涉及人工智能的方案也可能无法申请专利

人工智能客体问题审查焦点在了解人工智能相关申请的客体问题之前，我们需要先明确何为人工智能相关申请。指引一章1节对人工智能相关申请的常见类型进行了分类，包括：

1）涉及人工智能算法或模型本身的相关申请人工智能算法或模型，即高级的统计和数学模型形式，包括机器学习、深度学习、神经网络、模糊逻辑、遗传算法等。该类型的申请通常涉及人工智能算法或模型本身及其改进或优化，例如，模型结构、模型压缩、模型训练等。

2）涉及基于人工智能算法或模型的功能或领域应用的相关申请基于人工智能算法或模型的功能，指使用一种或多种人工智能算法或模型实现的功能。例如，自然语言处理、计算机视觉、语音处理、知识表示与推理（如知识图谱、图计算等）、数据挖掘等。基于人工智能算法或模型的领域应用，指将人工智能应用于各类场景。例如，交通运输、商业、教育、娱乐、金融等领域。

3）涉及人工智能辅助作出的发明的相关申请该类型的申请，人工智能发挥的作用类似于信息处理器或绘图工具等。例如，利用人工智能识别特定蛋白质结合位点，终获得的新型药物化合物。

4）涉及人工智能生成的发明的相关申请人工智能生成的发明，指人工智能在没有人类实质性贡献的情况下自主生成的发明创造。例如，由人工智能技术自主设计的食品容器。可以理解，人工智能主要和算法或模型相关，算法或模型以数学理论为基础发展而来，且其通常与计算机程序相结合。而智力活动的规则和方法包括：演绎、推理和运筹的方法，计算机的语言及计算规则，数学理论和换算方法，计算机程序本身。可见，人工智能相关申请与智力活动的规则和方法十分相似。

针对人工智能相关申请，指引一章第2.2节对如何把握客体标准作出了规定：“人工智能相关专利申请的客体问题主要集中在，如何判断一项解决方案是否属于智力活动的规则和方法，是否构成专利法意义上的技术方案，特别是如何判断方案采用的手段是否是遵循自然规律的技术手段，什么样的问题属于技术问题，怎样才是符合自然规律的技术效果。”所以，判断人工智能相关申请的客体问题，与判断智力活动的规则和方法的客体问题，是存在异曲同工之处的。那么，相比起常规的智力活动的规则和方法，人工智能相关申请的客体问题有何特别之处？人工智能客体问题审查规则人工智能客体问题的审查规则，与智力活动的规则和方法大体上是相同的，也是可以从两个方面来判断：基于法规的通用基本审查规则，以及结合具体示例。

只不过，指引针对一些涉及人工智能的具体场景，在常规的智力活动的规则和方法的基础上，作出了进一步详细说明，并且给出了若干结合人工智能的具体场景的示例。通用基本审查规则给出了人工智能属于技术方案的三种具体情形

1）仅包含智力活动的规则和方法，不属于专利客体指引第三章1节明确规定：“权利要求的方案不能仅涉及智力活动的规则和方法。”同样的道理，即使涉及人工智能的方法是由计算机来执行，如果计算机只是载体作用，该载体上的内容是纯智力活动的规则和方法，那本质上也视为仅包含智力活动的规则和方法，仍然不属于专利保护的客体。

2）不仅包含智力活动的规则和方法，需要进一步判断是否属于专利客体指引第三章1.3节明确规定：“即便权利要求的解决方案不再属于智力活动的规则和方法，想要成为专利保护的客体，还需满足专利法第二条第二款关于技术方案的规定。”对于如何判断是否属于技术方案，指引第三章第2.2节给出了属于技术方案的几种常见情形：情形一：人工智能算法或模型处理的是技术领域中具有确切技术含义的数据情形二：人工智能算法或模型与计算机系统的内部结构存在特定技术关联情形三：基于人工智能算法挖掘具体应用领域的大数据中符合自然规律的内在关联关系可见，人工智能客体问题的通用基本审查规则，与智力活动的规则和方法类似，但指引针对人工智能相关申请是否属于技术方案，给出了三种更明确的情形。

具体示例给出了若干结合人工智能的具体场景的示例与智力活动的规则和方法类似，仅根据通用基本审查规则无法快速判断客体问题的话，结合具体示例来判断，可以达到事半功倍的效果。下面根据不同类型对指引给出的示例进行划分和说明：类型Ⅰ：仅包含智力活动的规则和方法，不属于专利客体示例1一种仅基于抽象算法的通用神经网络模型建立方法，或是，仅利用优化后的损失函数对通用神经网络进行训练以加速训练收敛的方法。

【分析】这些方法均被认为是一种抽象数学算法，属于仅包含智力活动的规则和方法，不可授予专利权。示例2例如，一种对神经网络进行训练的计算机系统，包括存储器和处理器，其中存储器存储指令，处理器读取指令，以利用优化损失函数对通用神经网络进行训练。

【分析】该方案中，计算机系统中的存储器、处理器仅是算法存储和执行的常规载体，其实质内容为“利用优化损失函数对通用神经网络进行训练”，属于智力活动的规则和方法，所以该方案也视为仅包含智力活动的规则和方法，仍然不属于专利保护的客体。类型Ⅱ（情形一）：人工智能算法或模型处理的是技术领域中具有确切技术含义的数据如果一项权利要求能够体现人工智能算法或模型处理的对象是技术领域中具有确切技术含义的数据，使得基于本领域技术人员的理解，能够知晓算法或模型的执行直接体现出利用自然规律解决某一技术问题的过程，且获得了技术效果，则该权利要求限定的解决方案属于技术方案。

示例3一种利用神经网络模型对图像进行识别和分类的方法。

【分析】图像数据属于技术领域中具有确切技术含义的数据，如果本领域技术人员能够知晓解决方案中对图像特征进行处理的各个步骤与要解决的识别物体并分类的技术问题密切相关，且获得了相应的技术效果，则该解决方案属于技术方案。类型Ⅲ（情形二）：人工智能算法或模型与计算机系统的内部结构存在特定技术关联这种特定技术关联体现了算法特征与计算机系统的内部结构相关特征在技术实现层面相互适应、彼此配合，如为支持特定算法或模型的运行而调整计算机系统的体系构架或相关参数，针对特定的计算机系统内部结构或参数对算法或模型作出适应性改进，或是以上两者的组合。

示例4一种面向忆阻器加速器的神经网络模型压缩方法，包括：步骤1、通过阵列感知的规则化增量剪枝算法，在网络裁剪针对忆阻器实际阵列尺寸进行剪枝粒度的调整，获得适配忆阻器阵列的规则化稀疏模型；步骤2、通过二的幂次量化算法，降低ADC精度需求和忆阻器阵列中低阻值器件个数以总体降低系统功耗。

【分析】为了提高忆阻器加速器性能而进行的算法改进，受硬件条件参数的约束，反映出了算法特征与计算机系统的内部结构存在特定技术关联。特定技术关联并不意味着必须对计算机系统的硬件结构做出改变。对于人工智能算法改进的解决方案，即使计算机系统的硬件结构本身并未发生改变，但是该方案通过优化系统资源配置使得其整体上能够获得计算机系统内部性能改进的技术效果，这类情形下，可以认为人工智能算法特征与计算机系统的内部结构存在特定技术关联，能够提升硬件的执行效果。

示例5一种深度神经网络模型的训练方法，包括：当训练数据的大小发生改变时，针对改变后的训练数据，分别计算所述改变后的训练数据在预设的候选训练方案中的训练耗时；从预设的候选训练方案中选取训练耗时小的训练方案作为所述改变后的训练数据的佳训练方案，所述候选训练方案包括单处理器训练方案和基于数据并行的多处理器训练方案；将所述改变后的训练数据在所述佳训练方案中进行模型训练。

【分析】为解决深度神经网络模型训练速度慢的问题，针对不同大小的训练数据，选择适配具有不同处理效率的单处理器训练方案或多处理器训练方案，该模型训练方法与计算机系统的内部结构存在特定技术关联，提升了训练过程中硬件的执行效果。类型Ⅳ（情形三）：基于人工智能算法挖掘具体应用领域的大数据中符合自然规律的内在关联关系利用人工智能算法或模型进行数据挖掘并训练出能够根据输入数据得到输出结果的人工智能模型的手段不能直接构成技术手段，只有当基于人工智能算法或模型挖掘出的数据之间的内在关联关系符合自然规律时，相关手段整体上方可构成利用自然规律的技术手段。因此，需要在权利要求记载的方案中明确为得到分析结果，具体采用了哪些指标、参数等来反映被分析对象的特点，利用人工智能算法或模型挖掘出的这些指标、参数等（模型输入）与结果数据（模型输出）之间的内在关联关系是否符合自然规律。

示例6一种食品安全风险预测方法，包括：获取并分析历史食品安全风险事件，得到表征食品原料、食用物品、食品抽检毒害物的各个头部实体数据和尾部实体数据、及其对应的时间戳数据；根据各个头部实体数据及其对应的尾部实体数据、及其对应的携带有时间戳数据的表征各类危害物含量等级、风险或干预的实体关系，构建对应的四元组数据，得到对应的知识图谱；利用所述知识图谱对预设神经网络进行训练，得到食品安全知识图谱模型；基于所述食品安全知识图谱模型对待预测时刻的食品安全风险进行预测。

【分析】基于食品会随时间而变化的固有特点（如，食品保存时间越长，食品中微生物含量越多，食品抽检毒害物含量会随之增加，当食品中包含多种会发生化学反应的原料时，该化学反应随时间推移也可能在未来某个时刻引发食品安全风险）来预测食品安全风险，从而在构建知识图谱时加入时间戳，基于各个时刻下的与食品安全风险相关的实体数据训练预设神经网络，以此预测待预测时刻的食品安全风险，利用了遵循自然规律的技术手段。指引中给出的示例虽然数量不多，但是仅依据这些示例也足以帮助我们对大部分的常见情况作出判断了。而且，指引中给出的示例是审查员认为比较典型的示例，审查员在审查客体问题时也会结合这些示例来判断，所以这些示例也是具备一定含金量的，不容忽视。

原创 知研团队 免责声明：版权归原创所有仅供学习参考之用，禁止用于商业用途，部分文章推送时未能及时与原作者取得联系，若来源标错误侵犯到您的权益烦请告知我们将立即删除。