从创造性审查规则看人工智能领域专利的申请

案例背景：申请案提出一种识别船只数量的方法，包括数据预处理、模型训练及数量计算等步骤，旨在解决海域内船只准确识别的问题。对比文件1公开了一种识别树上果实数量的方法，步骤包括获取图片、标记位置边界、数据集划分及模型训练等。

两者技术领域不同（船只 vs 果实），但所采用的深度学习模型及算法流程相近。

申请方案与对比文件1的区别仅在于识别对象不同。尽管船只与果实在外观、环境上存在差异，但申请文件未体现因对象差异而对模型结构、训练方式或层级做出的改进。在算法流程和模型参数无实质性改变的情况下，此类简单转用通常被认定为不具备创造性。

当跨领域应用相同或相近模型时，申请人应重点说明针对新领域特有技术问题所做的模型改进。例如，在船只识别中，需具体阐述如何应对海浪干扰、远距离图像模糊等特殊问题，从而对模型结构、参数或训练方法进行针对性调整，以体现实质性贡献。

案例背景：申请案提出一种建立废钢等级划分神经网络模型的方法，通过特殊的卷积层结构学习，提高废钢等级划分的效率和准确率。对比文件1提供了一种基于卷积神经网络的废钢种类识别方法。

两者均属于废钢识别领域，但申请案侧重于“等级划分”，而对比文件侧重于“种类识别”。

虽然应用场景相似，但为解决废钢等级划分这一特定问题（需识别形状、厚度、颜色、纹理等），申请案对卷积层和池化层的线路数量、层级设置进行了实质性调整。这些算法特征与技术功能相互支持，提升了准确性，且未被现有技术公开或暗示。因此，该方案具备创造性。

在同一领域内，若采用与现有技术不同的模型，通常是为了解决该领域下的特定技术难题。申请人应精准定位特有技术问题，并详细阐述模型如何适配该场景，说明模型为适配特定需求所做出的具体改进与调整。

结合上述示例，申请人工智能具体领域应用专利时建议遵循以下原则：

1. 充分检索与定位：在申请初期明确应用领域下的具体技术问题，避免使用“提高识别准确率”等泛化表述，同时排查现有相同或相近模型。

2. 细化技术方案：基于领域特有的技术困难，详细说明模型所做的相应改进。强化专利申请与应用场景的关联，证明模型调整是为了解决特定问题。

3. 阐明关联与效果：充分说明模型改进与应用领域特征之间的逻辑关联、技术原理以及由此带来的具体技术效果。

通过在申请文件中充分公开并体现上述实质性特点，有助于更好地展现发明创造的创造性贡献，从而提高授权概率。