人工智能技術(shù)已經(jīng)滲透到各行各業(yè)，可謂是當(dāng)今的研究熱點(diǎn)。隨著知識(shí)產(chǎn)權(quán)保護(hù)意識(shí)的提高，人工智能技術(shù)也是專利申請(qǐng)的保護(hù)熱點(diǎn)。而人工智能領(lǐng)域的專利申請(qǐng)往往與算法等抽象規(guī)則和通用方法緊密關(guān)聯(lián)，此類專利申請(qǐng)是否屬于專利保護(hù)客體一直是業(yè)內(nèi)十分關(guān)注的問題。

人工智能與計(jì)算機(jī)技術(shù)緊密聯(lián)系，主要依賴計(jì)算機(jī)來執(zhí)行，但人工智能中涉及算法等抽象規(guī)則和通用方法的處理方案，往往利用最基礎(chǔ)簡單的計(jì)算機(jī)架構(gòu)（如包含處理器和存儲(chǔ)器的計(jì)算機(jī)）即可執(zhí)行涉及算法等抽象規(guī)則和通用方法的處理方案，因此，從保護(hù)范圍最大化的角度，沒有必要將計(jì)算機(jī)技術(shù)中如具體硬件技術(shù)或軟件技術(shù)在權(quán)利要求中進(jìn)行顯性表達(dá)。但如果不體現(xiàn)計(jì)算機(jī)技術(shù)，那么涉及算法等抽象規(guī)則和通用方法的處理方案在進(jìn)行專利申請(qǐng)時(shí)就會(huì)受到保護(hù)客體問題的困擾。

現(xiàn)行的《專利審查指南》中規(guī)定，如果權(quán)利要求中涉及算法的各個(gè)步驟體現(xiàn)出與所要解決的技術(shù)問題密切相關(guān)，如算法處理的數(shù)據(jù)是技術(shù)領(lǐng)域中具有確切技術(shù)含義的數(shù)據(jù)，算法的執(zhí)行能直接體現(xiàn)出利用自然規(guī)律解決某一技術(shù)問題的過程，并且獲得了技術(shù)效果，則通常該權(quán)利要求限定的解決方案屬于專利法第二條第二款所述的技術(shù)方案。

因此，如果將算法特征與具體技術(shù)領(lǐng)域中的技術(shù)特征密切結(jié)合，那么將可以克服專利保護(hù)客體的問題。

但根據(jù)近期的審查動(dòng)態(tài)，專利局對(duì)人工智能專利申請(qǐng)的保護(hù)客體審查呈現(xiàn)出越來越嚴(yán)格的趨勢(shì)，引起了業(yè)內(nèi)對(duì)“算法特征與具體技術(shù)領(lǐng)域中的技術(shù)特征密切結(jié)合”的廣泛探討，大家主要探討的焦點(diǎn)在于何為“密切結(jié)合”（或稱之為“緊密結(jié)合”），權(quán)利要求在何種表現(xiàn)形式上體現(xiàn)了“密切結(jié)合”。

根據(jù)目前審查意見通知書中的典型意見，將算法特征與具體技術(shù)領(lǐng)域中的技術(shù)特征密切結(jié)合主要表現(xiàn)在：算法的處理過程需要反映出輸入輸出數(shù)據(jù)的技術(shù)性含義，對(duì)于其中涉及的算法的改進(jìn)需要體現(xiàn)出針對(duì)具體技術(shù)領(lǐng)域中技術(shù)數(shù)據(jù)的特點(diǎn)，有針對(duì)性的將抽象算法與技術(shù)數(shù)據(jù)進(jìn)行技術(shù)上的關(guān)聯(lián)處理。

由上可知，上述審查意見通知書給出了關(guān)于“密切結(jié)合”的一種相關(guān)傾向性意見，如果專利申請(qǐng)涉及算法的改進(jìn)，那么，權(quán)利要求書中不能僅僅限定輸入輸出數(shù)據(jù)的技術(shù)性含義，還要在算法中體現(xiàn)技術(shù)數(shù)據(jù)的特點(diǎn)， 以實(shí)現(xiàn)兩者在技術(shù)上的關(guān)聯(lián)。

具體示例例如，參見《專利審查指南》[1]第二部分第九章第6節(jié)包含算法特征或商業(yè)規(guī)則和方法特征的發(fā)明專利申請(qǐng)審查相關(guān)規(guī)定中的示例，具體如下。

發(fā)明專利申請(qǐng)的解決方案是，在各級(jí)卷積層上對(duì)訓(xùn)練圖像進(jìn)行卷積操作和最大池化操作后，進(jìn)一步對(duì)最大池化操作后得到的特征圖像進(jìn)行水平池化操作，使訓(xùn)練好的CNN模型在識(shí)別圖像類別時(shí)能夠識(shí)別任意尺寸的待識(shí)別圖像。

申請(qǐng)的權(quán)利要求：

一種卷積神經(jīng)網(wǎng)絡(luò)CNN模型的訓(xùn)練方法，包括：

獲取待訓(xùn)練CNN模型的初始模型參數(shù)，所述初始模型參數(shù)包括各級(jí)卷積層的初始卷積核、所述各級(jí)卷積層的初始偏置矩陣、全連接層的初始權(quán)重矩陣和所述全連接層的初始偏置向量;

獲取多個(gè)訓(xùn)練圖像;

在所述各級(jí)卷積層上，使用所述各級(jí)卷積層上的初始卷積核和初始偏置矩陣，對(duì)每個(gè)訓(xùn)練圖像分別進(jìn)行卷積操作和最大池化操作，得到每個(gè)訓(xùn)練圖像在所述各級(jí)卷積層上的第一特征圖像;

對(duì)每個(gè)訓(xùn)練圖像在至少一級(jí)卷積層上的第一特征圖像進(jìn)行水平池化操作，得到每個(gè)訓(xùn)練圖像在各級(jí)卷積層上的第二特征圖像;

根據(jù)每個(gè)訓(xùn)練圖像在各級(jí)卷積層上的第二特征圖像確定每個(gè)訓(xùn)練圖像的特征向量;

根據(jù)所述初始權(quán)重矩陣和初始偏置向量對(duì)每個(gè)特征向量進(jìn)行處理，得到每個(gè)訓(xùn)練圖像的類別概率向量;

根據(jù)所述每個(gè)訓(xùn)練圖像的類別概率向量及每個(gè)訓(xùn)練圖像的初始類別，計(jì)算類別誤差;

基于所述類別誤差，對(duì)所述待訓(xùn)練CNN模型的模型參數(shù)進(jìn)行調(diào)整;

基于調(diào)整后的模型參數(shù)和所述多個(gè)訓(xùn)練圖像，繼續(xù)進(jìn)行模型參數(shù)調(diào)整的過程，直至迭代次數(shù)達(dá)到預(yù)設(shè)次數(shù);

將迭代次數(shù)達(dá)到預(yù)設(shè)次數(shù)時(shí)所得到的模型參數(shù)作為訓(xùn)練好的CNN模型的模型參數(shù)。

該解決方案是一種卷積神經(jīng)網(wǎng)絡(luò)CNN模型的訓(xùn)練方法，其中明確了模型訓(xùn)練方法的各步驟中處理的數(shù)據(jù)均為圖像數(shù)據(jù)以及各步驟如何處理圖像數(shù)據(jù)，體現(xiàn)出神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法與圖像信息處理密切相關(guān)。該解決方案所解決的是如何克服CNN模型僅能識(shí)別具有固定尺寸的圖像的技術(shù)問題，采用了在不同卷積層上對(duì)圖像進(jìn)行不同處理并訓(xùn)練的手段，利用的是遵循自然規(guī)律的技術(shù)手段，獲得了訓(xùn)練好的CNN模型能夠識(shí)別任意尺寸待識(shí)別圖像的技術(shù)效果。因此，該發(fā)明專利申請(qǐng)的解決方案屬于專利法第二條第二款規(guī)定的技術(shù)方案，屬于專利保護(hù)客體。

關(guān)于《專利審查指南》中的上述示例，筆者做如下撰寫變形，如果申請(qǐng)人在原始遞交的文本中記載了如下內(nèi)容：

發(fā)明專利申請(qǐng)的解決方案是，在各級(jí)卷積層上對(duì)訓(xùn)練圖像樣本進(jìn)行卷積操作和最大池化操作后，進(jìn)一步對(duì)最大池化操作后得到的特征圖像樣本進(jìn)行水平池化操作，使訓(xùn)練好的CNN模型在識(shí)別圖像對(duì)象類別時(shí)能夠識(shí)別任意尺寸的待識(shí)別對(duì)象圖像，對(duì)象的類型不做限定，例如包括但不限于視頻等圖像數(shù)據(jù)。

一種卷積神經(jīng)網(wǎng)絡(luò)CNN模型的訓(xùn)練方法，包括：

獲取待訓(xùn)練CNN模型的初始模型參數(shù)，所述初始模型參數(shù)包括各級(jí)卷積層的初始卷積核、所述各級(jí)卷積層的初始偏置矩陣、全連接層的初始權(quán)重矩陣和所述全連接層的初始偏置向量;

獲取多個(gè)訓(xùn)練圖像樣本，所述訓(xùn)練樣本為圖像樣本;

在所述各級(jí)卷積層上，使用所述各級(jí)卷積層上的初始卷積核和初始偏置矩陣，對(duì)每個(gè)訓(xùn)練圖像樣本分別進(jìn)行卷積操作和最大池化操作，得到每個(gè)訓(xùn)練圖像樣本在所述各級(jí)卷積層上的第一特征圖像;

對(duì)每個(gè)訓(xùn)練圖像樣本在至少一級(jí)卷積層上的第一特征圖像進(jìn)行水平池化操作，得到每個(gè)訓(xùn)練圖像樣本在各級(jí)卷積層上的第二特征圖像;

根據(jù)每個(gè)訓(xùn)練圖像樣本在各級(jí)卷積層上的第二特征圖像確定每個(gè)訓(xùn)練圖像樣本的特征向量;

根據(jù)所述初始權(quán)重矩陣和初始偏置向量對(duì)每個(gè)特征向量進(jìn)行處理，得到每個(gè)訓(xùn)練圖像樣本的類別概率向量;

根據(jù)所述每個(gè)訓(xùn)練圖像樣本的類別概率向量及每個(gè)訓(xùn)練圖像樣本的初始類別，計(jì)算類別誤差;

基于所述類別誤差，對(duì)所述待訓(xùn)練CNN模型的模型參數(shù)進(jìn)行調(diào)整;

基于調(diào)整后的模型參數(shù)和所述多個(gè)訓(xùn)練圖像樣本，繼續(xù)進(jìn)行模型參數(shù)調(diào)整的過程，直至迭代次數(shù)達(dá)到預(yù)設(shè)次數(shù);

將迭代次數(shù)達(dá)到預(yù)設(shè)次數(shù)時(shí)所得到的模型參數(shù)作為訓(xùn)練好的CNN模型的模型參數(shù)。

第一種分析過程：

該解決方案是一種卷積神經(jīng)網(wǎng)絡(luò)CNN模型的訓(xùn)練方法，由于限定了訓(xùn)練樣本為圖像樣本，可以理解的是，模型訓(xùn)練方法的各步驟中處理的數(shù)據(jù)均為圖像數(shù)據(jù)以及各步驟如何處理圖像數(shù)據(jù)。由于限定了對(duì)象為圖像，該解決方案所解決的是如何克服CNN模型僅能識(shí)別具有固定尺寸的圖像的技術(shù)問題，采用了在不同卷積層上對(duì)圖像進(jìn)行不同處理并訓(xùn)練的手段，利用的是遵循自然規(guī)律的技術(shù)手段，獲得了訓(xùn)練好的CNN模型能夠識(shí)別任意尺寸待識(shí)別圖像的技術(shù)效果。

第二種分析過程：

該解決方案是一種卷積神經(jīng)網(wǎng)絡(luò)CNN模型的訓(xùn)練方法，第一，修改后的權(quán)利要求雖然引入了訓(xùn)練樣本為圖像樣本，但其僅僅是體現(xiàn)了該訓(xùn)練方法使用的數(shù)據(jù)是圖像數(shù)據(jù)，這樣修改后的方案，除了能反映出輸入輸出數(shù)據(jù)的技術(shù)性含義，對(duì)于其中涉及的算法的改進(jìn)仍然是針對(duì)抽象算法本身的改進(jìn)，并不能體現(xiàn)出針對(duì)圖像數(shù)據(jù)的特點(diǎn)，有針對(duì)性的將抽象算法與技術(shù)數(shù)據(jù)進(jìn)行技術(shù)上的關(guān)聯(lián)處理。

第二，從申請(qǐng)文件的本意來看，本申請(qǐng)僅是提出了一種通用意義上的卷積神經(jīng)網(wǎng)絡(luò)CNN模型的訓(xùn)練方法，屬于針對(duì)訓(xùn)練方法本身的改進(jìn)。可見，本申請(qǐng)所要解決的問題并非技術(shù)性的問題。從方案的具體描述來看，無論卷積神經(jīng)網(wǎng)絡(luò)CNN模型訓(xùn)練中使用的數(shù)據(jù)是圖像數(shù)據(jù)或其他不同數(shù)據(jù)，都不會(huì)對(duì)模型訓(xùn)練的具體實(shí)施步驟產(chǎn)生影響，該訓(xùn)練過程并沒有體現(xiàn)出對(duì)不同類型數(shù)據(jù)所采取的適應(yīng)性調(diào)整。

第三，從技術(shù)三要素的角度分析：該方案所解決的問題仍然是對(duì)卷積神經(jīng)網(wǎng)絡(luò)CNN模型訓(xùn)練方法本身的不足來進(jìn)行優(yōu)化的問題，不屬于技術(shù)問題。所采用的手段是卷積操作、最大池化操作和水平池化操作等手段，并非利用了自然規(guī)律的技術(shù)手段。獲得的效果是使得訓(xùn)練好的CNN模型能夠識(shí)別任意尺寸待識(shí)別對(duì)象的效果，并非技術(shù)效果。

基于上述兩種分析過程可知，上述兩種分析過程最后的結(jié)論是兩個(gè)截然相反的結(jié)論。而實(shí)際上，上述《專利審查指南》中的示例和上述變形后的撰寫示例在本質(zhì)上是相同的方案，兩者的區(qū)別僅在于后者在權(quán)利要求書中僅限定了訓(xùn)練樣本為圖像樣本，沒有將圖像與訓(xùn)練過程“密切結(jié)合”起來，使得圖像這一技術(shù)特征沒有在權(quán)利要求中進(jìn)行顯性表達(dá)，而是很隱蔽的進(jìn)行隱性表達(dá)了。也許是后者的這一撰寫方式給了他人一種非密切結(jié)合的主觀判斷，給了他人一種其不是保護(hù)客體的第一印象，甚至是認(rèn)為申請(qǐng)人期望獨(dú)占被認(rèn)為是純數(shù)學(xué)算法的訓(xùn)練方法的錯(cuò)誤印象，再或許是原始遞交的申請(qǐng)文件中沒有明確定義與圖像相關(guān)的技術(shù)問題和技術(shù)效果，導(dǎo)致后續(xù)無論怎么修改和爭辯都很難扭轉(zhuǎn)局面。

根據(jù)筆者的經(jīng)驗(yàn)，如果原始遞交的版本或者在實(shí)審過程中修改后的權(quán)利要求是上述變形后的撰寫示例，審查意見通知書很可能采用第二種分析過程，最終下發(fā)上述發(fā)明專利申請(qǐng)不是專利保護(hù)客體的結(jié)論。

有鑒于此，筆者建議在撰寫新申請(qǐng)文件時(shí)，需要避免審查員在看完申請(qǐng)文件后，留下其不是保護(hù)客體的第一印象，甚至是認(rèn)為申請(qǐng)人期望獨(dú)占被認(rèn)為是純數(shù)學(xué)算法的訓(xùn)練方法的錯(cuò)誤印象。具體做法例如可以是在說明書中描述多個(gè)關(guān)于實(shí)際應(yīng)用場景的單獨(dú)實(shí)施例，針對(duì)每個(gè)技術(shù)領(lǐng)域設(shè)計(jì)相應(yīng)的技術(shù)性問題，盡量不要上位概括能夠適應(yīng)不同應(yīng)用場景的抽象問題。在權(quán)利要求中將具體技術(shù)領(lǐng)域的技術(shù)數(shù)據(jù)進(jìn)行顯性表達(dá)，體現(xiàn)在方法步驟的大部分執(zhí)行過程中，盡量少使用靜態(tài)限定的隱性表達(dá)方式來限定技術(shù)數(shù)據(jù)。

人工智能領(lǐng)域的專利申請(qǐng)往往與算法等抽象規(guī)則和通用方法緊密關(guān)聯(lián)，此類專利申請(qǐng)是否屬于專利保護(hù)客體一直是業(yè)內(nèi)爭議較大的問題，也是研究熱點(diǎn)和難點(diǎn)。以上針對(duì)說明書和權(quán)利要求書的撰寫建議，可以用于引導(dǎo)審查員更多的關(guān)注技術(shù)特征，減緩或避免審查員在看完申請(qǐng)文件后，留下其不是保護(hù)客體的第一印象，當(dāng)然，也僅僅是拋磚引玉罷了。

參考文獻(xiàn)

[1]中華人民共和國國家知識(shí)產(chǎn)權(quán)局. 專利審查指南[M]. 知識(shí)產(chǎn)權(quán)出版社，2019年.