浅议人工智能专利的创造性判断标准

一、引言

随着数字化时代的到来，人工智能被广泛应用于家居、制造、金融、医疗、安防、交通、零售、教育和物流等诸多领域。涉及人工智能的专利申请也越来越多。据统计，2021年人工智能领域专利申请量是2015年的30倍。其中，中国申请了全球一半以上的人工智能专利。人工智能专利涉及到算法特征，但算法特征本身不属于技术特征，因此，算法特征在创造性的判断中应当如何考虑，是人工智能专利的创造性判断的难点。下面，笔者基于最新的无效案例来探讨人工智能专利的创造性判断标准。

二、审查指南规定

《专利审查指南》第二部分第九章第6.1.3节规定：

对既包含技术特征又包含算法特征或商业规则和方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或商业规则和方法特征与所述技术特征作为一个整体考虑。“功能上彼此相互支持、存在相互作用关系”是指算法特征或商业规则和方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。

例如，如果权利要求中的算法应用于具体的技术领域，可以解决具体技术问题，那么可以认为该算法特征与技术特征功能上彼此相互支持、存在相互作用关系，该算法特征成为所采取的技术手段的组成部分，在进行创造性审查时，应当考虑所述的算法特征对技术方案作出的贡献。

根据上述规定，对于算法特征来说，如果其与技术特征“功能上彼此相互支持、存在相互作用关系”，那么在进行创造性判断时，应当将该算法特征与技术特征作为一个整体考虑。但如何判断算法特征和技术特征“功能上彼此相互支持、存在相互作用关系”，本身并不是一件容易的事情。现行审查指南给出一种具体情形，即，如果权利要求中的算法应用于具体的技术领域，可以解决具体技术问题，那么可以认为该算法特征与技术特征功能上彼此相互支持、存在相互作用关系。然而，“权利要求中的算法应用于具体的技术领域，可以解决具体技术问题”本身仍然不够明确。

因此，人工智能专利的创造性判断规则，仍然需要进一步的完善。

三、案例介绍

涉案专利的发明名称为“一种建立废钢等级划分神经网络模型方法”，专利号为ZL201910958076.6。

涉案专利涉及人工智能技术在钢铁行业的应用，通过采用卷积神经网络技术进行废钢铁等级分类的特征提取和深度学习，实现了对废钢铁等级的客观准确的自动分类。

涉案专利的权利要求1如下：

一种建立废钢等级划分神经网络模型方法，所述模型用于废钢收储的等级分类检测，包括获取多个图像，目测确定多个图像的不同废钢等级，对所述图像进行预处理去除无效水印、提高图像对比度，对图像数据进行图像数据特征提取，对提取的不同等级图像数据特征进行卷积神经网络学习形成具有等级分类输出的等级划分神经网络模型；其特征在于，所述图像数据特征的提取是对图像画面像素点矩阵数据进行卷积神经网络卷积计算的集合实现的提取，包括：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物体颜色、边缘特征和纹理特征的提取，以及对图像中物体边缘、纹理之间关联特征的提取；

其中，一，所述图像中物体颜色、边缘特征的提取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；二，所述对图像中纹理特征的提取是对上述图像中物体颜色、边缘特征的提取集合输出进行的提取，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；纹理特征形成的是卷积网络的激活函数(Relu activation)；

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物体颜色、边缘特征和纹理特征的提取，每一条线路的卷积层数各不相同；

所述对边缘、纹理之间关联特征提取的卷积层计算的线路数大于对图像中物体颜色、边缘和纹理特征提取的卷积层计算的线路数。

证据1公开了选用料豆的火车轮子的图像进行测试识别的结果的相关内容，识别结果为具体的废钢料型。

涉案专利权利要求1与证据1存在以下区别：

第一，两者应用场景不同。权利要求1是一种建立废钢等级划分神经网络模型的方法，所述模型用于废钢收储的等级分类检测，其应用场景为废钢等级划分；而证据1公开的是建立废钢种类识别神经网络模型的方法，其应用场景为废钢种类识别。

第二，两者所采用的方法步骤不同。权利要求1在获取图像步骤中限定了目测确定多个图像的不同废钢等级，在图像数据特征提取步骤中限定了提取的是不同等级图像数据特征，在神经网络模型的学习训练步骤中限定了针对提取的不同等级图像数据特征进行学习、形成具有等级分类输出的等级划分神经网络模型。证据1公开了获取图像、预处理、特征提取、以及通过训练学习建立神经网络模型的方法步骤，但其训练好的卷积神经网络模型是用于识别出废钢铁图像中的废钢铁具体是何种料型，与废钢等级无关。

第三，两者所选取的重要参数和所采用的具体模块构成不同。权利要求1中限定了图像数据特征提取的更具体的内容，如特征提取所选取的参数以及特征提取所采用的具体模块构成；而证据1未公开上述内容。

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。

合议组认为，证据1全文论述的是如何对废钢铁的种类进行自动识别，所公开的方法步骤、具体示例均仅涉及如何进行种类识别以及识别结果是何种料型，证据1中对于如何分级并无进一步的记载或公开。因此，从证据1所给出的应用场景、方法步骤和重要参数中无法得到建立废钢料等级划分的神经网络模型，以对混杂在一起的各种类型的废钢料进行等级划分的技术启示。

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。

然而，合议组认为，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。

另外，合议组还认为，证据3同样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3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。

因此，合议组认为，涉案专利权利要求1具有创造性，并作出维持涉案专利全部有效的无效决定。

四、案例分析

在本案中，权利要求1与证据1之间存在诸多算法特征，如何在创造性的判断中考虑这些算法特征，是本案的难点。虽然权利要求1和证据1都涉及到废钢，但权利要求1的应用场景为废钢的等级划分；证据1的应用场景为废钢的种类识别。应用场景的不同，导致了算法特征也存在区别，并且是实质性区别。因此，合议组认可了权利要求1的算法特征在创造性判断中所起到的正面价值。

本案是算法特征与技术特征在功能上彼此相互支持、存在相互作用关系的典型案例，对于人工智能专利的创造性判断具有重大的参考价值。国家知识产权局将本案列入2022年度专利复审无效十大案件，指出本案细化了对包含算法特征的发明专利的创造性评判标准，对人工智能领域的发明专利的创造性判断具有示范作用。在涉及人工智能技术的情况下，对包含算法特征的发明专利进行创造性判断时，应当将算法和应用场景进行整体考量，特别是需要考虑将算法应用到不同场景后是否对算法的训练模式、重要参数或相关步骤等进行了实质性调整，且该调整是否解决了特定的技术问题、获得了有益的技术效果。

反过来说，如果将证据1的算法应用到涉案专利的应用场景，不需要对算法的训练模式、重要参数或相关步骤进行实质性调整，例如，不需要进行任何调整，或者仅需要进行非实质性的细微调整，那么即使整体考虑应用场景和算法特征可能也无法使得涉案专利具有创造性。

五、小结

通过本案可以看出，应用场景对于人工智能专利的授权是至关重要的。如果只是单纯的人工智能算法，不存在具体的应用场景，那么该专利申请很可能在无需进行创造性判断的情况下，直接被认为不属于专利法的保护客体而无法获得授权。在创造性的判断中，应用场景和算法特征之间的技术关联也是重点考虑的因素。随着审查实践的不断发展，希望能够进一步明确细化人工智能专利的审查标准，以更好地指导人工智能专利申请的撰写。

以上为笔者对于人工智能专利的创造性判断的体会和总结，仅供各位同仁参考，如有不当之处，敬请斧正。