软件、算法或 AI 模型能申请专利吗？

在网上搜索“软件能不能申请专利”，常会看到两个斩钉截铁的答案：一方说软件太抽象，不能；另一方说软件专利有成千上万，当然可以。

两种说法都过度简化，对实际决策没有多少帮助。

这是我希望创始人和工程师首先听到的版本：专利通常不保护代码块。版权保护您作为表达式编写的代码。专利（如果有）可以保护通过技术特征描述并由专利权利要求定义的发明，即使竞争对手后来使用完全不同的代码实现了这些特征。

这就是为什么三个常见问题的诚实答案都是“有时”：

• 软件可以申请专利吗？有时。
• 算法可以申请专利吗？有时，当它不仅仅是抽象方法的一部分时。
• AI模型可以申请专利吗？有时，当要求保护的发明是具体的技术方案而不是附加在结果上的“AI”标签时。

我知道“有时”并不是令人满意的答案。但这引出了一个有用的问题：该发明解决了什么技术问题，如何解决，以及该专利的专利权利要求到底是什么？

人们经常混淆的三件事

这三层很容易塌陷为一层。

代码是特定的源文本：您编写的函数、变量名称、结构和实现。版权可以保护该表达，但它通常不会阻止某人独立编写执行相同功能的不同代码。

算法是逻辑或数学过程。排序规则、评分公式、优化方法或神经网络架构可能在智力上令人印象深刻并具有商业价值。然而，抽象地讲，数学方法和抽象思想通常被排除在专利保护之外。

计算机实现的发明是在定义的技术系统内运行以产生技术结果的算法。这可能是一个根据预测的退化而改变电池充电的控制器，一个补偿传感器失真的图像处理管道，或者一个减少通信网络拥塞的调度方法。

第三层通常是可信的专利案件开始的地方。该代码是一种实现。发明是其背后的技术教导。

在美国，添加“在计算机上”没有任何改变

在美国，软件或人工智能专利权利要求必须首先符合 35 U.S.C. 规定的专利资格主题。 101. 法院为抽象观念、自然法则和自然现象设定了例外。这意味着将“使用计算机”添加到抽象业务规则中并不会自动将其变成发明。

美国专利商标局当前的主题资格指南除其他外询问专利权利要求是否针对司法例外以及是否将该例外纳入实际应用中。其人工智能示例有意将仅背诵数学概念的专利权利要求与在具体应用中使用数学概念的专利权利要求进行对比。

资格只是第一道门。该发明必须仍然是新颖的、有用的和非显而易见的，并且申请必须对其进行充分的描述。一项专利权利要求可能是完全“技术性”的，但仍然会失败，因为早期的专利或论文已经披露了它。它也可能失败，因为应用程序承诺了一个功能，但没有教导如何实现它。

这就是为什么软件可专利性不是一个命名活动。 “人工智能驱动”、“基于云”和“由处理器实现”都是装饰性的，除非应用程序解释了它们背后的工程。

欧洲询问贡献是否是技术性的

欧洲使用不同的语言，但遇到了相关的实际挑战。根据《欧洲专利公约》，计算机程序和数学方法“本身”被排除在外。然而，当相关特征有助于发明的技术特征并有助于解决技术问题时，计算机实现的发明仍然可以获得专利。

EPO 的 2026 年指南指出，人工智能和机器学习模型本质上是抽象数学。它们的使用不会自动使发明失去专利权。当应用于技术目的或适应特定的技术实现时，它们可以做出贡献。

欧洲专利局提供了有用的例子。心脏监测设备中用于识别不规则心跳的神经网络可以做出技术贡献。基于低级信号特征的图像、视频、音频或语音分类也是如此。相比之下，仅根据文本的语言内容对文本进行分类并不自动成为技术目的。

全球范围内不存在单一的“软件专利”规则。这很不方便，但起草的教训很简单：足够彻底地描述真实的工程，以便不同的法律框架都能看到它。

四句话揭示差异

比较这些对。

弱项：“利用人工智能减少能源消耗”

该声明包含一个目标和一个流行的工具，但没有发明。什么消耗能量？观察到哪些信号？模型预测什么？哪些物理操作发生变化？为什么这一变化会减少消耗而不是仅仅报告消耗？

更强：工业冷却系统的自适应控制

系统接收温度、压力、流量和压缩机状态数据；生成近期热负荷预测；根据设备限制约束预测；并改变压缩机排序以减少峰值需求，同时保持规定的温度范围。现在可以搜索和描述模型、控制回路、约束和设备交互。

弱点：“对最佳供应商进行排名的算法”

这可能在商业上有用，但根据商业数据对业务选项进行排名看起来更接近于抽象的决策过程。

更强：变化的无线电干扰下的网络路由

该方法以定义的时间间隔测量信道状况，根据链路级数据生成拥塞估计，在延迟约束下跨路由分配数据包，并在超过阈值时更新路由表。专利声明不再是“选择最佳选项”。它与通信系统的操作相关。

这两个更强有力的例子都不能保证获得专利。他们只是越过了从口号到机制的界限，这就是专利问题值得提出的地方。

“它使用神经网络”并不是一种披露

人工智能应用程序有一个特殊的起草陷阱：模型变成了所有有趣工作发生的确切句子中的黑匣子。我经常看到相同的快捷方式。

“模型生成优化的输出”几乎没有告诉读者什么。有用的草案可能需要解释：

• 输入代表什么以及如何获得；
• 预处理和特征构建；
• 相关模型架构或处理阶段；
• 如何进行训练和推理；
• 约束、阈值、反馈或后处理；
• 输出如何改变技术系统；和
• 哪些替代方案产生相同的技术效果。

并非每个应用程序都需要源代码、精确权重或完整的训练数据集。但如果效果取决于特定的数据集特征，则可能需要披露这些特征。欧洲专利局特别指出，当技术人员在没有过度负担的情况下无法以其他方式确定训练数据特征时，应解释再现技术效果所需的训练数据特征。

同样的原则也适用于人工智能之外：不要隐藏“自动”一词背后的创造性。

模型本身可以成为发明吗？

有时，申请人希望将经过训练的模型作为与使用该模型的系统分开的对象来保护。这可能很困难。

模型可以被表征为数学参数、数据结构、计算机可读实现、训练方法、推理方法或较大设备的一部分。这些不是可互换的专利权利要求策略。他们的待遇也因司法管辖区而异。

实际上，当您能够解释至少其中一项时，情况通常会更充分：

• 该模型的具体技术用途；
• 适应技术限制的模型架构；
• 产生明显技术效果的培训过程；
• 改进硬件或其他技术系统操作的特定部署；或
• 计算机级别的改进，例如内存使用、处理分布、安全性、延迟或资源消耗。

EPO 的数学方法指南给出了一个异常具体的例子：当实现利用计算平台的架构时，将数据密集型训练步骤分配给 GPU 并将准备步骤分配给 CPU 可以有助于提高技术特性。 “更快的人工智能”是模糊的。使用硬件来实现改进的明确方法要有用得多。

使用 AI 参与研发时，也别忽略发明人认定

还有第二个人工智能问题与该技术是否合格无关：谁发明了它？

根据美国专利商标局 2025 年 11 月修订版指南，只有自然人才能被指定为发明人。人工智能系统被视为工具，普通法律标准适用于构思所要求发明的人类。

在研究或开发过程中使用人工智能并不会自动阻止专利。它确实使文档变得有意义。记录团队发现的技术问题、人们做出的决定、哪些建议的输出被接受或拒绝，以及所要求的解决方案是如何形成的。

专利不应该变成每一个提示的日记。该公司仍然应该能够解释其专利主张背后的人类概念。

搜索的不仅仅是产品名称

软件创始人经常搜索其产品类别的名称，但一无所获，然后就感到放心了。我会感到怀疑。相关现有技术可能在完全不同的市场中描述相同的机制。

云作业的队列管理技术可能类似于电信中使用的调度。欺诈检测功能可以与工业传感器中的故障检测共享架构。推荐模型在零售业中可能看起来很新颖，但在媒体排名中却很常见。

分几个层面寻找技术机制：

1. 结果。 系统实现了什么？
2. 方法。 什么序列或模型产生该结果？
3. 架构。 哪些组件交换哪些数据？
4. 限制。 正在克服哪些技术限制？
5. 效果。 什么变得更快、更安全、更准确、资源占用更少或物理上有所不同？

Patenta 可以让您用普通语言描述该机制，并按跨司法管辖区的含义搜索专利文档。一旦找到最接近的系统，您就可以将它们的功能与您的系统进行比较，并将差异写入结构化草稿中，而不是从空白文档重新启动。

专利数据库并不是现有技术的全部。对于软件和人工智能来说，论文、标准、文档、会议材料、开源存储库和早期的公共产品也可能很重要。将专利检索作为一个强有力的起点，而不是承诺不存在其他任何东西。

决定什么属于专利，什么不属于专利

专利并不是保护软件产品的唯一方式。

• 版权保护源代码和其他原始表达，而不是底层函数。
• 商业秘密保护可能适合模型权重、内部评估方法、数据清理过程或可以保密的服务器端技术。
• 专利可以保护所主张的技术方法或系统，即使竞争对手编写了不同的代码。

商业问题是披露是否值得潜在的权利。如果某个进程在您的服务器上不可见并且难以从外部检测到，那么对其保密可能是更强有力的举措。如果发明在产品、标准、API 行为或设备中可见，专利保护可能更有价值。

答案也可以是一个组合：为具有外部意义的技术架构申请专利，对调优方法和操作数据保密，并依赖代码本身的版权。

实用的起草清单

在开始起草软件或人工智能专利申请初稿之前，请写下：

1. 技术问题。 避免仅描述业务目标。
2. 系统上下文。 识别涉及的设备、服务、传感器、处理器、网络或存储。
3. 处理路径。 跟踪数据从输入到技术输出的过程。
4. **创造性区别。**说明此处发生的最接近的现有技术未教导的情况。
5. **技术效果。**解释操作改进以及所要求保护的功能如何产生它。
6. **实施。**包含足够的细节以防止关键步骤成为黑匣子。
7. 替代方案。 记录不同的架构、模型、阈值和部署安排。
8. 证据。 保留基准、模拟和设计推理，而不会发明您没有的结果。
9. 人类的贡献。 当人工智能工具参与开发时，保留实用的发明记录。

这足以开始有意义的搜索和初稿。草案会告诉你，无需太多外交，解释仍然依赖于标签而不是工程。

底线

软件、算法和人工智能模型并不完全排除在专利制度之外。它们也不能仅仅因为它们是新代码而获得专利。

最有力的候选者是具体的技术解决方案：您可以将其解释为系统或方法，与现有技术区分开来，连接到技术效果，并公开足够的细节以供实施。

不要以“我们使用人工智能”开头。从问题、机制以及机制产生的变化开始。

认为你的软件或 AI 系统包含值得申请专利的技术发明？在 Patenta 中描述其工作原理，搜索最接近的现有技术，再把仍然成立的技术差异整理成结构化初稿。