Atividade inventiva em IA na China: novos exemplos do manual de exame

AI Inventiveness under China’s Amended Patent Examination Guidelines: Insights from the new examples www.lexology.com 16/12/2025 Emily Fung

Em 13 de novembro de 2025, a Administração Nacional de Propriedade Intelectual da China (CNIPA) emitiu a Ordem nº 84, publicando emendas às Diretrizes para Exame de Patentes, que devem entrar em vigor em 1º de janeiro de 2026. Entre outras mudanças, as emendas revisam a Parte II, Capítulo 9, Seção 6 ("Disposições sobre o Exame de Pedidos de Patente de Invenção que Contenham Características Algorítmicas ou Regras e Métodos de Negócio") das Diretrizes, adicionando dois novos exemplos (Exemplos 18 e 19) para esclarecer a avaliação da etapa inventiva para invenções relacionadas à IA.

As emendas de 2025 adotam uma abordagem mais estruturada e, na prática, muitas vezes mais rigorosa para avaliar o passo inventivo para invenções de IA do que a versão anterior. Eles enfatizam que características algorítmicas (por exemplo, redes neurais ou regras de processamento de dados) contribuem para a inventividade apenas quando "suportam e interagem funcionalmente" com características técnicas (por exemplo, estruturas de hardware ou software) para resolver um problema técnico e alcançar um efeito técnico não óbvio. Os dois novos exemplos delimitam claramente casos em que características distintas atingem ou não esse limite.

Exemplo 18

Este exemplo descreve um método para contar navios, que envolve adquirir um conjunto de dados de imagens de navios, pré-processar as imagens, marcar as posições e limites dos navios, dividir o conjunto de dados em conjuntos de treinamento e teste, treinar um modelo de detecção usando deep learning e determinar o número real de navios a partir da saída do modelo. Isso também é conhecido como uma abordagem típica para identificar objetos usando deep learning.

No estado hipotético da técnica, um método semelhante é aplicado para contar frutos em árvores, com essencialmente as mesmas etapas de aquisição de imagem, anotação, treinamento de modelos e contagem. A única diferença é que os objetos são frutas, não naves.

Embora diferenças na aparência, tamanho e ambiente de imagem do alvo possam, na prática, exigir alguns ajustes do modelo, o método alegado não introduz modificações no processo de aprendizado profundo, estrutura da rede, método de treinamento ou parâmetros. A característica distintiva é, portanto, apenas a mudança no objeto de aplicação, sem qualquer interação funcional que produza um novo efeito técnico.

Portanto, o método alegado no exemplo 18 carece de um passo inventivo. É esclarecido pelas diretrizes de que a simples substituição do objeto processado, sem adaptações algorítmicas substantivas, não confere passo inventivo.

Exemplo 19

O Exemplo 19 apresenta um caso positivo que envolve o estabelecimento de um modelo de rede neural convolucional para classificação de sucata durante a coleta e armazenamento, onde as peças frequentemente estão desordenadas e sobrepostas.

Comparado à técnica mais próxima, que utiliza extração de características e treinamento em imagens pré-categorizadas de aço de sucata, o método alegado difere em termos dos dados de treinamento usados e das características extraídas, como cor, bordas e textura. Também difere em termos dos ajustes específicos feitos ao número de camadas convolucionais e de pooling, bem como em sua configuração hierárquica.

O problema técnico resolvido pela invenção alegada é como melhorar a precisão da classificação ao lidar com imagens complexas e sobrepostas de sucata irregular. Esses ajustes são especificamente adaptados às condições desafiadoras de imagem, apoiam e interagem com as características técnicas da solução, resultando em uma melhoria significativa na precisão da graduação. Como essas contribuições algorítmicas distintivas não são divulgadas pela técnica anterior e produzem um efeito técnico não óbvio por meio da sinergia com as características técnicas, o método do exemplo 19 é considerado inventivo em uma avaliação holística.

As emendas de 2025, portanto, elevam o padrão: Adaptações a modelos de IA (por exemplo, para novos campos ou tarefas) devem demonstrar sinergia funcional verificável e avanços técnicos não óbvios, como melhorias demonstráveis em precisão, resiliência ou eficiência. Trocas simples de dados ou pequenos ajustes sem tais efeitos correm o risco de rejeição como óbvia.

Esse foco holístico nas contribuições técnicas parece estar amplamente alinhado com a abordagem do Escritório Europeu de Patentes (OEP), que exige um "efeito técnico" sob o quadro de solução de problemas. No entanto, as diretrizes da China dão maior ênfase explícita à sinergia funcional entre elementos algorítmicos e técnicos, fornecendo exemplos dedicados para impor integração substantiva em vez de aplicações superficiais.