阵列感知的规则化增量剪枝算法”，步骤2记载了“通过二的幂次量化算法”。这些算法使用特定的数学计算，属于抽象概念中的数学观念分组。因此，步骤1和步骤2包含了数学观念（步骤2A, Prong One：“是”）。

步骤2A Prong Two：

除了“通过阵列感知的规则化增量剪枝算法”，步骤1进一步记载了“在网络裁剪时针对忆阻器实际阵列尺寸进行剪枝粒度的调整，获得适配忆阻器阵列的规则化稀疏模型”；除了“通过二的幂次量化算法”，步骤2进一步记载了“降低ADC 精度需求和忆阻器阵列中低阻值器件个数以总体降低系统功耗”。

步骤1和2记载了采用剪枝算法和量化算法针对忆阻器实际阵列尺寸进行剪枝粒度的调整，降低忆阻器阵列中低阻值器件个数。即，步骤1和2记载了进行算法改进来提高忆阻器加速器性能，且改进的算法与特定的硬件条件参数关联，受其约束。步骤1和2能够解决原始模型映射到忆阻器加速器上时，硬件资源消耗过大以及ADC单元和计算阵列功耗过高的问题，反映了对计算机功能的改进。因此，该权利要求作为一个整体将所述抽象概念整合至实际应用之中，从而不是指向司法例外(步骤2A：“否”)，是适格的。

案例二

一种深度神经网络模型的训练方法，包括：

• 步骤1、针对大小发生改变后的训练数据，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，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；
• 步骤2、从所述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；
• 步骤3、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。

“技术方案”分析

在该示例中，为解决深度神经网络模型训练速度慢的问题，针对不同大小的训练数据，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，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，从而构成技术方案。因此，该权利要求是适格的。

“Mayo-Alice”两步测试

步骤2A Prong One：

步骤1记载了“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”，步骤2记载了“选取训练耗时最小的训练方案”，步骤3记载了“进行模型训练”。步骤1记载的“计算”和步骤3记载的“模型训练”涉及一系列的数学计算，属于抽象概念中的数学观念分组；步骤2记载的“选取”可以利用观察、评估、判断和见解，实际在人脑海中执行的，属于抽象概念中的思维过程。因此，权利要求记载了抽象概念（步骤2A, Prong One：“是”）。

步骤2A Prong Two：

步骤1还记载了“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”。该附加要素限定了模型训练方案与计算机系统的内部结构的特定关联。步骤1、2和3一起，实现了对于不同大小的训练数据，采用单处理器训练方案或多处理器训练方案中训练耗时最小的训练方案进行训练。步骤1、2和3提升了深度神经网络模型训练过程中硬件的执行效率，从而加快了训练速度，反映了对计算机功能的改进。因此，该权利要求作为一个整体将所述抽象概念整合至实际应用之中，从而不是指向司法例外(步骤2A：“否”)，是适格的。

案例三

• 一种对神经网络进行训练的计算机系统，包括存储器和处理器，其中存储器存储指令，当处理器读取指令时，实施以利用优化损失函数对神经网络进行训练的操作。

“技术方案”分析

在该示例中，计算机系统中的存储器、处理器仅是算法存储和执行的常规载体，利用优化损失函数对神经网络进行训练涉及的算法特征与计算机系统包含的存储器和处理器之间未产生特定技术关联，该方案解决的是优化神经网络训练的问题，不属于技术问题，获得的效果也只是提升模型训练效率，不属于改进计算机系统内部性能的技术效果，因此不构成技术方案。

“Mayo-Alice”两步测试

步骤2A Prong One：

权利要求记载了“利用优化损失函数对神经网络进行训练”。该特征归结于一系列的数学计算，属于抽象概念中的数学观念分组。因此，权利要求记载了抽象概念（步骤2A, Prong One：“是”）。

步骤2A Prong Two：

权利要求还记载了附加要素：“存储器存储指令”，“处理器读取指令”。但是，“存储器存储指令”是无关紧要的解决方案之外的活动，“处理器读取指令”无非是仅将通用计算机作为工具实施抽象概念。因此，该权利要求作为一个整体没有将所述抽象概念整合至实际应用之中，从而指向司法例外(步骤2A：“是”)，是不适格的。

步骤2B：

如上所分析的，该权利要求的附加要素最多相当于仅将通用计算机作为工具实施抽象概念。权利要求整体上达不到“显著高于”司法例外（步骤2B：“否”），是不适格的。

4. 总结

我国已建立针对AI专利客体适格性的审查体系，其中，“技术方案”认定，特别是认定一项方案是否采用了技术手段，是评价AI发明客体适格性的关键所在。审查实践证明，单纯的算法改进难以获得专利保护。AI发明的客体适格性高度依赖于算法特征与技术特征的实质性结合，无论是在特定技术领域（如工业控制、智慧医疗、图像识别）的应用，还是对计算机内部性能的改进，抑或是揭示具体应用领域的大数据中符合自然规律的内在关联，其本质均要求算法特征必须脱离纯粹数学概念的范畴，转化为利用自然规律的技术手段，解决技术问题并产生技术效果。

另外，本文对三个示例分别进行了中国审查标准下的“技术方案”分析和美国“Mayo-Alice”两步测试，均得到了相同的审查结论。由此可见，中美两国对AI发明客体适格性的核心判断标准具有明显的一致性。两国均强调在整体上判断权利要求是否仅仅涉及抽象概念，并进一步考察权利要求是否使抽象算法转化为具有实际技术意义的应用。特别是，中国的“技术方案”分析和美国的“实际应用”分析紧密相关，具有实质相同的标准。这种国际间审查标准的趋同，为创新实体进行全球专利布局提供了稳定的预期。

参考文献

1. 中华人民共和国国家知识产权局. 人工智能相关发明专利申请指引（试行）[Z]. 2024. ↩︎
2. 范晓韵, 潘爱民, 袁永发. 算法基建赋能产业智能化发展：何以可能与何以可行[J]. 经济学家, 2024(04): 88-97. ↩︎
3. Stanford University. Artificial Intelligence Index Report[R/OL]. 2025. https://hai.stanford.edu/ai-index/2025-ai-index-report. ↩︎
4. 中华人民共和国国家知识产权局. 专利审查指南2010(2019年修订)[M]. 北京: 知识产权出版社, 2020. ↩︎
5. 中华人民共和国国家知识产权局. 专利审查指南2023[M]. 北京: 知识产权出版社, 2024. ↩︎
6. 中华人民共和国国家知识产权局. 关于修改《专利审查指南》的决定(局令第84号)[EB/OL]. (2025-11-13)[2026-02-12]. ↩︎
7. 张鹏, 于丽君. 未来已来：人工智能创新如何获得专利保护？——对人工智能专利授权确权法律实践的观察凝练[EB/OL]. (2025-04-25)[2026-03-05] https://www.zhonglun.com/research/articles/54462.html. ↩︎
8. 孙璁. 新一代信息技术领域中不授予专利权客体问题探讨[J]. 中国发明与专利(知识产权情报学学报). 2023, 20(S1): 96-101. ↩︎
9. IPO 2026 Special 301 Comments https://ipo.org/wp-content/uploads/2026/01/Intellectual-Property-Owners-Association_2026-Special-301_Review_Comment.pdf. ↩︎
10. 梁艳, 徐卫锋, 郑嘉青, 武磊. 人工智能领域算法类专利客体审查探析[EB/OL]. (2025-12-31)[2026-03-05]. https://www.iprchn.com/cipnews/news_content.aspx?newsId=145013 ↩︎
11. Manual of Patent Examining Procedure (MPEP) §2106 ↩︎