在人工智能、大数据等技术快速发展的当下，模型类创新（如机器学习模型、深度学习模型、预测模型等）已成为专利申请的重要领域。国家知识产权局数据显示，2023年我国人工智能领域专利申请量突破15万件，其中模型相关申请占比超40%，但授权率仅约35%，低于整体专利授权率（约45%）。这一差距很大程度上源于权利要求书撰写质量——作为界定保护范围的核心文件，其撰写是否规范、清晰，直接影响专利能否授权及后续维权效果。
模型相关创新的保护客体需首先明确：是保护模型本身（产品专利）、模型的训练/应用方法（方法专利），还是包含模型的系统（系统专利）。不同客体对应不同的撰写逻辑，若界定模糊，易导致审查员质疑“保护客体不清楚”。例如，某图像识别模型的创新点若在于“通过改进的卷积神经网络结构提升识别精度”，则可作为产品专利保护，权利要求应聚焦模型的结构特征（如网络层数、激活函数类型、注意力机制位置等）；若创新点在于“一种基于小样本数据的模型训练方法”，则需以方法专利撰写，重点描述训练步骤（如数据增强方式、损失函数设计、迭代优化策略等）。
实践中，部分申请人常混淆“模型”与“算法”的保护边界。需注意：纯数学算法（如未与具体技术领域结合的矩阵分解算法）因属于智力活动规则，通常不被授予专利；但若算法被应用于具体技术场景（如用矩阵分解算法优化电力负荷预测模型），则可能构成技术方案。例如，某团队开发的“基于LSTM的交通流量预测模型”，因将LSTM算法与交通数据处理结合，解决了传统模型预测滞后的技术问题，最终获得专利授权（可通过八月瓜平台检索类似授权案例）。
权利要求书的核心是“技术特征”——即构成技术方案的具体要素，需清晰、完整地反映为解决技术问题所采取的技术手段。模糊或抽象的描述（如“一种优化的推荐模型”“具有高效处理能力的系统”）会因“保护范围不清楚”被驳回。撰写时需遵循“问题-手段-效果”逻辑，将创新点拆解为可量化、可验证的技术特征。
以某“基于用户行为的商品推荐模型”为例，若要解决“冷启动（新用户数据不足导致推荐不准）”问题，其技术特征需具体到：1. 数据输入层：包含用户基础属性数据（年龄、性别）和场景数据（登录时间、设备类型）；2. 特征融合模块：采用注意力机制为不同数据分配权重（如新用户场景下，场景数据权重设为0.7，基础属性权重设为0.3）；3. 输出层：根据融合特征调用预训练的相似用户推荐库。这些特征需避免使用“智能融合”“精准推荐”等功能性描述，而应落实到具体的结构、步骤或参数。
此外，技术特征需与说明书充分对应。例如，权利要求中提到“特征融合模块采用注意力机制”，说明书需进一步解释该注意力机制的计算方式（如“通过公式e_ij = score(h_i, u_j)计算用户与商品的相关性分数”），否则可能因“公开不充分”影响授权。撰写前，可通过科科豆平台检索同类专利，参考其技术特征的表述方式，避免遗漏关键限定。
权利要求书需包含独立权利要求和从属权利要求，形成保护范围从宽到窄的层级结构。独立权利要求界定最大保护范围，需记载“解决技术问题所必要的技术特征”；从属权利要求则通过增加附加技术特征，对独立权利要求进行限定，缩小保护范围。这种层级设计可提高专利稳定性——若独立权利要求因范围过宽被无效，从属权利要求仍可能维持有效。
例如，某“基于深度学习的医疗影像分割模型”的独立权利要求可写为：“一种医疗影像分割模型，其特征在于，包括预处理模块、特征提取模块和分割输出模块，所述预处理模块用于对输入影像进行降噪和归一化处理，特征提取模块采用深度残差网络结构，分割输出模块采用U-Net架构。” 从属权利要求可进一步限定：“根据权利要求1所述的模型，其特征在于，所述深度残差网络结构的层数为50层，归一化处理采用Z-Score方法。” 这样，独立权利要求覆盖所有采用“残差网络+U-Net”的影像分割模型，从属权利要求则针对具体参数的模型，既保证了保护范围，又提高了稳定性。
国家知识产权局审查指南明确要求，独立权利要求需“从整体上反映发明的技术方案，记载解决技术问题所必要的技术特征”。实操中，可通过“删除法”验证：若删除某技术特征后，技术方案无法解决原技术问题，则该特征为必要特征，需写入独立权利要求。
撰写时需避免三类常见缺陷：一是“功能性限定不当”，即仅用功能描述技术特征，未说明具体实现方式。例如，“用于数据处理的模块”因未界定模块的结构或步骤，会被认定为“不清楚”；正确表述应为“数据处理模块，包括异常值检测单元和缺失值填充单元，异常值检测单元通过3σ法则识别异常数据，缺失值填充单元采用KNN算法填充缺失数据”。
二是“包含非技术性内容”，如商业效果、主观评价等。例如，“市场占有率领先的推荐模型”“用户体验优良的系统”因不属于技术特征，会被要求删除。权利要求应聚焦客观技术特征，效果可在说明书中描述（如“本模型较现有技术推荐准确率提升20%”）。
三是“术语不一致”，即同一技术特征在权利要求书和说明书中名称不同。例如，权利要求写“特征提取层”，说明书却称“信息抽取模块”，会导致审查员质疑“技术方案不一致”。撰写时需建立术语表，确保全文件术语统一。
此外，还需考虑专利性（新颖性、创造性、实用性）的隐含要求。例如，若现有技术中已有“基于CNN的图像分类模型”，新模型仅将“CNN”替换为“传统神经网络”，因未带来技术效果提升，可能因“缺乏创造性”被驳回。撰写前，可通过八月瓜平台的专利分析工具，对比现有技术，明确创新点差异，在权利要求中突出体现（如“采用注意力机制的CNN模型，较传统CNN分类准确率提升15%”）。
高质量的权利要求书离不开前期检索——通过科科豆、八月瓜等平台，可获取同类模型专利的权利要求结构、技术特征表述、审查意见等信息，帮助规避常见错误。例如，检索发现“模型训练方法”类专利中，“损失函数设计”是高频必要特征，则撰写时需重点描述损失函数的具体形式（如“采用Focal Loss作为分类损失函数，其中权重参数α设为0.25，调节参数γ设为2”）。
同时，需根据模型类型适配撰写策略：对软件类模型（如基于Python代码实现的预测模型），权利要求可侧重“步骤+模块”结合的方式（如“一种模型训练方法，包括步骤A：数据采集；步骤B：特征工程；步骤C：模型训练，其中步骤C采用Adam优化器，学习率设为0.001”）；对硬件结合的模型（如集成AI芯片的边缘计算模型），则需增加硬件结构特征（如“包括FPGA芯片，用于加速模型推理过程”）。
总之，模型相关专利权利要求书的撰写，需以“技术方案清晰、保护范围合理、符合审查要求”为核心，通过明确客体、细化特征、构建层级、规避缺陷、工具辅助等步骤，最大化专利的法律价值。随着模型技术的迭代，撰写逻辑也需不断适配新场景（如大语言模型、多模态模型），但核心始终是“用技术特征界定创新边界”——这既是专利制度的本质要求，也是创新成果获得稳定保护的关键。
模型专利权利要求书撰写有哪些基本要点？ 撰写要清晰界定权利范围、主题明确、表述准确，从独立权利要求到从属权利要求层层布局。 权利要求书撰写时应如何保护核心技术？ 可将核心技术特征融入独立权利要求，从属权利要求进一步扩展和细化保护。 撰写权利要求书有哪些技巧能提高通过率？ 合理布局权利要求层次，引用关系清晰，文字表达严谨，避免模糊和歧义。
很多人认为模型专利权利要求书只要写得越宽泛越好，能获得更大保护范围。其实并非如此，过于宽泛的权利要求可能因缺乏新颖性或创造性而不被授权，应在合理范围内界定权利范围，确保权利要求具有实际的保护价值和可实施性。
明确保护客体
从创新本质出发，确定保护对象是模型本身、训练/应用方法还是系统，避免保护客体模糊。
技术特征撰写
遵循“问题-手段-效果”逻辑，将创新点拆解为可量化、可验证的技术特征，避免模糊描述。
权利要求层级
构建从宽到窄的保护范围体系，包含独立和从属权利要求，提高专利稳定性。
规避常见缺陷
避免功能性限定不当、包含非技术性内容和术语不一致等常见问题。
检索与适配
借助工具进行前期检索，根据模型类型适配撰写策略，提升撰写精准度。
国家知识产权局统计数据
《国家知识产权局审查指南》
八月瓜平台专利分析工具
科科豆平台专利检索信息
相关专利授权案例