路浩视点 | 基于AI算法的专利申请典型问题探讨

在涉及计算机程序的发明创造中，AI算法专利申请量逐年递增，备受关注。

根据笔者观察，在专利代理实务中， 在基于AI算法专利申请的授权之路上，常常出现两大“拦路虎”，其一为“客体问题”，其二为“创造性问题”。笔者在此尝试对这两大问题进行剖析，以期能对专利代理师在此类案件的代理上略有帮助。

基于AI算法的专利申请首先需要满足客体要求，笔者在此主要从《专利法》第二条第二款角度，分析基于AI算法的专利申请如何满足客体问题。

在现行的《专利法》第二条第二款规定：发明，是指对产品、方法或者其改进所提出的新的技术方案。可以看出，“技术方案”是专利法对客体要求的关键词，对于涉及AI算法的专利申请，由于其技术方案中除了技术特征外，还包括不属于“自然规律”且属于“人为设定的智力活动的规则和方法”的算法特征，其相对于诸如传统的纯机械领域的技术方案，客体的问题有了争议的可能。

基于这种争议，2021年修订后的《专利审查指南》在第二部分第九章第6.1节，针对包含算法特征或商业规则和方法特征等智力活动的规则和方法特征的专利申请的审查特殊性做出了规定，明确给出了审查基准：

审查应当针对要求保护的解决方案，即权利要求所限定的解决方案进行。在审查中，不应当简单割裂技术特征与算法特征或商业规则和方法特征等，而应将权利要求记载的所有内容作为一个整体，对其中涉及的技术手段、解决的技术问题和获得的技术效果进行分析。

2021《专利审查指南》进一步指出：

对一项包含了算法特征或商业规则和方法特征的权利要求是否属于技术方案进行审查时，需要整体考虑权利要求中记载的全部特征。如果该项权利要求记载了对要解决的技术问题采用了利用自然规律的技术手段，并且由此获得符合自然规律的技术效果，则该权利要求限定的解决方案属于专利法第二条第二款所述的技术方案。例如，如果权利要求中涉及算法的各个步骤体现出与所要解决的技术问题密切相关，如算法处理的数据是技术领域中具有确切技术含义的数据，算法的执行能直接体现出利用自然规律解决某一技术问题的过程，并且获得了技术效果，则通常该权利要求限定的解决方案属于专利法第二条第二款所述的技术方案。

参照下图：

通过上述规定可以看出，基于AI算法的专利申请在进行客体评价时，需要整体考虑权利要求记在的全部特征，这些特征既包括技术特征，也包括算法特征，以二者的集合形成的技术方案为对象，判断其解决了什么技术问题，取得了什么技术效果。

综上所述，在撰写基于AI算法的专利申请时，需要着重关注技术问题、技术手段和技术效果三个要素，从而使其符合专利法所要求的“技术方案”的定义，进而被判定为可以授予专利权的客体。遵循上述思路，如下图所示，客体问题的解决之道为：

找到具体业务场景，分析在该在业务场景中存在的技术问题。注意，该技术问题应该是借助AI算法能够解决或者能够部分解决的技术问题。也就是说，涉及人工智能的发明专利申请的解决方案，其执行计算机程序的目的是为解决技术问题或者完成该技术问题的某个环节。

在计算机上运行AI算法，是对外部或内部对象进行控制或处理且遵循自然规律的技术手段，着重表现为以下三点：

（1） 输入AI算法的数据要“有来源”，其含义是，输入数据要体现业务场景中的物理含义，具备应用场景属性；

（2） 从AI算法输出的数据要“有去处”，其体现在，AI算法输出的结果放入特定应用场景中能够解决技术问题；

（3） AI算法对输入数据的处理算法需要与技术特征融合在一起，形成技术方案对应的各个步骤；换句话说，AI算法与技术特征不被割裂，二者需要有机结合。

将AI技术作为解决问题的手段，使得特定应用场景下所存在的缺陷得以克服，并且在特定业务场景中体现出对应的效果。

AI算法应用的领域非常广泛，包括机器人、语言识别、图像识别、自然语言处理和专家系统等，其可以解决上述诸多领域的不同应用场景下不同的技术问题。这就给基于AI算法的专利申请的创造性判断带来的困难：AI算法解决的问题虽然各不相同，但 AI算法基础逻辑可以通用，应用相似的算法解决不同技术问题时，创造性评价的是焦点问题。

2021《专利审查指南》第二部分第九章第6.1.3规定：

对既包含技术特征又包含算法特征的发明专利申请进行创造性审查时，应将与技术特征功能上彼此相互支持、存在相互作用关系的算法特征与所述技术特征作为一个整体考虑。

其中，“功能上彼此相互支持、存在相互作用关系”是指算法特征与技术特征紧密结合、共同构成了解决某一技术问题的技术手段,并且能够获得相应的技术效果。在进行创造性审查时，应当考虑与技术特征在功能上彼此相互支持、存在相互作用关系的算法特征对技术方案作出的贡献。

《专利审查指南》的这一规定，进一步强化了技术特征与算法特征功能上的彼此支持以及相互作用对解决技术问题进而取得技术效果在创造性判断上的作用。也就是说，在判断创造性时，不能单独只考虑AI算法本身，不能因为AI算法的数学逻辑是现有技术，或者AI算法在其他领域有应用，就武断地否定其在其他应用场景下的创造性，还要考虑AI算法与技术特征结合所致力于解决的技术问题与取得的技术效果。

但是，《专利审查指南》虽然肯定了技术特征与算法特征功能上的彼此支持以及相互作用对解决技术问题进而取得技术效果在创造性判断上的作用，对于上文所提出的“应用相似的算法解决不同技术问题”时如何评价创造性，却缺少细化和完善的指导。

在2022年度专利复审委员会评定的专利复审无效十大案件中，涉及一件AI算法专利的无效案件，案件具体信息如下：

复审委员会的决定要点指出：

在判断包含算法特征的发明专利的创造性时，应将其算法和应用场景进行整体把握。即使现有技术公开了相同或类似的算法架构及相关模块，但由于算法应用到不同场景时，需要根据应用场景的不同、所要解决的技术问题的不同对算法的训练模式、重要参数或相关步骤等进行调整，如果该调整解决了不同应用场景下特定的技术问题并相应获得了有益的技术效果，则在创造性判断时应予以考虑。

下面，通过对上述无效案件的具体说明，对复审委员会的决定要点做进一步地解释：

首先，合议组认为，通过对专利201910958076.8与证据1的比对，确定三方面的区别，分别是，应用场景不同、方法步骤不同，以及所选取的重要参数和所采用的具体模块构成不同。具体情形在此不详述。

接下来，合议组认为，基于上述区别，权利要求1实际要解决的问题是:建立对废钢料等级划分的神经网络模型，以解决废钢收储的等级分类检测的应用场景中的等级划分问题，以及针对该问题如何具体选取数据参数和相关模块。

最后，合议组就三篇证据，证据1、证据2和证据3，分别论述了其没有采用上述区别技术特征解决重新确定技术问题的技术启示。尤其是针对证据2的说理方式，值得我们认真研究，为非显而易见性的判断给出了更加细节的指引，现摘录如下：

…因此，证据2公开了一种卷积神经网络模型，其中对图像数据特征提取时，采用了由集合输出的多条线路卷积层或卷积层加池化层计算构成的对图像中的数据特征的提取，其中，证据2的图8公开的模块框架是由三条线路卷积层加池化层计算输出的集合输出构成。包括从左至右的第一条线路一层池化层、第二条线路二层卷积层和第三条线路四层卷积层:图17公开的框架模块是由三条线路卷积层计算输出的集合输出构成，包括从左至右的第一条线路0卷积层、第二条线路二层卷积层和第三条线路三层卷积层；至少三条线路卷积层或卷积层加池化层计算输出的集合输出构成了对图像中特征的提取，每一条线路的卷积层数各不相同;图18公开的框架模块提取的卷积层计算的线路数为四条，大于前述模块计算的线路数。

由此可见，证据2公开了上述第三点区别的在卷积神经网络模型中对图像数据特征进行提取时可以采用的具体模块构成，并公开了采用了证据2的整体模型架构可以加速网络的训练、并使训练更加稳定的相关内容。但是，证据2没有公开具体提取的是图像数据的哪些特征，也没有公开提取相关数据特征用于何种具体的应用场景、解决该场景中具体存在的哪些技术问题。因此，证据2没有给出建立废钢料等级划分的神经网络模型的相关技术启示，更没有给出为解决该技术问题具体要提取哪些相关参数的技术启示。

从复审委员会的上述评议可以看出，尽管对比文件2公开了目标专利所采用的卷积神经网络的具体模块，但是，由于证据2公开的卷积神经网络并没有与具体的应用场景相结合，更没有针对性地解决某一场景技术问题，所以AI算法相关的架构或者具体模型的公开，并不必然会导致将相关AI算法应用于具体场景解决具体技术问题的专利申请没有新创性。

在代理基于AI算法的专利申请时，务必要将AI算法与应用场景整体把握，面对现有技术已经公开的相同或者类似的算法架构甚至相关模块的专利申请的技术交底书，对这种专利申请的创造性一棒子打死或者对类似专利的OA答复万念俱灰，应当对如下内容进行仔细分析：

从法律角度看，客体与创造性时专利法对专利申请符合授权条件的两个独立的不同角度的要求；但对于专利代理实务而言，为了使得“两只虎”无法“拦路”，专利代理师可以通过同一思维模式去克服，即：