關于AI技術在中國申請專利的建議

來源：36氪時間：2022-04-20 14:38:20

人工智能（AI）是當前科技領域的最重要的熱點之一，圍繞人工智能技術的知識產權保護也是法律界以及創新主體關注的焦點。本文旨在結合實踐經驗，針對人工智能技術在中國申請專利給出一些建議，以期幫助創新主體更好地保護人工智能領域的技術創新。

一、人工智能技術在中國申請專利面對的主要法律規定

人工智能領域的技術方案通常涉及算法，因此在專利申請中需考慮專利法第二十五條第一款第(二)項中關于“智力活動的規則和方法”、以及專利法第二條第二款中關于發明專利的定義的要求。

此外，人工智能技術在醫療領域的應用日益廣泛，利用人工智能技術進行醫學數據的處理，以輔助診斷或治療的技術方案，在申請專利時，會面臨一個特殊的問題，即專利法第二十五條第一款第(三)項中關于“疾病的診斷和治療方法”的問題。

以下筆者將結合實際案例，介紹目前中國針對以上法條的審查實踐經驗。

01關于智力活動的規則和方法

在2020年2月1日開始執行的最新版中國《專利審查指南》（以下簡稱“審查指南”）中，針對涉及算法特征、商業規則和方法特征的專利申請的審查做出了新的、更為詳細的規定。

根據審查指南第二部分第九章6.1.1以及6.1.2節的規定，權利要求中只要包含了“技術特征”，即，權利要求不僅僅是抽象的算法特征，則不應當依據專利法第二十五條第一款第(二)項排除其獲得專利權的可能性。而對于一個包含了“技術特征”的權利要求，在其通過了上述第二十五條第一款第（二）項的審核后，還應繼續審查其是否符合專利法第二條第二款的規定，即整體考慮權利要求中記載的全部特征，考察該項權利要求是否記載了對要解決的技術問題采用了利用自然規律的技術手段，并且由此獲得符合自然規律的技術效果。

簡而言之，涉及算法的權利要求必須包含“技術特征”，且符合三個“技術性”，即采用技術手段、解決技術問題、獲得技術效果。

針對上述原則性的規定，審查指南以舉例的方式給出了具體的判斷方式，例如，如果權利要求中涉及算法的各個步驟體現出與所要解決的技術問題密切相關，如算法處理的數據是技術領域中具有確切技術含義的數據，算法的執行能直接體現出利用自然規律解決某一技術問題的過程，并且獲得了技術效果，則通常該權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方案。

針對上述規定，我們不免有類似于這樣的疑問：“何為技術特征？”，“何為技術問題、技術手段、技術效果？”，“何為自然規律？”，技術與非技術之間，以及符合與不符合自然規律之間，是否有嚴格明確的界限呢？

遺憾的是，目前在中國的相關法規中，的確沒有非常明確的關于“技術”、“自然規律”等概念的定義，關于這些規定的執行尺度更多的來自于審查實踐經驗的積累。因此，研究和總結典型的審查案例，對理解上述規定有很重要的意義。

以下筆者就與大家一起分享一些實踐中的典型案例。

案例1

1. 一種CTR預估的方法，其特征在于，包括

原始特征訓練步驟：將當前對象的原始特征處理后輸入至深度神經網絡的輸入層，由所述深度神經網絡的多個隱含層進行訓練；

實時特征訓練步驟：將當前對象的實時特征輸入至所述深度神經網絡的最后一個隱含層，與原始特征進行聯合訓練；

預估點擊率輸出步驟：通過所述深度神經網絡的輸出層輸出當前對象的預估點擊率。

本案駁回決定認為，權利要求僅僅是對神經網絡的訓練過程，沒有應用到技術領域，因而權利要求要保護的對象僅僅是一種數學運算方法，屬于人為制定和調整的算法規則，屬于專利法第25條第1款（二）的智力活動的規則和方法，不能被授予專利權。

而復審決定撤銷了駁回決定，并認為由于本申請應用于具體技術領域（CTR），即信息推薦領域，因此可知深度神經網絡所處理的數據，如當前對象，應為所推薦的內容，因此當前對象的原始特征和當前對象的實時特征是具有技術性的并且應當理解為相關技術領域中通常具有的含義，因此，該權利要求的方案采用了對具有技術性的數據進行處理的諸如輸入、訓練、輸出的技術手段，因此，權利要求整體而言，不屬于智力活動的規則和方法，不屬于專利法第25條第1款第（二）項規定的不授予專利權的情形。

案例2

1、一種保險的出險預測方法，所述方法包括：

獲取待處理保險的保單信息；

將所述待處理保險的保單信息輸入深度神經網絡預測模型，預測得到所述待處理保險的出險數據，其中，所述深度神經網絡預測模型的輸入特征為保單信息，輸出特征為出險數據，

其中，將所述待處理保險的保單信息輸入深度神經網絡預測模型，預測得到所述待處理保險的出險數據，包括：對所述待處理保險的保單信息進行預處理；將預處理后的保單信息輸入深度神經網絡預測模型，預測得到所述待處理保險的出險數據，

其中對所述待處理保險的保單信息進行預處理，包括：對保單信息中的被保險人數據按年齡進行離散化處理；對離散化后的被保險人數據進行獨熱編碼；對編碼后的被保險人數據進行歸一化處理。

本案駁回決定認為，權利要求保護一種保險的出險預測方法，其通過離散化、獨熱編碼、歸一化等手段將其保單信息進行預處理，而這些預處理的手段實質上都是按照人為規定的方法，不構成技術手段，將預處理后的保單信息輸入到深度神經網絡中得出預測的出險數據，即采用基于保單信息預測出險數據的手段，解決的是如何預測保險出險數據，而基于保單信息預測出險數據不是符合自然規律的技術手段，同時解決的也不是技術問題，因此不是技術方案，不符合專利法第2條第2款的規定。

然而復審決定撤銷了駁回決定，并認為，首先，對于權利要求的方案是否構成技術方案，應該從整體進行判斷，不能僅因為含有“保單”或“保險”或“預測”等術語就認為不是技術手段，不構成技術方案，本申請涉及對于保單數據的處理，通過深度神經網絡預測模型，對保單數據進行處理，其中采用了多種技術手段，將數據如何進行特征提取是人為設定的，但是這不影響采用相應的技術手段進行處理的技術性，本申請通過組合采用上述技術手段，可以獲得出險數據，解決了人工處理保單數據耗時長，效率低的問題，不能認為得到的是出險預測數據就不符合自然規律。

案例3

1、一種深度哈希學習方法，其特征在于，所述方法應用于深度哈希神經網絡，深度哈希神經網絡包括分類全連接層、哈希層和聚類向量全連接層，所述方法包括：

獲取訓練數據、所述訓練數據的語義標簽、分類全連接層輸出向量、哈希層輸出向量和聚類向量全連接層參數向量，其中，所述訓練數據為圖片；

利用所述訓練數據、所述訓練數據的語義標簽、所述分類全連接層輸出向量、所述哈希層輸出向量和所述聚類向量全連接層參數向量，計算一元哈希損失函數、分類損失函數和量化錯誤函數，其中所述一元哈希損失函數是基于所述聚類向量全連接層參數向量為聚類中心向量計算的；根據所述一元哈希損失函數、所述分類損失函數和所述量化錯誤函數，計算整體損失函數；將所述整體損失函數輸入深度哈希神經網絡中進行反向傳播；訓練反向傳播后的深度哈希神經網絡，得到哈希函數，所述哈希函數用于生成哈希碼，所述哈希碼用于圖像檢索。

審查意見認為，權利要求解決的問題實質上屬于深度哈希學習算法的進一步改進，沒有應用到具體的技術領域，并不是專利法意義的技術問題，其所要達到的技術效果也不屬于專利法意義的技術效果，權利要求的限定部分都是在數學意義上的神經網絡算法改進過程，并非技術手段，不符合專利法第2條第2款的規定。

申請人對權利要求進行了修改，增加了劃線部分，即明確了權利要求應用于具體的技術領域“圖像檢索”，輸入、輸出數據為圖像，和用于圖像檢索的哈希碼，本案在修改后獲得授權。

筆者注意到，以上3個案例，體現了目前中國審查實踐中針對涉及人工智能算法的案件的以下審查要點：

1. 權利要求需應用于具體的技術領域，例如案例1中的CTR、案例2中的保險出險預測、案例3中的“圖像檢索”；

2. 權利要求的輸入、輸出數據需在上述具體的技術領域中具有技術含義，例如案例1中的當前對象（所推薦的內容）、預估點擊率，案例2中的保單信息、出險數據，案例3中的“圖像”、“用于圖像檢索的哈希碼”。

在筆者的實踐經驗中，以上兩點的確是目前針對涉及算法特征的權利要求的基本要求。這與審查指南中給出的示例性的判斷方式：“權利要求中涉及算法的各個步驟體現出與所要解決的技術問題密切相關，如算法處理的數據是技術領域中具有確切技術含義的數據”是一致的。

此外，案例1、2均是駁回后，經復審撤銷駁回決定的案例，我們也能夠看出對于這一領域，不同的審查員之間、實審與復審之間，存在著一定的審查尺度上的差異，這給專利申請能否授權帶來不確定性，同時也帶來了更多的嘗試空間。

案例4

5、一種對用于控制、預測或診斷的分層型神經網絡進行學習的判別器學習方法，該分層型神經網絡由具有節點的輸入層、中間層以及輸出層構成，其中，該判別器學習方法具有以下步驟：

存儲分層型神經網絡中的節點之間的權重；存儲學習數據；存儲訓練數據；

根據存儲的所述訓練數據，計算分層型神經網絡中的多個節點之間的權重的多個校正值，所述分層型神經網絡具有根據糾錯碼的校驗矩陣形成的疏耦合；

利用所述校正值更新所述節點之間的權重值；以及

使用更新了權重值后的分層型神經網絡進行判別，求解分類問題或者回歸問題，其中，在輸入存儲的初始化后的權重或者學習中的權重并輸入存儲的學習數據時，將使用所述初始化后的權重或者學習中的權重和所述學習數據的判別結果用于權重的學習，并且，在輸入已學習的權重并輸入判別數據時，將使用所述已學習的權重和所述判別數據的判別結果輸出給外部的傳輸裝置?！?/p>

本案駁回后，復審決定也維持了駁回決定，復審決定認為，本申請實際要解決的問題是如何實現分層型神經網絡/算法數學模型高速化的問題。上述問題是一種算法數學模型計算問題，不屬于專利法意義上的技術問題……上述手段并未與具體的技術領域相結合，其實際采用的手段是自定義校正值、權重值配置，屬于人為規定，其中所涉及的數據不具有專利法意義上的技術性含義，而是通用的算法數學模型數據，通過通用計算機架構對上述非技術性數據執行存儲、計算和更新等算法數學模型程序的過程，不屬于專利法意義上的技術手段……上述分層型神經網絡裝置實質上是一種算法數學模型。就“用于與控制、預測或診斷”而言，是算法數學模型的功能屬性，并非專利法意義上的具體的技術領域……不符合專利法第2條第2款的規定。

案例5

1、一種確定統計模型參數的方法，用于基于N個數據點確定統計模型的參數，其中N為大于或等于2的整數，其特征在于，包括：

接收包括N個數據點以及N個數據點的D個屬性的數據集以組織成輸入矩陣，其中D為大于或等于1的整數；

根據所述輸入矩陣，設定K個聚類中心、所述參數的初始值以及后驗概率矩陣的初始值，其中，后驗概率表示第n個數據點在第k個聚類中心上的后驗概率，其中K為大于或等于2的整數，1≤n≤N，1≤k≤K，以及根據以及所述參數的初始值計算；

……

根據各數據點在各所述聚類中心的殘差，針對所述M個數據點中的每個數據點，分別從所述K個聚類中心中選出殘差最大的L個聚類中心；

其中，N為用戶數量，每個用戶包括D個屬性，具有所述參數的統計模型用于對用戶進行聚類，以確定每一類用戶的消費習慣。

本案駁回后，復審維持了駁回決定，復審決定認為，……雖然其中提到了“N為用戶數量，每個用戶包括D個屬性，具有所屬參數的統計模型用于對用戶進行聚類，以確定每個用戶的消費習慣”，但權利要求的方案中并未體現各個參數在該領域中的具體含義，也就是說，權利要求并未真正與確定用戶消費習慣這一領域進行結合，因此權利要求并未結合任何的應用領域……上述手段的實質是算法本身……不符合第2條第2款的規定。

案例4和案例5都從反面印證了筆者針對案例1、2、3總結的經驗，即“具體技術領域”和“輸入、輸出數據有具體技術含義”是基本要求。其中案例4的領域“用于控制、預測或診斷”太過籠統，未體現具體技術領域，輸入、輸出數據“訓練數據、權重、判別數據”等沒有具體技術含義，而案例5中，輸入、輸出數據“數據點、聚類中心”等沒有具體的技術含義，因此兩案都未能授權。

02關于疾病的診斷和治療方法

根據審查指南第二部分第一章第4.3節的規定，疾病的診斷和治療方法，是指以有生命的人體或者動物體為直接實施對象，進行識別、確定或者消除病因或病灶的過程。但是，用于實施疾病診斷和治療方法的儀器或裝置，以及在疾病診斷和治療方法中使用的物質或材料屬于可被授予專利權的客體。

審查指南4.3.1.2還規定，以下幾類方法是不屬于診斷方法的例子：

(2)直接目的不是獲得診斷結果或健康狀況，而只是從活的人體或動物體獲取作為中間結果的信息的方法，或處理該信息(形體參數、生理參數或其他參數) 的方法；

(3)直接目的不是獲得診斷結果或健康狀況，而只是對已經脫離人體或動物體的組織、體液或排泄物進行處理或檢測以獲取作為中間結果的信息的方法，或處理該信息的方法。

對上述(2) 和(3) 項需要說明的是，只有當根據現有技術中的醫學知識和該專利申請公開的內容從所獲得的信息本身不能夠直接得出疾病的診斷結果或健康狀況時，這些信息才能被認為是中間結果。

關于疾病的診斷和治療方法，審查指南主要從“直接實施對象”（有生命的人體或動物體）和“直接目的”（診斷或治療）兩方面進行規定。而對于輸出結果為“中間結果”的方法，則要求“根據現有技術中的醫學知識和該專利申請公開的內容從所獲得的信息本身不能夠直接得出疾病的診斷結果或健康狀況”。

然而，筆者注意到，從一些案例也可以反映出，在目前的審查實踐中，對“疾病的診斷及治療方法”的審查標準可能比指南的規定更為嚴格。以下是兩個比較典型的案例。

案例6

1、一種面部毛孔檢測方法，其特征在于，所述方法包括：

獲取待檢測皮膚的皮膚圖像；

利用訓練好的卷積神經網絡模型對所述皮膚圖像中的毛孔圖像進行識別；

對識別出的毛孔圖像進行圖像處理，得到毛孔的量化指標，所述量化指標包括毛孔色差量化指標、毛孔面積量化指標和毛孔密度量化指標中的任一種或任意組合。

本案駁回決定認為，權利要求請求保護一種面部毛孔檢測方法，所用到的“皮膚圖像”是直接以有生命的人為對象而獲取的，以檢測出有生命的人體不同的皮膚狀態等級為直接目的，根據其說明書記載可知：“皮膚狀態，包括根據毛孔量化指標、毛孔粗大的程度，劃分為正常皮膚、精度毛孔粗大皮膚、中度毛孔粗大皮膚等不同的皮膚狀態等級；也包括根據毛孔粗大的醫學診斷結果，劃分為單純性毛孔粗大、皮膚溢出型毛孔粗大等皮膚狀態”，也就是說，根據該方法，可以直接獲得毛孔粗大的醫學診斷結果，屬于疾病診斷的目的。因而其屬于專利法第25條第1款第（三）項所述的疾病的診斷和治療方法的范圍，因此不能授予專利權。

該案例的權利要求中，方法的直接實施對象實際是“皮膚圖像”，并非人體皮膚本身，方法的直接目的是得到“皮膚量化指標”，而并非直接的皮膚疾病的診斷結果。但是駁回決定認為，“皮膚圖像是直接以有生命的人為對象而獲得的”，這相當于擴大了指南規定中“對象”的范圍。并且，說明書中有關于根據皮膚量化指標能夠得到診斷結果的描述，因此不符合指南中所規定的“只有當根據現有技術中的醫學知識和該專利申請公開的內容從所獲得的信息本身不能夠直接得出疾病的診斷結果或健康狀況時，這些信息才能被認為是中間結果”的規定，導致該案最終無法授權。

案例7

9、一種穿刺路徑規劃方法，其特征在于，所述方法應用于穿刺路徑規劃裝置，所述方法包括：

獲取被測對象的預設區域的超聲圖像；

根據所述超聲圖像上被測對象體內的目標區域的定位點的定位位置、所述定位位置與被測對象體表之間的第一距離以及被測對象體內的目標點的定位區域，規劃到達目標點的第一穿刺路徑，其中，所述第一穿刺路徑包括針對被測對象體表的第一穿刺點位置、第一穿刺夾角以及第一穿刺距離；

顯示所述超聲圖像以及所述第一穿刺路徑。

本案審查意見認為，權利要求涉及一種穿刺路徑規劃方法，其中限定了根據獲取到的被測對象體內的超聲圖像信息，對穿刺部件的穿刺路徑進行規劃等步驟，并根據路徑規劃結果，對醫生在實施手術過程中的穿刺操作進行指導。由此可知，該穿刺路徑規劃方法的實施對象實質上是有生命的人體，其是一種為實施外科手術治療方法而采用的輔助手段，屬于疾病的治療方法，因此，權利要求屬于專利法第25條第一款第（三）項規定的疾病的診斷和治療方法的范圍，不能授予專利權，

本案權利要求中，方法的直接實施對象為“超聲圖像”，所得到的結果為“第一穿刺路徑”，方法本身是一個“從數據到數據”的數據處理過程，并沒有涉及治療或介入人體的操作。但是審查意見認為該方法“是一種為實施外科手術治療方法而采用的輔助手段，屬于疾病的治療方法”，不予授權。從該案可以看出，目前的審查實踐對疾病的治療方法的審查標準，比指南中的“直接實施對象”和“直接目的”的標準更為嚴格，如果方法的結果是為了輔助治療（例如輔助外科手術），那么盡管方法本身沒有以有生命的人體或動物體為直接實施對象、沒有以治療為直接目的、也沒有介入生命體的步驟，仍然有可能以“疾病的治療方法”為理由不予授權。

二、專利申請文件撰寫建議

基于以上法律規定以及案例，筆者針對涉及人工智能算法的技術方案在中國申請專利，給出如下的專利申請文件撰寫建議，供讀者們參考。

（1）由于訓練過程不易取證，建議盡可能部署應用過程的權利要求。

（2）針對客體問題，我們建議權利要求中必須體現算法所應用的具體技術領域，例如圖像識別、出險評估等。如果權利要求中僅限定算法應用于比較籠統的技術領域，例如“控制”、“分類”等，則有一定的駁回風險。

權利要求中算法要與具體技術領域緊密結合，即，至少算法的輸入、輸出數據應在該具體技術領域中有技術含義。如果算法的輸入、輸出數據是沒有技術含義的數據，例如“樣本”、“訓練數據”、“聚類結果”等，則有一定的駁回風險。

說明書中應從技術角度寫明技術問題和技術效果，盡量避免以數學意義上的效果、或用戶主觀體驗等作為直接甚至唯一效果。

建議說明書中給出算法在具體技術領域的應用場景中如何執行的示例，并配以應用場景的示意圖。

這里要特別注意的是，根據當前審查指南的規定，如果權利要求的本質是抽象的算法，那么即便在權利要求中加入處理器、存儲器等通用硬件，并限定算法由這些硬件執行，仍然難以降低因客體問題而被駁回的風險。

（3）對于與醫療相關的方案，權利要求中方法的輸出結果，不應是“根據現有技術中的醫學知識和該專利申請公開的內容”能夠直接得出疾病的診斷結果或健康狀況的信息，說明書中也建議不要體現出該輸出結果能夠直接得出疾病的診斷結果或健康狀況。

權利要求不應涉及與輔助治療、介入人體等有關的步驟，特別建議也不要出現相關敏感詞匯，例如“穿刺”、“切割”等。

說明書中，建議不要以診斷或治療（包括輔助治療）作為直接要解決的問題或直接實現的效果，可改為“提高圖像識別精度”、“提高路徑規劃效率”等非醫療目的問題或效果。

此外，對于涉及醫療的人工智能算法方案，建議部署裝置權利要求，包括與方法對應的程序模塊架構權利要求，以規避疾病的診斷和治療方法問題。