随着大模型与机器人技术的交汇，具身智能（Embodied AI）正成为科技竞争的高地。但在专利实务中，大量此类专利因被认定为“算法与硬件的常规组合”，未能通过创造性审查。本文结合《专利审查指南》及实务经验，梳理具身智能专利的创造性审查要点。

一、 什么是具身智能？

要理解具身智能的专利审查，得先弄明白：到底什么是具身智能？

过去十几年，我们熟悉的AI（如ChatGPT）主要活在云端和服务器里，它们能处理海量数据、生成文本，但它们没有物理躯体，无法直接干预现实世界。

而具身智能（Embodied AI），简单来说，就是“拥有物理载体、能与真实世界直接交互的AI系统”。比如搭载了视觉和触觉的人形机器人、能在复杂路况中穿梭的自动驾驶汽车，或者能在手术台上精准操作的医疗机械臂。它让AI长出了“眼睛（传感器）”、“大脑（算法）”和“手脚（机械执行器）”。

正因为有了物理躯体，AI就必须面对现实世界的法则：摩擦力、惯性、传感器噪声、硬件延迟。这也正是具身智能专利最大的难点——它不再是纯粹的代码，而是“算法”与“物理硬件”的深度结合。

二、 审查视角的底层逻辑

在发明专利实质审查中，许多研发人员感到困惑：“我的方案既有复杂的大模型，又有精密的机械臂，凭什么说没创新？”

核心症结在于：审查员考察的是技术方案的整体性。 

在新版《专利审查指南》下，单纯的“AI模型+机器人外壳”，或者把现成的感知、控制模块进行简单叠加，极易被认定为“常规组合”。只有当算法特征与技术特征在功能上彼此支持、相互作用，共同解决了一个具体的物理技术问题时，方案才具备获得创造性认可的基础。

那么，在审查实践中，审查员通常会依据哪些情形来认定算法与硬件“缺乏相互支持”呢？ 实务中，最常见的有以下两种情况：

（一）算法输出与物理参数缺乏技术关联

部分专利在撰写时，算法部分仅描述“根据传感器信号预测风险”，硬件部分仅描述“控制执行机构动作”。这种写法将算法与物理硬件割裂开来。审查员会认为，该算法未对硬件性能或运行方式带来实质性改进，无法构成完整的技术手段。

真正具备创造性的方案，算法的输入和输出必须与具体的物理参数深度绑定。

例如：“提取障碍物点云特征，结合当前轮毂电机的实时转速与关节转向角，计算出目标避让轨迹与各关节的目标扭矩，下发至伺服控制器。”

在这段描述中，算法不再只是输出一个抽象的概率值，而是：

输入了具体的物理参数：轮毂电机的实时转速、关节转向角、障碍物点云坐标。

输出了具体的控制参数：目标避让轨迹、各关节的目标扭矩。

此时，算法特征与技术特征形成了深度耦合：算法直接输出了能够驱动底层硬件动作的具体参数，使得机器人能实时克服复杂地形的动力学扰动。这种基于物理参数闭环控制的底层稳定性，是现有纯视觉算法无法实现的，从而具备实质性特点。

（二） 硬件特征未对算法构成实质性约束

如果在权利要求中堆砌了大量传感器和机械臂，但全篇未体现硬件的物理局限对算法设计的限制，审查员会认定技术改进全在软件层面，硬件仅作为常规执行载体，进而否定其技术贡献。

反之，具备高价值的方案，往往是用算法去解决特定硬件在物理世界中遇到的难题。

以机械臂在狭窄空间折叠作业为例：此时相机会被机械臂自身遮挡，形成视觉盲区。面对这个物理缺陷，本方案并没有简单粗暴地去换一个更高清的相机，而是引入了力觉传感器与关节编码器的跨模态融合。当视觉失效时，算法转而提取力觉传感器接触物体时的细微形变，结合关节电机的实时角度，反向推算出物体的位置。

这种“因硬件物理限制而倒逼出的算法重构”，直接弥补了原有硬件的物理缺陷（彻底消除了盲区碰撞）。此时，算法不再只是单纯的软件运算，它直接改变了硬件系统在极端环境下的运行安全边界。这种技术效果是单纯升级硬件或纯靠软件优化都无法达到的，创造性自然就能得到认可。

三、技术效果的验证

在创造性审查中，“显著的进步”必须是客观、可验证的。申请人需要将主观感受转化为可复现的物理指标。

（一）避免模糊的定性描述

“提高了灵活性”“增强了安全性”这类表述，在审查员眼中属于主观愿望，无法构成对技术效果的证明。

审查员需要看到的是：在相同硬件配置、相同测试场景下的对照数据。

例如，不要写“本方案显著提升了抓取稳定性”，而应写：“在相同电机与减速器配置下，针对易碎物体抓取任务，本方案将接触力超调量降低至X牛顿以内，抓取破碎率由Y%降至Z%，单次抓取节拍缩短至T毫秒。”

为什么指标必须落到物理量上？ 因为“灵活性”无法比对，但“超调量”“节拍”“破碎率”可以复现。审查员在判断“显著的进步”时，依赖的是区别特征与效果之间的因果关系是否成立。量化指标越具体、越贴近物理执行层，这种因果关系就越容易被审查员采信。因此，技术效果的落脚点不在“更好”，而在“好多少、在哪一项物理指标上、在什么条件下可重复”。

（二）把闭环逻辑落到“状态依赖”上

具身智能区别于纯算法的核心在于：后续决策必须依赖前一步的物理结果。撰写时不要只画一个“感知—决策—执行—反馈”的框图，要具体说明物理量如何驱动状态迁移。

例如：“当末端执行器接触到刚性障碍时，六维力传感器检测到法向力突变，控制器据此将阻抗参数从柔顺模式切换至刚性保持模式，同时冻结当前轨迹插值节点，待力反馈稳定后再恢复推进。”——这种写法展示的是状态机根据物理反馈动态迁移，而不是一次性数学计算。

审查员真正看重的是：反馈回路中的每一环是否由物理量驱动，而非时间或程序计数驱动。缺失了物理状态依赖，闭环就只是流程描述，不构成技术贡献。因此，闭环逻辑的撰写标准是：每一步决策都能追溯到具体的物理输入，每一次执行都能对应可观测的物理状态变化。

概括而言，技术效果的可验证性，归根到底取决于两个条件：一是指标落在物理量上；二是闭环依赖物理状态。 这两点同时满足，审查员才能把“显著的进步”从主观表述中剥离出来，认定为客观的技术贡献。

四、 撰写要点：如何体现具身智能的技术特征

要想顺利获得授权，专利撰写不能只停留在宏观概念上，必须把“感知—决策—控制—训练—系统”的协同机制，转化为权利要求中的具体技术特征，并在说明书里提供详细的实施路径。

（一）感知端：写明克服物理干扰的数据处理逻辑

现实场景中的光照变化与遮挡，是纯视觉算法容易失效的物理痛点。在权利要求中，应避免仅作“获取环境图像”的概括性描述，而要将克服物理缺陷的具体处理步骤写入方案。例如，明确记载“针对高反光表面，采用多偏振相机同步采集图像并进行去噪融合”；或记载“针对多传感器物理延时，通过硬件时钟同步模块对输入数据进行时间对齐”。通过具体的数据处理逻辑，体现感知方案对真实物理环境的针对性设计。

（二）决策端：写明物理约束作为算法的输入条件

在纯数字环境中，AI决策只需考虑逻辑最优；但具身智能的算法必须服从物理定律。在权利要求中，应当将硬件的物理边界转化为算法的输入条件。例如，不能仅写“生成避障路径”，而应写明“获取电池剩余电量与电机实时温升，在满足关节运动学极限的约束条件下，计算目标避让轨迹”。将电量、温升等物理参数写入权利要求，审查员才会认定该方案受限于真实物理硬件，具备技术属性。

（三）控制端：写透指令对底层硬件的直接驱动

这是具身智能区别于纯软件AI的核心环节，也是权利要求中体现技术贡献的关键。方案中不应只写“控制器输出控制信号”，必须明确控制指令作用于底层硬件的具体物理参数。例如，写明“控制器基于力反馈数据，实时调节伺服电机的目标电流与阻尼系数，使末端执行器在接触易碎物体时保持柔顺状态”；面对突发危险时，记载“触发中断指令，切断电机动力输出”。指令如何直接改变电机的电流、扭矩或阻尼，是证明技术方案真正落地的核心证据。

（四）训练端：写明“仿真到现实”的误差补偿机制

若说明书仅记载“使用仿真数据训练模型”，审查员通常会质疑其在真实环境中的可用性。因此，在说明书的实施例中，必须详细披露如何克服物理差异。例如，记载“在仿真训练中引入域随机化技术，注入随机物理噪声以模拟真实的电机延迟”；或记载“利用真实机械臂采集的交互数据，反向校准仿真模型的物理参数”。针对现实物理差异的补偿设计，能够显著提升方案的技术贡献。

（五）系统端：将有益效果落脚于客观物理数据

即使前述环节撰写完整，若缺乏客观数据支撑，创造性依然会受到质疑。在说明书的“有益效果”部分，应避免使用“更智能”、“更自然”等主观表述，采用具体的对比实验数据。例如，写明“与现有方案相比，本方案将系统整体响应时延降低了X毫秒”；或“在同等电量下，续航时间延长了Y%”。清晰的数据对比，是证明整条技术链产生实质性技术进步的直接依据。

总结来看，这五个环节构成了具身智能专利撰写的“技术底座”。 实务中，并不要求每件专利都覆盖全部端点；但只要在其中一个或多个环节上，清晰界定算法与物理硬件的交互关系，并证明其解决了真实的物理缺陷、产生了可量化的性能提升，就能有效摆脱“常规组合”的认定。

五、结语

具身智能的专利审查，本质上是对“软硬协同深度”的检验。审查员关注的焦点，并非单一的算法有多复杂或机械有多精密，而是算法与硬件能否在真实的物理约束下产生交互，并由此改变机器人的行为边界。从感知端克服传感器噪声，到决策端引入动力学约束；从控制端直接驱动底层电机，到训练端跨越仿真与现实的差异——这些环节的深度耦合，正是将技术转化为专利保护的关键。对于创新企业而言，高价值专利的构筑不在于堆砌功能模块，而在于将技术落点扎根于真实的物理交互，用客观的物理指标替代主观描述，并用严谨的因果链条证明“1+1>2”的协同效果。在具身智能的产业竞争中，只有把专利保护的根基深扎于“算法受限于物理、又反哺于硬件”的底层逻辑，才能真正跨越创造性审查的门槛。