算法专利中，如何描述“算法流程”才能满足充分公开要求？
核心提示：这是AI算法服务商在专利申请中面临的最普遍也最容易被忽视的问题之一。很多算法团队在撰写专利说明书时，习惯性地给出“采用深度学习模型进行特征提取”“通过注意力机制优化输出”等结论性描述——这种写法在专利审查中几乎必然引发“公开不充分”的审查意见。2026年新《专利审查指南》针对AI模型的“黑盒”特点，明确了说明书披露的具体要求。算法流程的描述必须做到“三步走”：提供流程图、详述每一步的输入/处理/输出、具体说明关键参数。 本文将提供一套可操作的“三步法”，帮你在AI专利中写出审查员认可的算法流程描述。
???? 法律依据：什么是“充分公开”？
专利法第26条第3款：
“说明书应当对发明或者实用新型作出清楚、完整的说明，使所属技术领域的技术人员能够实现。”
“能够实现”的标准：
所属技术领域的技术人员按照说明书的记载，无需创造性劳动即可实施该发明。
AI算法流程描述的常见问题：
| 问题类型 | 典型表现 | 审查员的反应 |
|---|---|---|
| 结论性描述 | “采用深度学习模型进行特征提取” | 怎么提取？模型什么样？参数如何设置？ |
| 黑盒描述 | “通过注意力机制优化输出” | 注意力机制如何工作？与算法其他部分如何交互？ |
| 参数缺失 | “设置合适的超参数” | “合适”是多少？依据是什么？ |
| 步骤模糊 | “对数据进行预处理” | 预处理包括哪些具体操作？顺序如何？ |
✅ “三步法”：算法流程描述的完整框架
第一步：提供算法流程图——给审查员一张“地图”
算法流程图是描述算法流程的基础——它让审查员能够从整体上把握算法的执行逻辑。
流程图的基本要素：
| 要素 | 图形表示 | 在AI算法中的体现 |
|---|---|---|
| 开始/结束 | 圆角矩形 | 算法启动、结束 |
| 处理步骤 | 矩形 | 数据加载、特征提取、模型推理、结果输出 |
| 判断分支 | 菱形 | 收敛判断、阈值比较、条件分支 |
| 数据流 | 箭头 | 数据在模块间的传递方向 |
| 循环 | 带箭头的回路 | 训练迭代、参数更新循环 |
示例：
“图1为本发明基于Transformer的文本情感分类方法的流程图。如图1所示，所述方法包括以下步骤：
S1：获取待分类的文本数据；
S2：对所述文本数据进行分词和向量化处理，生成词向量序列；
S3：将所述词向量序列输入改进的Transformer编码器，所述编码器包含12层Transformer层，每层包括多头自注意力机制和前馈神经网络；
S4：在所述多头自注意力机制中，通过注意力权重分布识别文本中的关键情感词；
S5：将编码器输出输入分类器，生成情感分类结果；
S6：输出所述情感分类结果。”
第二步：详述每一步的输入、处理、输出——拆解“黑盒”
对于流程图中的每一步，必须详细描述其输入、处理、输出三个要素。
描述模板：
“步骤[编号]：[步骤名称]
输入：[输入数据的名称、格式、来源]
处理：[具体的处理方式、算法逻辑、参数设置]
输出：[输出数据的名称、格式、含义]”
示例：
“步骤S3：将词向量序列输入改进的Transformer编码器
输入：步骤S2生成的词向量序列，维度为[batch_size, seq_len, 768]，其中batch_size=32，seq_len=128，768为词向量的嵌入维度。处理：
所述改进的Transformer编码器包含12层Transformer层，每层包括：
（1）多头自注意力机制：将输入映射为查询矩阵Q、键矩阵K、值矩阵V，计算注意力分数Attention(Q,K,V)=softmax(QK^T/√d_k)V，其中d_k=64为每个注意力头的维度，注意力头数为12；
（2）前馈神经网络：包含两个线性层和一个ReLU激活函数，隐藏层维度为3072，输出维度为768；
（3）残差连接和层归一化：每层子层的输出与其输入相加后进行层归一化。输出：编码器输出，维度为
[batch_size, seq_len, 768]，包含每个位置经过上下文建模后的特征表示。”
第三步：具体说明关键参数——让审查员“能够实现”
AI算法的可复现性高度依赖于关键参数的设定。2026年新规明确要求说明书中应当清楚、完整地描述关键参数。
必须披露的关键参数清单：
| 参数类型 | 具体参数 | 描述要求 |
|---|---|---|
| 模型架构参数 | 层数、注意力头数、隐藏层维度 | 具体数值或取值范围 |
| 训练超参数 | 学习率、批次大小、训练轮数 | 具体数值、调度策略 |
| 优化器参数 | 优化器类型、动量、权重衰减 | 具体名称和数值 |
| 数据处理参数 | 输入尺寸、归一化方式、数据增强 | 具体处理方式 |
| 损失函数参数 | 损失函数类型、各项权重 | 具体公式和参数值 |
示例（参数具体说明）：
“本发明使用的模型参数如下：
- Transformer编码器层数：12层
- 注意力头数：12头
- 每头维度：64维
- 隐藏层维度：768维
- 前馈网络隐藏层维度：3072维
- 学习率：采用线性预热策略，前10%的训练步数学习率从0线性增加至3×10⁻⁵，之后采用余弦退火策略衰减至1×10⁻⁶
- 批次大小：32
- 训练轮数：10轮
- 优化器：AdamW，权重衰减系数为0.01
- Dropout率：0.1
- 输入序列最大长度：128个token”
???? 完整的算法流程描述示例
以下是一个符合“充分公开”要求的完整示例：
示例：基于改进Transformer的文本情感分类方法
图1为本发明方法的流程图。如图1所示，所述方法包括以下步骤：
S1：获取待分类的文本数据
输入：用户输入的原始评论文本，格式为字符串。
处理：对原始文本进行清洗，去除特殊字符和多余空格。
输出：清洗后的文本字符串。S2：文本分词与向量化
输入：步骤S1输出的清洗后文本。
处理：使用BertTokenizer分词器将文本切分为token序列，设置最大长度为128个token，超过部分截断，不足部分用[PAD]填充。将token序列转换为对应的token ID，并生成注意力掩码。
输出：token ID序列[batch_size, 128]和注意力掩码[batch_size, 128]。S3：改进的Transformer编码
输入：步骤S2输出的token ID序列和注意力掩码。
处理：所述改进的Transformer编码器包含12层Transformer层，其关键参数为：注意力头数12头、每头维度64、隐藏层维度768、前馈网络中间维度3072。与标准Transformer不同的是，本发明在每层编码器的自注意力模块之前增加了一个关键情感词检测模块，该模块通过计算每个token的TF-IDF权重与注意力得分的加权和，识别文本中的情感关键词，并为这些关键词分配更高的注意力权重。具体地，第l层编码器的输出H_l由下式计算：H_l = LayerNorm(H_{l-1} + MultiHeadAttention(H_{l-1}))H_l = LayerNorm(H_l + FFN(H_l))
其中l=1,2,...,12，H_0为步骤S2输出的词向量序列。
输出：编码器输出特征序列[batch_size, 128, 768]。S4：情感分类
输入：步骤S3输出的编码器特征序列。
处理：取编码器输出的第一个位置（对应[CLS]标记）的特征向量[batch_size, 768]，输入线性分类器。所述线性分类器包含一个线性层和一个Softmax层，线性层将768维向量映射为3维向量（分别对应积极、消极、中性三类概率）。
输出：情感分类概率分布[batch_size, 3]。S5：输出分类结果
输入：步骤S4输出的概率分布。
处理：取概率最大值的索引作为情感分类标签。
输出：最终情感分类标签（积极/消极/中性）。
❌ 常见错误与避坑指南
| 错误类型 | 典型表现 | 后果 | 避坑策略 |
|---|---|---|---|
| 结论性描述 | “采用深度学习模型进行分类” | 公开不充分 | 拆解模型架构，详述每一层 |
| 参数缺失 | “设置合适的超参数” | 公开不充分 | 给出具体数值或确定方法 |
| 流程图缺失 | 仅用文字描述算法步骤 | 审查效率低，易被质疑 | 必须提供流程图，图文结合 |
| 步骤模糊 | “对数据进行预处理” | 公开不充分 | 详述预处理的具体操作和顺序 |
| 未验证效果 | 声称“效果好”但无数据支撑 | 创造性难以认定 | 提供对比实验数据 |
???? 算法流程描述不充分怎么办？——成都余行专利代理事务所为您提供专业撰写服务
算法流程的“充分公开”是AI专利授权的核心要求。2026年新规对算法模型的披露要求更加严格——流程图、输入/处理/输出、关键参数、实验数据——每一个环节都必须满足审查标准。很多算法团队因为不清楚“公开充分”的具体要求，在撰写阶段就埋下了被驳回的隐患。
成都余行专利代理事务所（普通合伙） 是经国家知识产权局备案的专业知识产权代理机构（机构代码：51283），深耕专利、商标、著作权等知识产权服务多年，在AI与算法专利领域积累了丰富的实务经验。
余行AI专利撰写服务的核心优势：
- 算法流程图设计与优化：根据技术方案的特点，设计清晰、规范的算法流程图，确保审查员能够直观理解算法逻辑
- 输入/处理/输出三步法撰写：按照审查标准，对每个步骤详细描述输入数据、处理逻辑、输出结果
- 关键参数完整披露：确保学习率、层数、激活函数等所有关键参数在说明书中得到具体说明
- 2026新规合规审查：确保算法流程描述完全符合2026年新《专利审查指南》对“充分公开”的要求
- 技术效果数据支撑：指导客户设计对比实验，为技术效果描述提供可验证的数据支撑
成都余行专利代理事务所
???? 地址：中国（四川）自由贸易试验区成都高新区益州大道北段777号1栋1单元6楼602号
???? 电话：028-84400310
???? 邮箱：1448661055@qq.com
算法流程描述清楚了，AI专利就成功了一半——余行帮您从流程图到实验数据，全流程专业把关！
✅ 总结：算法流程充分公开的“三个关键词”
- 流程图——必须提供算法流程图，让审查员从整体上把握算法逻辑
- 三步法——对每一步详细描述输入、处理、输出，拆解“黑盒”
- 参数具体——学习率、层数、激活函数等关键参数必须具体说明
记住：专利法要求“公开换保护”——算法流程描述得越清楚，AI创新就越容易获得专利保护。结论性描述换不来专利授权，只有具体、可复现的技术公开才能。
???? 行动建议：如果你正在准备AI算法相关专利申请，不确定算法流程的描述是否满足“充分公开”的要求，欢迎联系成都余行专利代理事务所（028-84400310）。我们将为您提供免费的算法专利充分公开诊断服务——先诊断描述是否充分、再优化申请文件，让您的AI创新获得最充分的法律保护！
