AI专利：保护对象与申请准备要点

人工智能专利保护不限于新模型架构，还可涉及数据处理、训练数据生成与选择、训练方法、检索与生成结合、推理资源管理、分布式训练及设备控制。采用已知模型或公开代码库时，也可评估其中新增的技术改进。

申请应从具体技术方案出发，而非仅说明功能名称。需要梳理输入、处理流程、组件协作方式及对现有方法局限的改进，再结合现有技术评估新颖性与创造性，并确认说明书能够支持所请求的保护范围。

本指南面向了解人工智能训练、推理、微调、嵌入及RAG等基本概念的研究人员、开发者和技术管理者，以韩国申请为中心，使用假设实例说明保护要点。具体技术能否获准授权，仍需结合申请时的现有技术、实施方式及权利要求分析。

在韩国，AI相关发明依照计算机相关发明的审查标准进行判断。除数学原理或抽象构想外，还需分析软件信息处理是否通过硬件得到具体实现；仅在权利要求中加入计算机或服务器，并不足以满足要求。

仅提出“根据用户偏好推荐内容”，不同于说明如何将输入历史转为特征表示、生成候选结果，再结合延迟或资源限制进行选择。即使技术实现已具体化，仍需分别判断新颖性与创造性。

新颖性应与申请前已公开的现有技术比较，包括专利文献、论文、会议报告、技术文档、开源代码及产品公开资料。企业内部首次采用的技术，并不当然属于专利法意义上的新技术。 

创造性审查关注本领域技术人员能否从现有技术容易地得到相关技术方案。仅选择已知模型、增加已知模块或用AI自动执行既有任务，未必足够；应说明具体组合关系、克服的技术困难及产生的效果。

性能改善并不自动意味着具备创造性。应判断改善来自更多数据或计算资源，还是来自所要求保护的技术特征。技术效果也不限于准确率；与技术问题相关的延迟、内存占用、通信量、错误恢复及设备控制稳定性，同样值得分析。

说明书应使本领域技术人员能够实施发明，充分说明输入输出、数据特征、预处理、模型或训练方法及推理流程。权利要求应清楚、简明，并得到说明书支持。 

这并不意味着每件申请都必须公开全部源代码或模型权重，但不能省略实施核心技术所必需的信息。应区分公知技术与自主改进，确定说明的深度。

不同传感器的采样周期或通信延迟，可能导致不同时间点的信息被合并为同一输入。例如，可在联合分析旋转设备振动与电流时，识别工况变化的参考事件、对齐时间轴，并对不确定区段设置掩码。

应审查参考事件检测、时间差估计、校准可靠性计算、掩码生成及后续模型使用方式。需要说明适用条件与具体标准，并与既有插值、同步方法比较，评估传感器缺失或任务切换时的效果。

申请资料可包括原始信号类型、采样周期、延迟范围、对齐失败的处理，以及训练与推理阶段是否采用相同处理。以预处理为核心的发明，应明确原始数据如何转换为训练或推理输入。

微小缺陷检测需要平衡分辨率与处理速度。例如，可根据图像纹理和拍摄条件选择候选区域，仅对选定区域进行高分辨率分析，再融合全局与局部特征。

关键在于候选区域选择、区域扩展、去重及特征融合的具体关系。可在相同检测性能下比较处理量与漏检率，并确保输入分辨率和设备条件一致。

即使在主动学习中,即选择和标注不确定数据时,具体选择和更新方法也需经过审查. 一个例子是通过评价预测不确定性来选择样本的结构,按产品组分稀有,与现有样本的冗余程度,以及传感器状态,并根据结果调整下个周期的样本预算.

应整理选择分数的计算、候选样本排除条件、标注预算分配，以及选择结果用于训练的顺序，并在相同标注预算下比较性能或重复选择的减少情况。

使用生成模型补充不足的数据时，还需验证生成结果是否适用。例如，以工艺条件和材料信息作为生成条件，将缺陷形状、位置与物理可行范围比较，仅将通过验证的数据用于训练。

保护要点可涉及生成条件、验证规则、不合格数据的剔除或重新生成，以及与真实数据混合的流程。还应区分验证过程与实际测试数据，说明各步骤的必要性。

图像、音频或振动等输入的质量可能不一致。可单独评估输入质量，据此调整特征权重或处理路径，并在传感器缺失时切换到替代路径。

应说明各输入的表示方式、质量信号计算、融合位置、门控行为及训练时的连接关系，并与简单拼接、平均或常规注意力机制比较，评估输入质量下降时的性能和额外计算成本。

说明组件如何相互作用，比为架构赋予新名称更重要。撰写权利要求时，应区分可由其他模块替代的部分，以及维持解决原理所必需的连接关系。

训练目标的调整也可能构成保护要点。例如，根据近期训练区间的错误类型更新各损失项权重，并在出现不稳定指标时限制更新幅度，以适应不同产品线或工况下的错误严重程度。

使用公式时，应说明变量含义及其与实际训练循环的关系，包括统计量来源、更新间隔及应用方式，并区分其与已知损失函数选择或常规参数调优的差异。

对公开模型进行微调时，也可能产生新的技术方案，但仅采用LoRA等已知方法未必足够。应分析任务适配器的选择、共享、加载与切换方式。

例如，可对输入任务分类，仅将所需适配器加载到内存，复用共享部分，并在切换时验证缓存。适配器训练与运行时选择的技术特征和实施主体可能不同，宜分别分析。

知识蒸馏可选择与任务相关的特征区域，并根据学生模型的薄弱阶段调整所参考的教师信号。应审查特征选择标准、师生模型的对应关系及损失项组合。

说明压缩效果时，除模型文件大小外，还应在相同设备上比较延迟、内存占用及各任务的性能损失，并解释压缩率提高后增加的错误及其缓解措施。

企业文档分块可能将正文与例外条件分开。可利用标题层级、引用标识及产品适用信息连接相关片段，再根据问题类型检索相应片段组。

保护要点可包括分块边界、关联信息存储、检索扩展规则及无关上下文排除条件，并与固定长度分块或已知分层检索比较。评价指标可包括证据召回率、上下文长度及响应延迟。

相似度较高的文档未必构成有效依据。可先排除产品版本或适用时间不符的文档，再将答案中的陈述与证据片段对应，对不匹配部分追加检索或拒绝输出。

应审查适用条件提取、文档有效性判断、陈述分解、验证标准、再次检索范围及终止条件。除准确性目标外，还应说明验证成本及不必要输出拦截的控制方法。

应区分提示语文字表达本身与构建提示的计算机处理技术。例如，对输入错误分类，按类别选择工具规范与示例，在词元预算内组织提示，并将输出结构检查结果反馈至下一次输入。

应说明输入分析、示例选择、上下文优先级、格式违规判定及重试调整之间的关系，并区分具体技术改进与单纯修改提示措辞或常规组合已知提示技术。

智能体调用外部工具时，重复执行或部分失败后的状态不一致可能造成问题。可将执行标识与状态信息关联至工具调用，在响应中断后检查完成情况、确定重试范围，并在故障时恢复到特定状态。

还需检索分布式处理及事务技术领域的现有技术。仅连接大语言模型，并不使既有恢复机制自动成为新发明；应说明计划生成、工具执行与状态核查如何协同解决具体问题。

量化可能增加特定层或输入的误差。可结合各层敏感度和设备运行条件分配精度，并在推理中检测到特定错误信号时，仅对相关区段进行高精度重新计算。

应说明敏感度估计、精度分配、切换条件及重算范围，与既有混合精度技术比较，并测量精度切换成本。仅使用不同位宽，不当然构成充分的技术差异。

反复使用相同上下文时，缓存会影响处理成本。为避免文档更新后仍复用旧表示，可记录上下文片段及其依赖项的版本，仅使受影响的缓存失效。

应说明依赖关系、变化检测、失效范围、重算顺序，以及模型或适配器变更时的处理，并与常规缓存方案比较内存占用、延迟及错误复用的减少情况。

可根据终端温度、电池状态和通信延迟调整推理位置。例如，估计候选分割点的计算量与传输量，选择适合当前条件的分割点，并在通信失败时启用终端内的替代路径。

推理分割及常规资源优化可能属于已知技术，应进一步分析特定模型的中间表示、设备内存结构及切换时的状态保持方式，并说明切换延迟与网络恢复后的处理。

例如，机器人可结合摄像头与触觉传感器预测物体滑移，并根据物体的承受限度调整抓握力。应说明传感器特征融合、预测置信度、允许力计算及控制量更新之间的关系。

采用强化学习时，应结合发明特点说明智能体、环境、状态、动作与奖励的关系，以及实际设备的允许运动范围如何约束探索，并明确不确定情况下的处理路径。

工艺状态预测与根据预测控制生产条件，可能各有技术特点。存在控制延迟时，可将历史控制信息与延迟纳入状态表示，并根据预测不确定性限制控制量变化幅度。

应说明模型输出、控制指令、设备响应及下一轮输入如何衔接，评估是否解决实际控制稳定性问题，并比较质量波动、控制量振荡及异常恢复时间等指标。

医学影像技术可涉及成像条件校正、感兴趣区域分割、多幅影像配准及不确定性表示。例如，可根据拍摄条件选择校正模型，并输出分析结果及其置信度。

在韩国，针对人体的手术、治疗及诊断方法，需要单独审查其产业上的可利用性。应根据权利要求的实质内容区分信息处理设备与医疗行为方法，不能仅通过改变名称获得保护。专利授权与医疗器械审批、临床有效性属于不同问题。

各机构的数据分布和通信条件不同时，可根据更新偏差及验证可靠性确定聚合比例，并为通信不稳定的机构调整所传输的参数范围。

应说明聚合标准、更新的选择与排除、延迟更新处理及重传条件，并明确各步骤由中央服务器还是参与机构执行。不共享原始数据并不当然解决隐私问题，还需具体说明信息泄露风险及处理方式。

运行时性能下降可能源于传感器故障、环境暂时变化或新数据类型。可结合输入统计、传感器状态及延迟取得的真实标签所显示的错误模式，判断原因，并选择检查、预处理更新或部分重新训练。

保护要点在于原因判断与应对措施之间的联系，而非仅提供监控界面。还可分析新模型通过验证后部署、超出运行条件时回滚等机制，并区分其与常规部署自动化的差异。

应区分数学公式或抽象算法本身，与利用它们实现具体信息处理的发明。是否属于可保护的发明，需结合权利要求整体判断，不能仅因包含公式就作肯定或否定结论。应说明公式如何参与实际输入的处理、存储、计算或控制。 

数据数量多或训练所得权重不同，并不当然使整个数据集或权重文件获得专利独占保护。应分析数据生成、转换、选择与使用方式，或模型的具体结构和功能。以训练后模型为保护对象时，还需审查其界定方式、发明成立条件及说明书要求。 

数据使用合同、著作权、商业秘密管理及专利保护属于不同问题。申请专利并不当然赋予使用训练数据或外部模型的权利。

仅说明“用AI提供咨询”“用AI定价”等商业用途，并未明确具体技术差异。应说明输入处理、模型连接及结果利用方式；商业成果本身不能替代技术特征的分析。

AI辅助发现新材料、化合物或机械结构，而申请保护的是该成果时，仍需满足相应领域的专利性与公开要求。应评估预测结果能否充分支持可制造性或所述效果；使用AI不能替代对新颖性、创造性及可实施性的判断。 

首先明确现有方法在哪些数据或环境条件下失效，而非仅笼统说明准确率低。整理对比文献、开源代码及现有产品的处理流程，有助于识别技术差异。

接着说明具体改变了哪些技术配置，例如预处理标准、模型连接或推理路径，并区分系统整体功能与各候选发明的核心技术特征。

应整理数据类型、采集环境、标签定义、预处理及数据划分标准，说明数据特征如何关联预测或控制目标。仅罗列多种输入，不能充分解释输入与输出的关系。

若创新在于模型结构，应说明模块连接、输入输出及训练和推理的区别；若在于训练方法，应说明损失函数、样本选择、更新顺序与终止条件；若在于应用关系，则应重点描述输入组织与输出利用，而非重复公知模型细节。

应选择与所述效果对应的指标，例如缺陷检测的漏检率和误检率、RAG的证据适切性与响应延迟，以及部署技术的内存占用和通信量，不宜仅用准确率解释全部效果。

应记录模型规模、训练时间、设备、输入长度、批量大小及数据划分等对比条件。移除或替换新增结构的试验，有助于说明各部分的贡献，并应明确区分实测结果与预期效果。

应评估同一解决方案能否适用于其他模型、传感器或部署环境，区分必要特征与可选实现，避免不必要地限缩保护范围。但未经充分说明的变体，并不能自动扩大有效保护范围。

关键数值应说明选择理由及适用范围，并区分其是某一产品的偶然取值，还是解决技术问题所必需的条件。

专利保护范围以权利要求记载的内容为准，因此应确保所述技术效果与要求保护的特征对应。遗漏核心特征，或加入过多无关步骤，都可能影响实际商业保护。 

应区分仅在训练服务器上运行的特征与客户设备推理时使用的特征。模型训练、提供及服务运营由不同主体承担时，适合保护的对象也可能不同。方法、装置、系统及记录介质等权利要求，应结合实际实现方式评估。

分布式系统还需明确关键步骤是否分布于不同运营主体或国家。将全部步骤纳入同一权利要求是否便于执行，需要单独考虑；具有独立技术意义的服务器端和终端处理流程，可分别评估。

一项服务可能包含多项候选发明，无须机械地放入同一申请。应结合技术关联、发明单一性、公开计划及产品开发安排，考虑申请组合与分案策略，重点覆盖核心技术结构。

论文、会议报告、技术博客、公开代码仓库及产品演示都可能构成影响专利审查的公开。应在公开前评估发明与申请时间；即使韩国设有新颖性例外，也需核查条件和程序，不能假定海外制度完全相同。 

已经公开时，应保留原始资料、公开日期、内容、受众及访问限制信息，并区分保密合作与向公众开放的情形，以及已公开技术与尚未公开的改进。

哪种方法、专利或贸易秘密是适当的,取决于技术的外部可观察性、其对产品的重要性、披露的影响以及独立发展的可能性。 在专利说明书中省略必要信息的同时期望广泛的权利是不恰当的。

可以评估。采用公开模型并不排除专利保护，但应识别输入处理、训练方法、模型组合及推理运行中的具体改进，不能将公知模型结构作为自己的创新主张。模型许可条件也需单独核查。

微调效果好，并不当然满足专利条件。应分析数据组织、训练过程及适配器选择的具体差异，判断是常规应用已知方法，还是具有解决技术困难的独立结构。

应区分提示词文字本身与构建、使用提示的处理技术。可评估输入分析、上下文选择、工具规范配置、响应验证及重试控制的具体组合，不能仅凭某种措辞主张宽泛权利。

提交申请与满足授权条件并不相同。应说明相对常规RAG的具体改进，例如结合文档结构检索、核查版本有效性、验证证据及有条件地再次检索。

并非所有发明均须提供完整代码和数据，但说明应足以使本领域技术人员实施。需要根据数据特征、标签、预处理、模型关系及处理条件确定必要材料。 

成品完成并非所有专利申请的前提，但技术构思应具体、完整，且能够以可实施的方式说明。仅有目标或预期结果时，可能仍需补充设计或验证，所需依据取决于技术领域及所主张效果。

应立即整理公开内容、日期、受众、申请计划及目标国家，核查韩国新颖性例外的适用条件与程序，并评估尚未公开的改进。不能认为公开后任何时候都能申请。

韩国现行实务以自然人为发明人。使用AI工具本身不当然决定发明人资格，应查明谁在问题界定、具体方案构思、修改及验证中作出了实质创造性贡献，而非仅按职务、隶属关系或下达指令认定。 

自身技术能否获准授权，与实施时是否侵犯他人权利属于不同问题。改进发明即使取得专利，仍可能受在先权利限制。产品上市前，应另行开展目标市场的自由实施分析，并核查合同与许可条件。

可以。一项AI服务可能在数据处理、训练方法、检索结构、推理优化及设备控制方面包含不同改进，但应分析各部分的独立技术意义与关联，并结合后续开发及公开计划安排申请。

可先准备现有方法失效的条件、改变的技术配置、输入输出流程、对比结果及替代实现，再整理参考论文、开源代码、公开计划与合作各方的贡献，以提高专利分析的准确性。

人工智能专利的保护要点来自研发中的具体解决方案，例如考虑数据可靠性的输入处理、条件化训练、证据验证、适应设备限制的推理及预测与控制的连接。将其与现有技术比较，并形成可实施的说明与权利要求，是申请准备的核心。