.png?width=500&height=250&name=%E7%9F%A5%E7%9A%84%E8%B2%A1%E7%94%A3%E4%BA%8B%E5%8B%99%E6%89%80%E3%82%A8%E3%83%9C%E3%83%AA%E3%82%AF%E3%82%B9%20(500%20%C3%97%20250%20px).png)
“通过协调多个AI代理来解决复杂任务”——在当前备受瞩目的多代理AI领域，Salesforce公司提交的一项美国专利申请已公开（US2025/0265443...
随着以ChatGPT为代表的生成式AI的普及，全球范围内围绕“AI代理”——即AI能够理解目标、制定计划、操作外部工具并自主执行任务——的开发竞争日益激烈。“专利”是保护这项尖端技术免遭模仿的手段，但不少开发者和经营者仍存有疑问：“AI代理真的能获得专利吗？”“其他公司都申请了哪些专利？”
本文将由精通AI领域的专利代理人，通过对比日本（JPO）、美国（USPTO）和欧洲（EPO）的实际专利案例及官方审查案例进行详细解读。通过谷歌的Transformer专利、OpenAI的工具集成专利、DeepMind的外部内存专利等经过验证的实例，本文将介绍将AI代理技术转化为专利权的具体要点。
本文为“案例篇”。关于AI智能代理专利的基本要件（新颖性、创造性、可实施性），请一并参阅姊妹文章《AI智能代理技术能否申请专利？审查标准与获得专利权的要点》。
目录
什么是AI代理专利？阅读案例前的基础知识
首先需要明确的是，AI的推理算法（数学公式）本身，原则上在任何国家都不属于专利保护对象。但是，如果该信息处理通过计算机等硬件资源具体实现，并构成一项技术，则可作为“软件相关发明”获得专利保护。
就AI代理技术而言，专利授权的主要战场并非模型本身的改进，而是“如何利用LLM构建自主系统”这一系统架构与处理流程。下面，让我们具体看看在三个司法管辖区（日本、美国、欧洲）中，哪些案例获得了专利授权。
解读AI代理专利的三个视角
为了理解各国的案例，让我们先掌握三个共通的视角。
| 视角 | 日本（JPO） | 美国（USPTO） | 欧洲（EPO） |
|---|---|---|---|
| 基本理念 | 利用硬件资源进行的具体信息处理 | Alice/Mayo测试（是否属于抽象构想） | 技术性质＋技术贡献（COMVIK） |
| 关键问题 | 信息处理是否已具体实现 | 是否是对技术难题的技术性解决（实际应用） | 是否具有有助于实现技术目标的技术特征 |
| 薄弱结构 | 单纯的数据呈现·人类工作的AI化 | 在通用PC上运行抽象构想 | 数学方法、商业方法“本身” |
【日本／JPO】AI代理专利案例
在日本，AI发明作为“计算机软件相关发明”的一种接受审查。判断标准的核心在于《审查手册》附录B所指出的“信息处理是否通过软件利用硬件资源具体实现”。
日本专利局于2019年1月公布了AI相关的官方案例集，并于2024年3月新增了10个应对生成式AI及LLM时代的案例。典型案例的结论如下（均为日本专利局提供的虚拟案例）。
JPO案例：可获授权
通过新增输入变量使“预测精度显著提高”的案例（水力发电量估算）
虽然仅将传统回归模型替换为神经网络的构成本被认定缺乏进步性，但通过在输入变量中添加“河流水温”以捕捉融雪水流入，从而显著提高预测精度的构成本被判定具有进步性。技术上具有意义的输入特征和学习数据的优化是关键。
JPO案例：驳回（NG）
仅将人类工作简单替换为AI的案例（癌症分级计算）
将原本由医生手动根据血液标志物计算癌症概率的工作，仅由预训练好的神经网络替代的方案，因被视为“单纯将人类工作AI化”而被认定缺乏进步性。
JPO案例：2024年·LLM
使用生成式AI（LLM）的方案的创造性
虽然将问题输入LLM并自动生成回答的方案（如客户服务自动回复等）被认定缺乏进步性，但从相关文档中提取多个关键词生成提示词，进而生成更恰当文本的具体处理方式，因具有显著效果而被批准注册。
日本实际注册的相关专利
除了专利局的虚拟案例外，让我们再来看看实际已注册的专利。
实际专利｜日本
JP 7282070（三菱电机）｜神经网络的“压缩数据”
这是一项通过量化压缩神经网络构成信息的数据相关专利（2023年注册）。这是AI领域中“数据结构”获得专利权的案例。
实际专利｜日本
JP 7177608（小松）｜工程机械的预训练位置估计模型
这是一项利用预训练模型，通过摄像头图像推断液压挖掘机作业机构位置的系统专利（2022年注册）。该专利不仅涵盖系统和方法，还将预训练模型的制造方法及训练数据纳入了专利保护范围，是自主机械控制（AI代理相关领域）的典范案例。
日本的关键要点：① 通过新的输入特征和学习数据的创新，展示了“预测精度的显著提升”；② 预训练模型应以“神经网络结构＋参数＋具体操作”的形式进行描述（仅为参数集合的描述不可行）；③ 人工智能预测的相关性需在说明书中予以佐证（支持要件、可实施性要件）。
【美国／USPTO】AI代理专利案例
在美国，专利适格性（35 U.S.C. §101）通过Alice/Mayo两步测试进行判断。关键在于考察“是否针对抽象概念”，以及“若针对抽象概念，是否存在超越该概念的发明性概念（对技术问题的具体应用）”。
美国专利商标局（USPTO）于2024年7月17日发布了针对AI的专门审查指南，并列举了三个具体案例（案例47～49）。
| USPTO案例 | 不符合资格的构成 | 符合资格的构成（可获授权） |
|---|---|---|
| 案例47：异常检测 | 神经网络的学习方法（仅应用数学公式） | 利用已训练的神经网络实时拦截非法数据包的具体应用 |
| 案例48：语音分离 | 仅通过数学公式计算嵌入向量 | 通过聚类和掩码应用分离说话者声音的具体处理 |
| 案例49：AI医疗 | 仅需根据基因数据计算风险评分 | 针对高风险患者群体的具体应用——特定治疗（滴眼药水） |
教训非常明确。在美国为AI代理发明获得专利权的关键在于，具体说明“针对技术问题的技术解决方案（technological solution to a technological problem）”，同时阐明AI“如何运作”以及“改善了什么”。
美国已注册的重要专利
真实专利｜美国
US 10,452,978（谷歌）｜Transformer专利
对应论文《Attention Is All You Need》的、基于自注意力机制（self-attention）的神经网络专利（2019年注册）。这是当今所有大型语言模型（LLM）和AI代理的基础架构。
真实专利｜美国
US 11,922,144（OpenAI）｜外部API集成（工具调用）
该专利（2024年注册）描述了LLM通过解析API的模式（清单），无需重新训练即可生成调用外部工具（购物、数据库、邮件等）函数的指令。这相当于ChatGPT的插件/函数调用功能，正是“AI代理”的核心专利。
【欧洲／EPO】AI代理专利案例
在欧洲（EPO），计算机程序和数学方法“其本身（as such）”不属于专利保护范围（《欧洲专利公约》第52条）。不过，只要提及硬件（计算机、处理器等），便可轻松规避这一排除条款，真正的较量将在创造性阶段（COMVIK方法）展开。
在COMVIK方法中，仅将对技术性质有贡献的特征纳入进步性判断，而不考虑纯粹的数学或商业目的特征。也就是说，即使在数学上具有新颖性，但若缺乏技术目的，则对进步性的贡献为“零”。
EPO案例：驳回不成立
T 0702/20（三菱电机）｜稀疏耦合神经网络
关于利用纠错码使层间连接变得稀疏的神经网络结构，虽然审判部承认其“具有新颖性且非显而易见”，但认为其仅定义了一类数学函数（属于排除对象），因此予以驳回。仅以“防止过学习”等目的尚不足够，该案例有力表明，核心AI技术的改进在欧洲难以获得专利权。
EPO案例：重要裁决
G 1/19（扩大审判部·2021年）｜行人群模拟
关于计算机对行人群体的移动模拟，扩大审判部裁定：“计算机实现的模拟应与其他软件发明适用相同标准进行判断”、“数值输出也可构成技术效果”。该裁决为模拟及规划型AI发明提供了重要参考。
现有专利｜欧洲
EP 3398117（DeepMind）｜通过外部存储器扩展的神经网络
这是一项将外部内存（存储区域）与神经网络相结合的架构的欧洲专利（2023年注册）。该注册案例直接涉及AI代理的“内存”功能，即保留记忆并将其运用于后续行动。
欧洲要点：将AI与“具体的技术领域和技术目的”（如医疗设备的信号分析、图像与语音处理、机械控制、通信、加密等）相结合。不要仅依赖数学公式的新颖性，还应描述技术实现和数据管道。如果技术效果取决于学习数据的特性，则应披露该特性（2025年修订版指南中强调）。
日本、美国、欧洲审查比较（一览表）
| 比较项目 | 日本（JPO） | 美国（USPTO） | 欧洲（EPO） |
|---|---|---|---|
| 审查框架 | 在硬件资源上的具体实现 | Alice/Mayo两步法 | 第52条＋COMVIK（两阶段） |
| 核心AI（模型改进） | 只要体现巧思且效果显著即可 | 若能证明技术改进则可 | 要求严格（T0702/20被驳回） |
| 易于获得专利的类型 | 具体的处理流程·新的输入特征 | 对技术课题的具体应用 | 与技术目的及技术实现相关联 |
| 官方提示 | AI案例集（2019・2024） | AI指导案例47～49（2024） | 指南G-II 3.3.1・G1/19 |
| 一般趋势 | 相对宽松 | Alice案后趋严→2024年预测性提升 | 对技术贡献的要求最为严格 |
共同本质：三大司法管辖区的共同点不在于“AI要实现什么（商业构想）”，而在于具体阐述“如何从技术上实现这一点”。这一点将决定AI代理专利的成败。
从案例中学习｜成功获得专利权的5个要点
本文总结了从日美欧案例中提炼出的、成功获得AI代理专利的实务要点。
① 在公开前提交申请：论文、开源软件（OSS）及新闻稿中的公开会导致新颖性丧失。务必在任何信息公开之前完成申请。
② 以“处理流程”形式撰写：不要描述提示语或商业构想，而应将其作为信息处理流程进行阐述，说明系统在何种条件下如何动态运行。
③ 明确技术问题与效果：应将“如何防止幻觉”等技术问题，与其解决的具体手段及显著效果一并呈现。
④ 避免过度依赖特定技术：完全依赖特定外部API（如OpenAI等）的权利要求，在将来更换模型时将无法获得保护。请以普遍概念提取本公司的核心价值。
⑤ 适应各国审查标准：在日本、美国和欧洲，“有效”的权利要求撰写方式各不相同。进行全球申请时，制定精通各法域实务的战略不可或缺。
关于AI代理技术的专利申请，欢迎随时咨询。
精通IT及软件领域的专利代理人将为您提供从技术需求分析、现有技术检索到各国专利授权策略的全方位支持。现提供首次免费咨询服务。
预约首次免费咨询 IT·AI知识产权服务常见问题（FAQ）
Q. AI代理能否获得专利？
A. 可以。虽然AI智能代理的推理算法本身属于数学方法，但只要将其描述为利用计算机等硬件资源具体实现信息处理的系统或方法，无论在日本、美国还是欧洲，均可成为专利的对象。实际上，包括谷歌的Transformer专利（US10,452,978）和OpenAI的工具集成专利（US11,922,144）在内，已有大量AI代理的基础技术获得注册。
Q. 仅凭提示词的巧妙设计就能获得专利吗？
A. 实际情况是很难获得专利。提示词本身很容易被视为“人类的约定（信息的呈现）”，存在不属于发明的风险。日本专利局2024年的案例中也指出，单纯将问题输入LLM以生成回答的结构被认定缺乏创造性。另一方面，如果将其描述为根据上下文动态生成和合成提示词的信息处理流程，则获得专利的可能性会更高。
Q. 在日本、美国和欧洲，哪里最容易获得专利？
A. 虽不能一概而论，但软件发明的注册要求通常被评价为“日本相对宽松，欧洲（EPO）对技术贡献的要求最为严格”。美国在Alice判决后虽收紧了标准，但2024年7月发布的AI审查指南（案例47～49）提高了实务中的可预测性。无论在哪个国家，“通过技术手段解决了技术问题”这一要点的明确说明都是关键。
Q. 是否有关于AI代理专利的著名案例？
A. 典型案例包括：作为现代大型语言模型（LLM）基础的“Transformer”相关谷歌专利（US10,452,978），相当于ChatGPT插件/函数调用的OpenAI外部API集成专利（US11,922,144），以及DeepMind的外部内存扩展神经网络专利（欧洲EP3398117）等。在日本，三菱电机的神经网络压缩专利（JP7282070）和小松的面向工程机械的预训练模型专利（JP7177608）也已获授权。
问：在论文或GitHub上公开技术后，还能申请专利吗？
A. 原则上，公开后将丧失新颖性，无法获得专利。日本虽设有在一定条件下可获得救济的“丧失新颖性的例外”（第30条）制度，但各国的要件各不相同，并非万能。由于AI行业的公开速度极快，因此在论文发表、开源软件发布及新闻稿发布之前完成专利申请至关重要。
Q. 关于AI代理人的发明，是否应咨询专利代理人？
A. 强烈建议。AI智能代理专利需要高度的专业性，即从往往具有“黑箱”性质的系统中提取“可获得专利权的技术”，并根据各国的审查标准设计权利要求（权利范围）。通过咨询精通IT和软件领域的专利代理人，可以构建出难以被竞争对手规避的强大专利网络。
参考信息来源（一手资料）
- 日本专利局《审查手册》附录B 第1章（计算机软件相关发明）：https://www.jpo.go.jp/system/laws/rule/guideline/patent/handbook_shinsa/index.html
- 日本专利局 关于AI相关技术的案例：https://www.jpo.go.jp/system/laws/rule/guideline/patent/ai_jirei.html
- 美国专利商标局（USPTO）2024年AI主题事项适格性指南（示例47-49）：https://www.uspto.gov/sites/default/files/documents/2024-AI-SMEUpdateExamples47-49.pdf
- 欧洲专利局（EPO）指南 G-II 3.3.1（AI 和机器学习）：https://www.epo.org/en/legal/guidelines-epc/2024/g_ii_3_3_1.html
- US 10,452,978（Google Transformer）：https://patents.google.com/patent/US10452978B2/en
- US 11,922,144（OpenAI 外部API集成）：https://patents.google.com/patent/US11922144B1/en
- EP 3398117（DeepMind 外部内存扩展神经网络）：https://patents.google.com/patent/EP3398117B1/en
- JP 7282070（三菱电机 压缩数据）：https://patents.google.com/patent/JP7282070B2/en
- JP 7177608（小松 位置估计模型）：https://patents.google.com/patent/JP7177608B2/en
