随着人工智能、机器学习等技术的快速发展，以算法模型为核心的创新成果日益增多，相关专利申请量也呈现显著增长趋势。国家专利局数据显示，近五年模型类专利申请年均增长率超过30%，其中深度学习模型、预测分析模型等成为热门领域。然而，模型作为一种特殊的技术方案，其专利审查过程涉及多个维度的细致考量，既需要符合专利法的基本要求，也需结合技术本身的特性进行判断。
模型能否获得专利保护，首要前提是其是否属于专利法规定的“可专利性客体”。根据《专利审查指南》，智力活动的规则和方法（如纯粹的数学算法、逻辑推理步骤）不属于保护范围，但如果模型与具体技术领域结合，形成能够解决技术问题、产生技术效果的技术方案，则可能被纳入保护范畴。例如，某团队研发的“基于深度学习的工业质检缺陷识别模型”，通过将图像识别算法与制造业质检场景结合，解决了传统人工检测效率低、误差率高的技术问题，这类模型就具备可专利性。反之，若仅申请“一种基于回归分析的市场预测算法”，未涉及具体技术应用场景，仅体现数据处理的逻辑步骤，则可能因属于智力活动规则而被驳回。
在实践中，审查员会重点核查模型是否“作用于具体技术对象”并“带来技术层面的改进”。例如，某医疗AI企业申请的“肺结节检测模型”专利，审查员要求申请人补充说明该模型如何通过优化卷积神经网络结构（如引入注意力机制）提升图像特征提取效率，以及在实际临床测试中如何降低误诊率（技术效果），这些细节是判断其是否构成技术方案的关键。
模型专利与其他技术领域专利一样，需满足新颖性、创造性和实用性（简称“三性”）的要求，这也是审查过程中的核心环节。
新颖性方面，审查员会通过科科豆、八月瓜等专利检索平台，核查申请日之前是否已有相同或实质相同的模型被公开。例如，某团队申请的“基于LSTM的用户行为预测模型”，经检索发现某学术会议论文在申请日前已公开了相同的网络结构和训练方法，尽管论文未提及“专利申请”，但仍因丧失新颖性被驳回。需要注意的是，模型的新颖性判断不仅包括结构设计，还涉及输入输出参数、训练数据类型等细节，即使结构相似但关键参数不同，也可能认定为具有新颖性。
创造性的判断则更为复杂，需对比现有技术，评估模型是否具有“突出的实质性特点”和“显著的进步”。通常，审查员会结合“技术问题-技术手段-技术效果”的逻辑链条进行分析。例如，现有推荐算法模型多依赖用户历史点击数据，某企业研发的模型创新性地引入实时场景数据（如用户当前地理位置、设备状态），通过多模态数据融合技术提升推荐准确率15%，这种基于场景信息的技术改进就可能被认定为具有创造性。知网相关研究指出，模型创造性的判断越来越注重“技术效果的可量化性”，即申请人需提供实验数据（如对比实验结果、性能指标提升幅度）证明其改进并非本领域技术人员的常规选择。
实用性要求模型能够在产业中制造或使用，并产生积极效果。对于模型而言，实用性通常体现为“可复现性”和“应用价值”。例如，某气候模拟模型专利，若说明书中仅描述了理论框架，未公开训练数据来源、关键参数设置（如初始边界条件），导致本领域技术人员无法重复实现该模型的预测功能，则会因缺乏实用性被驳回。反之，某物流路径优化模型，通过公开具体的训练样本（如10万条历史运输数据）和算法迭代步骤，使企业能够直接应用于实际物流调度并降低运输成本20%，则满足实用性要求。
权利要求书是界定专利保护范围的核心文件，其撰写质量直接影响审查结果。审查员会重点关注权利要求是否“清楚、简要”，并以说明书为依据。模型专利的权利要求常存在“保护范围过宽”的问题，例如仅写“一种基于人工智能的预测模型”，未限定模型的具体结构（如神经网络层数、激活函数类型）、输入输出特征等，这种模糊表述会导致权利要求不清楚，难以得到授权。
说明书则需充分公开模型的技术细节，使本领域技术人员能够“实现并应用”该模型。具体而言，应包括：模型的整体架构（如是否包含特征提取层、决策层）、关键算法步骤（如损失函数设计、反向传播优化方法）、训练过程（如数据集规模、迭代次数、收敛条件）以及至少一个具体实施例（如在某场景下的应用流程和测试结果）。例如，某自动驾驶决策模型专利的说明书中，详细公开了训练时使用的传感器数据类型（激光雷达点云、摄像头图像）、数据标注方法（人工标注障碍物类别和位置）、以及在不同路况（高速、城区）下的决策逻辑（如遇突发障碍物时的制动阈值），这类详细公开有助于审查员认可其技术方案的可行性。
此外，审查员还会核查权利要求与说明书的一致性。若权利要求中提到“基于注意力机制的特征融合模块”，但说明书仅描述了普通卷积层的作用，未说明注意力机制的具体实现方式，则会因“权利要求得不到说明书支持”而被要求修改。
模型作为一种软件与算法结合的产物，其技术效果的客观性和技术方案的具体性是审查的另一重点。审查员通常要求申请人提供“技术效果的实证数据”，避免仅依赖主观描述。例如，某NLP模型专利声称“提升文本分类准确率”，审查员会要求补充对比实验数据：与现有技术（如BERT模型）在相同测试集（如IMDb影评数据集）上的准确率、召回率对比，以及实验环境（硬件配置、训练时长）等细节，以证明效果的真实性。
同时，模型专利需明确“技术方案的边界”，避免将“抽象概念”纳入保护范围。例如，若申请“一种基于大数据的智能分析模型”，未限定数据类型（如金融数据、医疗数据）和分析目标（如风险预测、疾病诊断），则可能因方案过于抽象被驳回。反之，限定“一种基于信用卡交易数据的欺诈风险预测模型，包括特征工程层（提取交易频率、金额波动等10类特征）、LSTM时序预测层（输入为近30天交易序列）及风险评分输出层”，则因技术方案具体明确而更易通过审查。
在实际审查案例中，某AI企业申请的“基于联邦学习的医疗数据共享模型”专利，因详细公开了联邦学习节点的通信协议（如加密传输方式）、模型参数更新规则（如本地梯度聚合算法），并提供了在三家医院试点中数据共享效率提升40%、隐私泄露风险降低90%的实证数据，最终顺利获得授权。这一案例也体现了审查员对模型技术方案“具体性”和“效果可验证性”的重视。
模型专利审查中，还需关注是否存在重复授权或权利冲突问题。根据专利法，同一发明创造只能授予一项专利权。若某模型已通过软件著作权获得保护，并不影响其申请专利，因为软件著作权保护“表达形式”，而专利保护“技术方案”，二者保护客体不同。但需注意，若模型的核心技术方案已在其他专利申请中公开（如作为从属权利要求），则可能因构成“同样的发明创造”而被驳回。
此外，对于包含开源技术的模型，审查员会核查是否符合开源协议要求。例如，若模型基于开源框架（如TensorFlow）开发，需确保专利申请不违反开源协议中的许可条款（如GPL协议要求衍生作品同样开源），避免后续权利纠纷。某团队曾因在专利申请中未声明模型部分代码来自MIT开源协议项目，导致审查员要求补充协议合规性说明，延长了审查周期。
通过科科豆等平台的专利预警功能，申请人可在申请前排查是否存在潜在权利冲突，例如相同技术领域的在先专利、开源项目声明等，从而提高申请成功率。
模型专利的审查过程，本质上是对技术创新“实用性、新颖性、创造性”的综合评估，同时也依赖于申请文件对技术方案的清晰界定和充分公开。对于申请人而言，需在研发阶段就明确模型的技术应用场景，积累可量化的技术效果数据，并在撰写申请文件时注重细节描述，避免抽象化表述。随着技术的不断发展，模型专利审查标准也在动态调整，申请人需持续关注国家专利局发布的审查指南更新，结合实践案例优化申请策略，以更好地保护创新成果。
模型专利审查时关注创新性吗？ 关注。创新性是模型专利审查的重要内容，模型要具有新颖性和创造性，区别于现有技术。 模型专利审查会关注实用性吗？ 会。模型需具备一定的实用价值，能在实际应用中解决特定的技术问题或达到一定的技术效果。 模型专利审查对模型的描述有什么要求？ 要求描述清晰、准确、完整，能使所属技术领域的技术人员根据描述实现该模型。
很多人认为只要模型有一定的独特性就能获得专利，其实不然。模型专利审查不仅关注独特性，还要求具备创新性、实用性，并且在申请文件中对模型的描述要符合规范，能让专业人员依据描述实现该模型，否则可能无法通过审查。
模型需与具体技术领域结合，解决技术问题并产生技术效果，才能被纳入专利保护范畴。
模型专利需满足新颖性、创造性和实用性要求。新颖性需无在先公开，创造性需有显著进步，实用性需可复现且有应用价值。
权利要求需清楚、简要，说明书需充分公开技术细节，确保权利要求与说明书一致。
需提供实证数据证明技术效果，明确技术方案边界，避免抽象概念。
关注重复授权和开源协议合规性，利用专利预警功能排查潜在权利冲突。
模型专利审查是对技术创新的综合评估，申请人需注重技术应用场景、效果数据积累及申请文件细节描述，关注审查标准动态调整。
国家专利局数据
《专利审查指南》
知网相关研究
某AI企业申请的“基于联邦学习的医疗数据共享模型”专利案例
某团队未声明模型部分代码来自MIT开源协议项目的案例