人工智能应用类发明创造性判断的实务启示---基于第584244号无效决定的分析

一、问题的提出

随着人工智能（AI）技术的快速发展，人工智能应用类发明的数量显著增加，其创造性判断成为专利审查与司法实践中的难点。实践中常见的情形是，审查员或请求人通常认为，既然AI模型本身已知，那么将其应用于特定场景便不具备创造性。这种观点忽略了模型训练阶段可能存在的创新，也低估了人工智能应用场景对技术问题和手段的塑造作用。

本文以第584244号无效决定（2025年度复审无效十大典型案例之一）为研究对象，深入分析了人工智能应用类发明创造性判断的核心问题。在此基础上，从实务角度探讨了人工智能应用类发明的撰写与答复策略。

二、典型案例解读

2.1涉案专利权利要求解析

涉案专利为专利号为202410022841.6，名称为“基于音频生成动态图像的方法、装置、设备及存储介质”（以下简称本专利）的发明专利。

涉案专利的权利要求1为：

（1-1）一种基于音频生成动态图像的方法，其特征在于，包括：

（1-2）获取用户输入的参考图像和参考音频；

（1-3）基于所述参考图像和训练后的生成网络模型，确定目标头部动作特征和目标表情系数特征；所述训练后的生成网络模型用于基于输入的所述参考图像生成多个预测图像，并基于各所述预测图像和所述参考图像之间的区别，确定目标头部动作特征和目标表情系数特征；

（1-4）基于所述目标头部动作特征和所述目标表情系数特征对所述训练后的生成网络模型进行调整，得到目标生成网络模型；

（1-5）基于所述参考音频、所述参考图像和所述目标生成网络模型，对待处理图像进行处理，得到目标动态图像；所述目标动态图像表征所述待处理图像中目标人物基于所述参考音频变化面部表情的动态图像；所述待处理图像与所述参考图像中的图像对象相同；所述目标生成网络模型用于基于输入的所述参考音频和所述参考图像得到目标驱动特征，并基于所述目标驱动特征对输入的所述待处理图像中的目标区域进行驱动以输出所述目标动态图像。

2.2无效决定要点

（1）合议组关于权利要求1技术方案的理解

权利要求1 的技术方案是基于目标人物的单张图片和音频数据并利用神经网络模型得到目标人物的动态图像，具体技术手段包括权利要求1 中的特征（1-1）至（1-5），其中特征（1-3）描述了训练后的生成网络模型的处理对象为用户输入的参考图像，以及模型生成的结果为目标头部动作特征和目标表情系数特征，特征（1-4）描述了利用特征（1-3）生成的结果对生成网络模型进行调整；可见特征（1-3）-（1-4）描述的是对神经网络模型进行调整的过程，其属于神经网络模型的模型训练阶段。特征（1-5）描述了神经网络模型的处理对象为参考音频和参考图像以及待处理图像，模型的生成结果为目标动态图像，该生成的结果即为目标对象的动态图像，属于模型应用阶段。

（2）无效决定要点原文

涉及人工智能应用的技术方案通常包括模型设计、模型训练、模型应用三个阶段。面对涉及人工智能应用的权利要求时，应站位本领域技术人员，从处理目的、处理对象、处理结果、结果使用等方面准确理解权利要求的技术术语，确定权利要求记载的技术手段的所处阶段，进而准确地判断本专利和现有技术记载的技术方案的异同。

模型训练阶段是涉及人工智能应用的技术方案中特定而重要的部分。如果涉及人工智能应用的权利要求的技术方案与最接近的现有技术虽用于相同的场景但采用了不同的模型训练方法，现有技术整体上未给出改进模型训练方法的启示，且上述不同的模型训练方法使得该权利要求的技术方案相对于现有技术获得了诸如模型输出结果更精确或模型训练成本更低的有益的技术效果，则权利要求的技术方案具备创造性。

（3）无效决定结果

该无效决定最终维持本专利权有效。

2.3无效决定要点解读

（1）阶段划分与识别是正确适用“三步法”进行创造性判断的前提

在解读涉及人工智能应用类发明的权利要求时，应当从处理目的、处理对象、处理结果、结果使用四个维度，确定技术手段所处的阶段。准确识别技术手段所处阶段是避免与现有技术错误对比的前提。如果未能准确识别权利要求中的技术手段属于“模型设计、模型训练、模型应用”中的哪个阶段，就可能将训练阶段的创新特征错误地归入应用阶段，从而得出仅是将已知模型应用于相同场景的结论，导致创造性被低估。

此外，技术手段所处的阶段的识别也是确定区别技术特征及其实际解决的技术问题的基础。

只有先识别出技术手段所处阶段，才能将其与现有技术中同一阶段的手段进行实质对比，进而准确区别特征以及实际解决的技术问题。

简言之，技术手段所处阶段的合理识别是避免“事后诸葛亮”、准确评价人工智能应用类发明创造性的逻辑起点。

（2）模型训练阶段创新的独特性

模型训练阶段是人工智能应用类技术方案中“特定而重要的部分”，这意味着：即使模型应用阶段的处理方式与现有技术相同或相似，只要模型训练方法存在实质性差异，且该差异带来了有益的技术效果，即足以使得该技术方案具有创造性。

在本案中，本专利采用通用预训练+单图微调的两阶段训练流程，区别于证据1的一次性训练。此外，参考图像既作为推理条件，也作为微调数据源，同一份数据在不同阶段扮演不同角色。并且通过自生成的预测图像与参考图像的对比，确定目标头部动作特征和表情系数特征，进而对预训练生成网络模型进行微调，再基于微调后的模型生成动态图像。

上述特征体现了本专利针对其实际解决的技术问题提出的特定模型训练方法，这是区别于现有技术的核心创新点。

（3）创造性判断中“整体技术启示”的考量

在判断是否“显而易见”时，现有技术整体上必须给出改进模型训练方法的具体启示。仅仅指出模型训练方法存在其他可能性，或者主观主张某种模型训练手段属于“公知常识”，并不足以否定创造性。

在本案中，请求人提交了7份证据，试图通过多篇文献的组合来覆盖本专利的全部特征。合议组逐一分析后认定：各份证据均未涉及“对训练后模型进行基于单张参考图像的微调”这一核心步骤，且证据4甚至存在反向教导，故整体上未给出技术启示。

三、对人工智能应用类发明的实务建议

3.1人工智能应用类发明的撰写建议

（1）在权利要求中区分模型训练阶段与应用阶段的技术特征，充分反映人工智能应用类发明的技术方案的创新实质。

独立权利要求可涵盖模型训练阶段的核心创新特征，并将其与模型应用阶段的结果明确区分。

从属权利要求可进一步限定具体的模型训练方式、数据处理流程。

（2）对于涉及模型训练阶段的创新，说明书需突出模型训练阶段的技术贡献

例如，在说明书的各具体实施方式应重点描述本发明特有的模型训练数据的选择与处理方式、模型训练流程中的关键参数和判断标准。如有必要，可对比通用模型训练方法与本发明模型训练方法的效果差异。

此外，在说明书中可主动说明本领域的常规模型训练方法不适用于本发明的应用场景、本发明的模型训练方法带来了哪些预料不到的技术效果等。

综上，建议在撰写说明书时为后续权利要求的争辩和/或修改提供充分的技术支持依据。

3.2人工智能应用类发明的答复建议

（1）准确把握人工智能应用类发明的权利要求的技术手段所处的阶段，在此基础上客观地判断本发明和现有技术记载的技术方案的异同，确保模型训练阶段的创新不被误判为应用阶段的常规手段。

（2）基于区别特征客观准确认定本发明实际解决的具体的技术问题，避免被审查员笼统认定的“提高模型精度”或“优化生成效果”的技术问题的误导。

在上述涉案专利中，发明实际解决的技术问题认定为“如何使得模型生成的对象更贴近待处理图像中对象”，这直接体现了模型应用时的具体改进，为后续非显而易见性的论证奠定了基础。

（3）人工智能应用类发明的创造性判断不能仅看单个技术手段本身是否已知，而应从应用场景、训练方法、数据处理方式、技术效果等多维因素进行综合评估。任何单一维度的判断都可能导致错误的结论。

在面对忽视了技术方案的整体构思的意见时，要敢于坚持，通过书面意见或电话沟通等多种方式来取得有利的审查结果。

四、结语

第584244号无效决定为人工智能应用类发明的创造性判断提供了清晰的指引。面对人工智能应用类发明，需要准确把握模型各阶段的创新特征，并善用模型阶段划分、技术问题重构、整体启示判断等策略，才能争取与发明技术贡献相匹配的专利保护。