§112正成为AI专利核心战场

美国专利实务观察|AI Patent Practice

Section 112 正成为 AI 专利核心战场

知一|May 2026

01风险正在叠加，而不只是转移

过去几年，谈到美国 AI 专利，很多人第一反应都是 §101——这个方案会不会被认为只是抽象概念？是不是只是把一个数学方法放到计算机上执行？是不是只是“用 AI 做某件事”？

最近，另一个更基础的问题正在同步上升：

这就是 35 U.S.C. §112(a)。

§101 关心的是“这能不能成为专利保护对象”；§112(a) 追问的是“你有没有真正公开这个技术方案”。

对 AI 专利来说，这个问题尤其尖锐。因为很多 AI 发明的价值不在一句“使用神经网络”，而在训练数据、模型结构、损失函数、参数选择、评分规则和推理逻辑里。

如果说明书只写“通过机器学习提高准确率”“利用神经网络优化预测结果”“基于 AI 模型判断异常行为”——这些话看起来像技术方案，但在 §112 下可能只是技术愿望。

这个趋势在 2025 年 USPTO 内部已经显现。Ex parte Desjardins 案中，USPTO 的 Appeals Review Panel（ARP，上诉复议小组）明确指出：§§102、103、112 才是限定专利保护范围的“传统且合适的工具”。该决定已于 2025 年 11 月 4 日 被列为 precedential（先例性决定）。

但这并不意味着 §101 风险消失。

同年 4 月，Federal Circuit（联邦巡回上诉法院，CAFC）在 Recentive Analytics, Inc. v. Fox Corp.（134 F.4th 1205, Fed. Cir. 2025）这一 precedential（先例性）判决中，首次明确处理了一个机器学习专利适格性问题——仅把既有机器学习方法应用到新的数据环境，是否足以通过 §101。法院给出的答案是否定的。法院沿用既有 §101 规则指出，其核心意思可以概括为：抽象概念不会仅仅因为被限制到某个使用领域或技术环境，就变成非抽象的技术方案。Recentive 后续向最高法院申请 certiorari（调卷令），最高法院已于 2025 年 12 月 8 日拒绝受理，Federal Circuit 的判决因此维持有效。

换句话说：

这两条线放在一起，对申请人的实际含义不是“§101 风险下降了”，而是：

需要说明的是，§101 和 §112(a) 是两个独立的法律问题。这里说的“双重门槛”，是 AI 专利实务上两者相互牵连，而不是把两者合并成同一个审查标准。

而后者——§112(a) 的披露问题——正是 PTAB 在最近几个 AI 上诉决定中反复传递的信号。

02三个代表性 PTAB 上诉决定：一个过了，两个没过

Reuters（路透）在 2026 年 3 月发布的一篇 attorney analysis（律师专业评论） 文章，集中分析了三个具有代表性的 PTAB ex parte appeal decisions（单方上诉决定）。它们并不构成统一的新规则，但很清楚地展示了 PTAB 在 AI §112(a) 问题上的判断边界——什么时候可以概括，什么时候必须展开。

先把术语说清楚：美国 §112(a) 主要包括 written description（书面描述）、enablement（可实施性） 和 best mode（最佳实施方式） 三项独立要求；本文重点讨论前两项。到了欧洲，对应问题通常落在 Article 83 EPC 的 sufficiency of disclosure（充分公开） 上。这两套体系的法律标准并不等同，下文不混用。

Kirti：为什么这个 AI 专利过了？

涉案权利要求是用机器学习模型，根据用户数据判断该用户属于哪个聚类组（cluster）。审查员一开始认为说明书没有披露具体算法，不满足 written description 要求。

PTAB 撤销了拒绝。

关键在于，申请文件并不是只说“用机器学习做聚类”，而是披露了——训练集（training sets）的具体内容、训练的输入与输出、如何利用这些训练数据去构建所声明的聚类模型。PTAB 的逻辑是：相关训练方法属于本领域已知技术，本领域技术人员可以选择适当模型（如神经网络或线性回归）并基于披露重建模型。

Allen：为什么“实现目标”不等于“披露发明”？

这个案件涉及医疗数据处理：用自然语言处理（NLP）识别患者医疗信息，生成患者用药清单，并通过评分规则判断某些药物是否应当被移除。听起来很像今天许多 AI 医疗、AI 临床辅助决策、AI 风险评分系统的写法。

PTAB 维持了 §112(a) 拒绝。

说明书的确写了使用 “artificial intelligence logic, such as natural language processing based logic”（即“人工智能逻辑，例如基于自然语言处理的逻辑”）和 “machine learning logic”（“机器学习逻辑”）——比纯粹的“裸披露”已经详细。但 PTAB 认为这种描述过于一般化：说明书没有解释这些已知 AI 技术如何被实际用于实现权利要求中的具体结果——也就是“如何根据所列因素决定是否从用药清单中移除某种药物”这一步。

（同向参照）更早的 Ex parte Buhrmann（2020）也是同向问题：申请人对 risk score 只披露“加权参数”和“权重值代表参数的重要程度”，PTAB 同样判定缺乏书面描述。这是 Allen 之前的一个同向信号。

Lev：为什么 GAN 也救不了？

涉案技术是使用生成对抗网络（GAN）进行无监督异常检测。申请人主张：GAN 已经是成熟技术，说明书不需要详细披露底层网络结构，重点应当放在新的数据处理方式上。

PTAB 没有接受。

PTAB 认为，说明书缺少关键实现细节——损失函数（loss function）、伪代码、参数、权重、系数、架构布局、未标注数据的使用、收敛和稳定性分析；同时缺少能够说明方案可工作的实施例。

这给所有打算用 GAN、强化学习、大模型微调、扩散模型、AI 药物筛选、AI 材料发现等“复杂 AI 路线”的申请人发了一个非常清晰的信号：

特别是当模型行为高度依赖训练数据、目标函数、参数选择和训练过程时，仅说“采用 GAN 进行异常检测”无法让本领域技术人员稳定复现。

而美国 enablement 的核心标准——按 MPEP §2164 和 Wands factors（Wands 案确立的可实施性判断因素）——不是“是否需要实验”，而是“是否需要过度实验（undue experimentation）”。AI 技术的可预测性本来就低，再缺训练细节、参数范围和实施例，“过度实验”这条线就会被很快越过。

03一条真正的分界线

把 Kirti、Allen、Lev 放在一起看，PTAB 给出了一条非常实用的判断线：

这条线看似简单，但在实务中非常容易被忽略。

许多申请人在撰写 AI 专利时，会把发明点包装成宽泛的功能结果：

如果这些问题没有答案，说明书就只是一份“AI 愿望清单”。

这也是为什么 AI 专利的撰写，正在从功能导向转向工程导向——过去软件专利可以围绕流程写（采集 → 处理 → 生成 → 输出），但 AI 专利越来越需要围绕工程因果链写。

而且，这条 §112 分界线和上文的 §101 双轨之间是强耦合的：要证明“具体技术实现或技术改进”以躲过 Recentive 路径下的 §101，说明书就必须实际披露这个改进；而这个披露同时要满足 Lev 路径下的 §112(a)。两个维度互相校验，单边偷工是行不通的。

04中国申请人最容易踩的高危写法

把上面这条分界线映射回我们日常处理的中国本土稿件，几类表达频繁出现且高度暴露：

这些写法在中国国家局阶段未必致命（尤其当 claim 写得相对具体时），但一进入 PCT 国家阶段，特别是 US 与 EP，几乎是 §112(a) / Article 83 EPC 的标准失分点。

更重要的是：§112(a) 的补救空间极小。原始申请没披露，后期答复就基本回不来——后期答复只能解释原始公开内容，不能凭空增加申请中没有披露的技术细节。

所以 AI 专利的交底和撰写必须前置。企业在立项交底时，不能只给代理人一页产品介绍或算法效果图，而应当提供更接近研发文档的材料：训练流程、数据说明、模型结构、实验结果、失败方案和参数选择理由。

05AI 专利说明书的“五要素”清单

对于准备布局美国或欧洲的 AI 专利，说明书至少要回答下面五个问题：

当权利要求带有功能性表述（“configured to …” “for …”，即“被配置为......”“用于......”）时，说明书应同步提供至少一个完整的实现实施例，避免被援引到 Amgen 案（即 Amgen v. Sanofi，598 U.S. 594）路径上压回到“功能性属”问题。

延伸观察 1Federal Circuit 也在沿同方向审查

In re Starrett（2023，nonprecedential，即非先例性判决）涉及用机器学习处理生物系统数据，恢复图像、声音或感觉等多种表征形式。PTAB 维持 examiner（审查员）的 enablement 拒绝，Federal Circuit 维持。claim 1（独立权利要求 1）包含 47 个 “or” 从句——典型的用穷举代替披露。

Starrett 是 nonprecedential decision（非先例性决定），事实较为特殊，不能单独证明 Federal Circuit 已形成专门的 AI §112 路线。但它提醒申请人：宽泛功能性 claim 一旦缺少可实施支撑，在 CAFC 层面同样可能遭遇 Amgen / Wands 路径下的 enablement 审查。

延伸观察 2欧洲会更严吗？

在训练数据、模型结构和技术效果可复现性问题上，EPO 的若干 TBA（Technical Board of Appeal）决定显示出比美国审查实践更强的披露敏感度：

实务上可以归纳出一个三件套——模型结构 + 训练数据特征化 + 技术效果因果链。但要说明的是：这是实务总结，不是 EPO 官方列出的固定法律测试。EPO 实际上会根据案件具体情况，从《欧洲专利公约》Article 83（充分公开）、Article 84（权利要求清楚和简明）和 Article 56（创造性）不同角度处理这些问题。

06结语

AI 专利的未来，不是不能授权。

但申请人不能一边要求宽泛垄断，一边只公开模糊结果。

AI 的商业价值可能来自黑箱。但专利制度的基本逻辑，是 公开换保护。

这就决定了，AI 专利的核心竞争力，已经从“会不会把 §101 写过去”扩展到一个更系统的问题——能不能在说明书中建立一条完整的技术因果链：

未来高质量 AI 专利的标准，会越来越接近一句话：

对企业来说，这意味着技术交底要更工程化。

对代理人来说，这意味着撰写不能停留在流程图和功能模块。

对投资人和法务来说，这意味着判断 AI 专利价值时，不能只看授权数量，更要看说明书是否真正支撑权利要求。

§101 没有退场，§112 正在补位。

真正危险的是——你以为自己申请的是一个技术方案，但说明书里留下的，只是一个技术愿望。

REFERENCES|主要来源

▸ Sasha S. Rao & Todd M. Hopfinger, Disclosing the undisclosable: Section 112(a) challenges for artificial intelligence patents, Reuters / Westlaw Today (Attorney Analysis), Mar. 6, 2026.

▸ Ex parte Kirti, Hong & Cho, Appeal No. 2020-000527, 2021 WL 2103251 (P.T.A.B. May 21, 2021).

▸ Ex parte Allen, Bishop, Chung & Scheiber, Appeal No. 2020-005211, 2021 WL 5756073 (P.T.A.B. Dec. 2, 2021).

▸ Ex parte Lev, Ninio & Sar Shalom, Appeal No. 2023-001664, 2024 WL 3220638 (P.T.A.B. June 28, 2024).

▸ Ex parte Desjardins, Appeal No. 2024-000567 (A.R.P. Sept. 26, 2025), designated precedential Nov. 4, 2025.

▸ Recentive Analytics, Inc. v. Fox Corp., 134 F.4th 1205 (Fed. Cir. 2025); cert. denied, No. 25-505 (U.S. Dec. 8, 2025).

▸ In re Starrett, No. 2022-2209, 2023 U.S.P.Q.2d 684 (Fed. Cir. June 8, 2023) (nonprecedential).

▸ USPTO MPEP §§2161, 2164.

▸ EPO TBA decisions T 1539/20, T 0161/18, T 0606/21, T 1191/19.

—— END ——

「知所以｜Patent Ergo」

讲专利，更讲所以然。

作者｜知一