IP洞察
数据预处理与参数限定
•
9 min read
•335 views
AI
市场情报
算法驱动的认知负荷管理：利用智能体 AI 缓解专利审查业务中的职业倦怠风险
本文分析了从生成式撰写向智能体（Agentic）工作流管理的运营转变。报告探讨了 AI 驱动的节奏控制和认知阻力分析如何成为高这一转变如何成为高案量专利实务中风险缓解的关键基础设施。
2026年2月10日
10 min
//
以下内容适用于尚未开始使用 Patenty.ai 的用户。
做过AI领域案件的代理师，对审查意见通知书里的这段话一定不陌生：
“对比文件1公开了应用场景（如医疗诊断），对比文件2或公知常识公开了神经网络模型（如CNN、Transformer）。本申请仅仅是将公知的AI模型应用于特定的场景，这对于本领域技术人员来说是显而易见的，属于简单的常规设计，不具备突出的实质性特点和显著的进步（专利法第22条第3款）。”
看到这种评述，确实让人头大。客户为了训练模型，采集了海量数据，调参调到头秃，结果被审查员一句“通用算法的简单应用”就否定了。
但我们不能退缩。ResNet、BERT等模型架构确实是现有的，死磕“模型架构”的非显而易见性很难赢。想要在**“三步法”的博弈中胜出，我们必须转移战场——从“通用的算法”转向“特定的数据输入”和“具体的训练策略”**。
今天，我们就来聊聊如何利用**“数据预处理”和“参数限定”**，打破审查员的“公知常识”逻辑闭环。
当审查员指出“模型结构是公知的”，我们不妨承认这一点。然后，将争辩的焦点转移到**“输入数据的特殊性”**上。
根据CNIPA《专利审查指南》第二部分第九章，如果算法与具体的技术处理相结合，解决了技术问题，就具有技术性。我们可以主张：“为了让这个公知的模型能在这个特定的场景下工作，必须对数据进行非显而易见的预处理。”
强调如果直接使用原始数据（Raw Data），公知模型根本无法收敛或产生过拟合。本申请的创造性在于找到了**“特定的预处理手段”**。
【实战案例：医疗影像分析】
驳回理由： “用CNN识别X光片里的肿瘤是公知常识。”
答复策略： 不要只强调“用了CNN”，而要强调权利要求中的预处理步骤：
“本申请并非简单地输入图像，而是先将X光片转换为HSV色彩空间，并对明度（V）通道进行限制对比度自适应直方图均衡化（CLAHE），再输入模型。”
创造性争辩：
“现有技术直接输入原图，受光照影响大，准确率低。”
“本申请的特定预处理消除了光照噪声，使得公知模型能够提取到现有技术无法提取的细微特征，这构成了区别技术特征，并带来了预料不到的技术效果。”
在权利要求中简单写 Learning rate = 0.001，在中国审查中通常会被视为“通过有限次实验即可得到的数值范围”，不具备创造性。
我们需要将参数包装成**“解决特定技术问题的策略”**。
证明该参数的选择不是任意的，而是为了解决模型训练中的具体障碍（如梯度消失、样本不平衡）。
自定义损失函数（Custom Loss Function）：
如果案子用了特定的Loss Function，一定要大书特书。比如：“在欺诈检测中，正负样本比例极度不平衡（1:1000）。常规Cross-Entropy无法工作。本申请设计了加权损失函数，强制模型关注少数类样本。”
这就不再是“数学计算”，而是**“解决样本不平衡导致模型失效这一技术问题的技术手段”**。
训练策略的具象化（如冻结层）：
“在迁移学习时，冻结特征提取器的前N层，仅微调分类头。”
这不仅是参数设置，更是一种**“节省计算资源并防止过拟合的具体构造”**。
审查员往往通过“后见之明”认为：既然有数据A和结果B，用AI找规律是理所当然的。
我们要反驳的是：“发现数据A和结果B之间存在可学习的规律，这本身就是一种发明。”
【逻辑构建】
技术问题： “本领域技术人员通常认为，数据A（例如：电机的微弱振动噪音）包含过多环境噪声，无法用于预测B（例如：3天后的故障）。”
技术手段： “本申请将数据A进行快速傅里叶变换（FFT）转换到频域，并输入LSTM模型。”
技术启示的缺失： “现有技术没有任何篇章提示‘频域数据’包含故障特征。本申请的创造性在于揭示了这种非显而易见的强相关性。”
为了在答复OA时有理有据，我们在撰写阶段就要埋好伏笔。
在中国，**“技术效果”**是论证创造性的核心证据。
只有文字描述“效果好”是不够的，必须要有图表。
对比组（Baseline）： 通用模型 + 原始数据 = 准确率 70%
实验组（Ours）： 通用模型 + 本申请的预处理/特定参数 = 准确率 92%
这一张图，往往比五页的文字辩论更能打动审查员。
独立权为了范围可以写得宽，但从属权里一定要把**“具体的预处理算法公式”、“损失函数的数学表达式”、“数据增强的具体方式”**写进去。
Why? 当独立权被“三步法”评述掉时，这些具体的从属权是很多时候能争取到的最后防线，也是将来做“区别技术特征”认定的基础。
当审查员说“这只是用了AI技术”时，我们的回应应该是：
“两辆赛车可能用着一样的引擎（模型），但决定胜负的是燃料的纯度（数据预处理）和引擎的调校（参数策略）。”
AI专利的创造性，往往不隐藏在神经网络的架构图中，而隐藏在**数据工程（Data Engineering）**的细节里。
下次遇到“简单常规设计”的驳回时，试着把焦点拉回到**“输入端”**，或许你会发现审查员的证据链并没有看起来那么完美。
[ ] 答复重点是否从“模型结构”转移到了**“数据预处理”或“输入特征的构造”**？
[ ] 参数限定是否解释了其背后的**“技术问题”**（如解决过拟合、样本不平衡）？
[ ] 说明书中是否有**“对比实验数据”**来支撑预料不到的技术效果？
[ ] 是否在从属权利要求中布局了具体的损失函数或训练策略？
本文分析了从生成式撰写向智能体（Agentic）工作流管理的运营转变。报告探讨了 AI 驱动的节奏控制和认知阻力分析如何成为高这一转变如何成为高案量专利实务中风险缓解的关键基础设施。
在使用AI撰写专利说明书时，如果先写具体实施方式，很容易导致内容超出权利要求范围，甚至产生“幻觉”。为了确保完全满足**中国专利法第26条第4款（权利要求书应当以说明书为依据）**的要求，专利代理师必须采用“以权利要求为中心”的逆向生成策略。本文将通过5个针对系统、方法、功能性限定等不同类型的实战提示词（Prompt）案例，揭示如何让AI在既定的权利要求“围栏”内，高效产出逻辑严密、零失误的高质量说明书。
“万一申请人用的是‘结合装置’而不是‘紧固件’，导致我漏检了最关键的对比文件（X文献）怎么办？” 这种因为一个关键词的疏忽而收到驳回通知书（OA）的噩梦，是真实存在的。今天，我将分享一种利用生成式AI（ChatGPT, Claude等）极速突破同义词瓶颈的方法。 这不仅仅是“问问AI”那么简单。这是一套通过提示词工程（Prompt Engineering）过滤噪声、精准提取实务关键词的策略。