人工智能专利的未来：请准备好实验数据

人工智能是当今科技界最热门的风口话题之一，向来充满前瞻意识的专利界自然不能错过，各种冠以人工智能之名的专利申请甚嚣尘上。然而静下心来想想，人工智能与传统信息处理技术究竟有什么本质性区别么，这些本质性区别对于人工智能专利会造成什么样的影响呢？

以笔者对于人工智能尤其是近来越来越热的深度学习的有限了解，笔者认为将人工智能区别于传统信息处理技术的本质特征是“黑箱”，换言之，人工智能处理数据的方式对于人类来说正在变得越来越不透明。当然，我们知道深度学习网络中每层神经元的权重值，可是这些权重值并不是我们作为上帝赋给神经元的，而是神经元们通过数据训练自己进化得到的。我们如果希望一个深度学习网络改变其性能（例如进行迁移学习），我们无法直接修改神经元的权重值，只能利用新的数据对深度学习网络进行新的训练。

一个带有“黑箱”性质的技术方案，在利用专利保护时，传统上用于信息处理技术的规则就会显得有些不合身了。例如，当专利权人利用具有特征A+B以实现技术效果X的深度学习模型专利去控告侵权者时，侵权者却声称，特征A+B的深度学习模型根本无法实现技术效果X，只有自己的所实施的特征A+B+C的技术方案才能带来技术效果X。进而主张该权利要求缺乏实用性，根本就不应该被授予专利。

如果是传统的信息处理技术方案，特征A+B到底能否实现技术效果X是专家可以依据本领域公知常识来判断的，因此这样的抗辩是否成立很容易判断。但是对于带有“黑箱”性质的深度学习模型，一个或数个特征究竟能带来怎样的技术效果，就不那么显而易见了。为了支持自己的主张，恐怕诉讼双方需要使用实验数据作为证据了。

需要实验数据来证明技术效果，这话看起来有点眼熟啊。没错，在《审查指南》第2部分第十章3.1.（3）中针对化学领域的发明专利有这样的记载“如果所属技术领域的技术人员无法根据现有技术预测发明能够实现所述用途和／或使用效果，则说明书中还应当记载对于本领域技术人员来说，足以证明发明的技术方案可以实现所述用途和／或达到预期效果的定性或者定量实验数据。”作为对于公开充分的要求。

这并非巧合，而是因为化学其实就是一个带有“黑箱”性质的科学。因此，对于同样带有“黑箱”性质、技术特征与技术效果之间的关系难以准确预测的人工智能技术，我们在用专利对其进行保护时，也很有必要借鉴化学领域专利的一些经验。

也许在不久的将来，在提交一份关于人工智能的专利申请时，我们也必须附带上一份规范、完整的实验数据了。

关注我们： shoushuIP