撰写与人工智能相关的发明专利时如何避免出现客体问题

随着近几年人工智能技术的兴起和发展，与人工智能相关的发明专利的申请量也越来越多，涉及的应用领域也越来越广泛。由于人工智能技术本身较为抽象，又涉及到计算机程序的执行，在撰写与人工智能相关的发明专利申请时，如何避免被审查员判定为不符合专利法所保护的授权客体，这是代理人需要思考和探究的问题。

首先，简单了解下什么是人工智能技术。

人工智技能技术通常指的是利用计算机或计算机控制的装置模拟人类进行感知、比较、选择、规划、推理、学习、判断、沟通、决策等一组技术的统称。基于人工智能技术，能够不经人类干预即可在复杂多变的环境下完成任务，能够通过一系列尝试完成认知任务，能不断地通过机器学习不断优化决策和行动。回到技术实现的底层，实际上大多数的人工智能技术本质上还是利用算法对已有数据进行学习，再对一些未知情况作出判断和预测。

而目前与人工智能技术相关的专利申请几乎全部都是以计算机程序处理流程为基础实现的，都是种通过计算机执行按上述流程编制的计算机程序本身，对计算机外部对象或者内部对象进行控制、引导或处理的解决方案。具体的，例如常见的图像分析、搜索引擎、语义识别、面部识别等等。

由于上述介绍的人工智能技术本身所具有的特殊性，在技术实现层面上往往涉及到的是算法的修改，在应用实现层面上又需要依赖虚拟、抽象的计算机程序通过计算机的执行来实现的。导致与人工智能技术相关的发明专利在审查时，很容易会被审查员判定为是一种人的思维活动或者一种数学方法，或者符合专利审查指南第二部分第一章第4.2节所述的情形，即不符合专利法第二十五条第一款第（二）项的规定，不属于专利保护的客体。

那么，如何能够在保护与人工智能技术相关的发明同时，又可以有效地避免专利申请被判定存在上述客体问题呢？

首先，我们可以回到专利法第二条第二款的规定，即：专利法所称的发明是指对产品、方法或者其改进所提出的新的技术方案。

可见计算机实现的发明专利只有构成技术方案才能成为专利保护的客体。再结合专利法中对技术方案的定义，即需要同时包含技术问题、技术手段和技术效果三个要素。因此，如果计算机执行的计算机程序所解决的问题为技术问题，在计算机上通过运行计算机程序对外部对象或者内部对象进行控制、引导或处理的过程中所采用的技术手段包含遵循自然规律的技术手段，并且由此获得的技术效果包含符合自然规律的技术效果，则符合专利法第二条第二款所说的技术方案，显然属于专利保护的客体的。

结合上述分析，为了使得我们撰写的关于人工智能技术的发明专利的权利要求所记载的方案符合专利法所规定的技术方案，在撰写与人工智能相关的发明的权利要求时，可以先回归到并从该人工智能技术所应用的具体业务场景中，寻找确定出涉及人工智能技术的方案在该业务场景中所要真正解决的实际的业务问题作为技术问题。进而可以基于该业务场景，从为解决该技术问题在对外部对象或者内部对象进行控制、引导或处理的实施过程中进一步有针对性地区提取出相与该业务场景相关的技术属性特征，再将上述技术属性特征和与应用了相关人工智能技术的载体，例如，程序或者模型等，相结合来描述方案撰写对应的权利要求。从而可以使得所撰写出来的权利要求中记载的方案在包含有想要保护的人工智能技术的同时，也包含了必要的技术手段，并且基于该方案所涉及的人工智能技术能够解决某个具体的技术问题，达到相应的技术效果，从而使得该方案构成技术方案，符合专利保护客体的要求。

举例说明，一个与神经网络模型相关的，涉及设备的健康情况评估的发明专利，原权利要求1记载的内容如下：

一种卷积神经网络的优化方法，其特征在于，包括：

步骤1，计算机输入L*K个样本，其中，L为样本数目，k-1未输入向量数，第K列为输出向量；

步骤2，对所述样本进行处理，采用均值聚类算法筛除粗差；

步骤3，以输入列为单位，根据相关距离算法，对输入列进行聚类划分；

步骤4，构建神经网络模型；

步骤5，采用L*K个样本对构建的神经网络模型进行训练；

步骤6，当神经网络模型训练好后，输入待评估数据，所述待评估数据为已经归一化处理的数据；

步骤7，采用所述神经网络模型进行评估，输出评估结果。

针对该权利要求，在评判时被认为：由于权利要求所记载的方案执行计算机程序处理的外部对象是抽象的样本数据，所解决的是优化算法的数学问题，即方案中没有包含技术问题。该方案通过计算机执行数据处理程序进行数值计算，也没有解决技术问题，不构成利用了自然规律的技术手段。该方案获得的效果仅仅是实现了算法的优化，并不包含技术效果。因此，该权利要求所记载的方案不属于专利法第二条第二款规定的技术方案，不属于专利保护的客体。

那么如何修改使得上述权利要求所记载的方案重新成为专利保护的客体，同时又能有效地保护与人工智能相关的方案呢？

可以按照前述方法，先回归到该方案所针对的具体的业务场景中分析：通过训练使用神经网络模型对系统中所包含的大量设备运行的健康情况进行评估。以往在该业务场景中通常训练优化神经网络模型时耗时会相对较长，而本发明通过改进了神经网络的训练优化方法，加快了神经网络模型的训练速度，也优化了基于模型得到的评估结果的准确度。因此，该发明基于人工智能技术在上述业务场景中所解决的技术问题实际上可以被划定为：训练神经网络模型速度较慢，导致基于以往的训练优化方法训练得到神经网络模型评估设备的健康情况时效率低、准确度差。针对该技术问题，所涉及的对内部和外部对象的相关处理过程包括：通过一种新的训练方式来训练神经网络模型，再基于通过上述方式所训练得到的神经网络模型根据系统中设备的运行数据对各个设备的健康情况进行较为准确的评估。从上述处理过程中可以进一步提炼出与业务场景相关的技术属性特征，即：通过改进的训练方式来训练神经网络模型；通过上述改进的训练方式训练得到的神经网络模型来基于设备的运行数据对设备的健康情况进行评估。再将上述技术属性特征与相关的人工智能技术结合，撰写出如下所示的修改后的权利要求：

一种设备健康情况的评估方法，其特征在于，包括：

通过改进的训练方式，训练神经网络模型，得到目标神经网络模型；

获取设备的运行数据；

利用所述目标神经网络模型根据所述设备的运行数据确定出设备的健康情况；

其中，通过改进的训练方式，训练神经网络模型，包括：

步骤1，计算机输入L*K个样本设备运行数据，其中，L为样本设备运行数据的数目，k-1未输入向量数，第K列为输出向量；

步骤2，对所述样本设备运行数据进行处理，采用均值聚类算法筛除粗差；

步骤3，以输入列为单位，根据相关距离算法，对输入列进行聚类划分；

步骤4，构建神经网络模型；

步骤5，采用L*K个样本设备运行数据对构建的神经网络模型进行训练，得到目标神经网络模型。

针对修改后的权利要求，在进行评判时：由于权利要求中引入与设备健康情况评估这一业务场景相关的技术属性特征，权利要求所记载的方案执行计算机程序处理的外部对象为设备的运行数据这一种具体数据，所解决的是如何快速、准确训练出模型，并利用该模型根据设备的运行数据对设备的健康情况进行评估的问题。可见修改后的权利要求所记载的方案中已经包含了技术问题。该方案解决了技术问题，并且在解决技术问题的过程中采用的与该业务场景相关的处理手段也构成了利用自然规律的技术手段。并且该方案最终获得的效果是能够更快、更准确地对设备的健康情况进行评估，包含有对应的技术效果。因此，修改后的权利要求所记载的方案属于专利法第二条第二款规定的技术方案，符合专利保护的客体要求。

编辑：北京三友

转载注明出处