《 专利审查 指南》又出新红线了，这一次，最需要警惕的可能是企业。

• 6.1.1 根据专利法第五条第一款的审查：对于包含算法特征或商业规则和方法特征的发明专利申请，如果其中的数据采集、标签管理、规则设置、推荐决策等含有违反法律、社会公德或者妨害公共利益的内容，则根据专利法第五条第一款的规定，不能被授予专利权。

其实对于这条规定，相信大家已经在各种解读文章、朋友圈里见过了。

但说实话，大多数人并没有真正当回事。

因为在不少企业IPR的直觉里，“6.1.1”是一个非常极端的存在，觉得“只要技术不涉及反人类、反伦理、国家秘密、军事武器、涉毒涉恐……就很难碰线。”

但真的这样简单吗？

不妨来做个测试，请问下面两个技术案例是否违反了6.1.1？如果违反，具体风险点在哪里？

也欢迎在评论区留下你的答案。

案例一：一种基于社交关系链的智能信贷风控与催收系统

该发明的核心逻辑是：当借款人逾期时，系统的信息抓取模块会自动静默读取借款人手机通讯录中的所有联系人，并分析借款人与联系人的亲密度。随后，施压模块会自动向亲密度高的联系人（如父母、配偶、同事）发送催款信息或借款人的逾期记录，催促借款人还款。

案例二：一种基于用户画像的定价方法

该发明通过获取用户在购物平台的历史消费记录、设备型号、收货地址等，为用户打上特定的消费能力标签（如“价格不敏感”、“急需购买”、“富裕但比价能力弱”），并据此向不同用户展示不同的价格，以实现利润最大化。

答案解析

在详细解析答案之前，我们先来看一个《审查指南》的官方示例，便于大家对国知局的态度理解得更加透彻。

• 一种无人驾驶车辆应急决策模型的建立方法，其特征在于，包括：
  • 获取无人驾驶车辆的历史环境数据和历史障碍物数据，所述历史环境数据包括车辆的行驶速度、与所在车道上障碍物的距离、与相邻车道上障碍物的距离、所在车道上障碍物的运动速度和运动方向、相邻车道上障碍物的运动速度和运动方向；所述历史障碍物数据包括行人的性别和年龄；
  • 对所述历史环境数据和历史障碍物数据进行特征提取，作为决策模型的输入数据，将无法避让障碍物时车辆的历史行驶轨迹作为决策模型的输出数据，根据历史数据训练决策模型，所述决策模型为深度学习模型；
  • 获取实时环境数据和实时障碍物数据，当无人驾驶车辆遇到无法避让障碍物的情况时，利用训练后的决策模型确定无人驾驶车辆的行驶轨迹。

该案技术并不复杂，其实概括起来就是：以行人的性别和年龄作为障碍物数据，通过决策模型，来确定在无法避让障碍物情况下，车辆该保护谁、撞上谁？尽可能实现最小的伤害。

但国知局不认可这个技术，认为人的生命具有同等的价值和尊严，如果基于行人的性别和年龄对保护对象和被撞对象进行选择，这与生命面前人人平等的伦理道德观念相违背。此外，这种决策方式还会强化社会中的性别和年龄偏见，引发公众对出行安全性的担忧，破坏公众对科技和社会秩序的信任。

因此，根据专利法第五条第一款的规定，不能被授予专利权。

那么回到本文的两个测试题，你现在知道答案了吗？

先说结论：案例一和案例二都不止一处违反了规定，很可能直接被国知局驳回。

详细解析过程

案例一

相信大多数人都能看出案例一的问题。

“信息抓取模块”静默读取通讯录的行为，本身就违反了《网络安全法》和《个人信息保护法》中的“正当”以及“明示同意”原则。而且这里抓取的还不只是借款人自己的信息，还会抓取非借款人信息，这种行为更是涉及到了数据来源是否合法的问题。

此外，“施压决策模块”的本质是通过骚扰无关第三方的方式进行催收，这种“软暴力”催收手段直接涉嫌违反《刑法》。

所以案例一极可能因为触犯新红线被驳回。

案例二

本案稍微难判断一点。

因为生活中，这种差异化的定价策略太常见了，很多人习惯了就不觉得它是违法的。

但要注意，本案“用户标签”的生成逻辑，并不是基于公开透明的市场条件（如会员等级、优惠规则），而是通过利用用户的隐私数据，去判断谁“不在乎价格”、谁“更容易被多收钱”，据此打上歧视性标签，再进行差异化定价。这是对消费者的不公平交易行为，损害了消费者的知情权和公平交易权。

所以，案例二也很可能被驳回。

给IPR的警示

其实国知局新增这一条，是有迹可循的。

近年来，AI、算法、汽车智驾等技术越来越多地开始替人做判断，甚至分配价格和机会。在这种背景下，专利审查只看技术怎么实现显然已经不够了，技术“最终会把社会推向什么结果”也必须被国知局提前考虑。

因此，IPR不光要知道6.1.1的存在，更应当在提案阶段——也就是筛选专利技术的时候，有意识地提前排除6.1.1风险。尤其是在算法、规则、商业方法类技术中，最好将其作为一条明确的筛选标准。