近年來，得益於計算機硬體效能的突破以及雲計算為代表的計算技術的快速發展，人工智慧技術得到高速發展，人工智慧的研究和應用掀起了新的高潮。目前，人工智慧領域已經覆蓋了智慧客服、商業智慧等伺服器以及視覺識別和機器學習等技術層。

中國對人工智慧領域的智慧財產權保護也愈發重視，人工智慧領域的專利申請，除了可能因方案本身的新穎性和創造性的問題被駁，還可能因專利法第二條第二款、專利法第二十六條第三款和專利法第二十六條第四款而被駁。

則基於此，以下幾個撰寫中涉及到的問題，是值得思考的：

1.是否屬於發明客體？

人工智慧領域的專利申請，很多涉及到公式、演算法的改進，而針對發明涉及公式和演算法改進的專利申請，要如何才能夠符合專利法第二條第二款的規定呢？

2.說明書是否公開充分？

對於應用人工智慧的專利申請，說明書中關於演算法的描述要公開到什麼程度？

3. 權利要求是否清楚？

假設模型是用於實現某種檢測，並用於輸出最終資料，那麼檢測的過程要不要在權利要求中限定。

基於上述三點考慮，本文研讀谷歌和微軟近年來在人工智慧領域的專利申請，分析該領域的專利申請的發明客體、說明書公開充分以及權利要求的保護範圍清楚的問題。

01

客體問題

審查指南第二部分第一章第2小結對不符合專利法第第二條第二款規定的客體有如下描述：

專利法所稱的發明，是指對產品、方法或者其改進所提出的新的技術方案，技術方案是對要解決的技術問題所採取的利用了自然規律的技術手段的集合。技術手段通常是由技術特徵來體現的。未採用技術手段解決技術問題，以獲得符合自然規律的技術效果的方案，不屬於專利法第二條第二款規定的客體。

根據審查指南的規定，一項技術方案應該同時具備技術手段、技術問題和技術效果三要素。

則對於一項權利要求是否構成技術方案，審查員一般從以下三點考慮：

（1）權利要求中是否有技術特徵，如果沒有技術特徵，則沒有采用技術手段，不是技術方案；

（2）如果有技術特徵，判斷這些技術特徵對於所要解決的問題和實現的效果能否起作用；

（3）判斷所要解決的問題和實現的效果是否是技術問題和技術效果。

審查指南中規定，技術手段是指利用了自然規律的手段，而在實際判斷一個一個特徵是否使用了自然規律，除了能夠明確排除永動機之外，似乎很難判定一個手段是否使用了自然規律或者使用了什麼自然規律。

而在人工智慧領域，由於可能會在權利要求中記載一些演算法或者公式等內容，這也引起了一些關於演算法和公式是否為技術手段的爭議。而筆者認為，演算法和公式是否屬於技術手段，不能單獨只看演算法和公式本身，而是應該確定該演算法和公式是否能夠與具體的技術領域或者演算法中的變數是否能夠與具體的物理含義相結合。

下面，以具體案例對發明的客體問題分析

二個案例

01

案例一：CN108351984A涉及一種硬體高效的深度卷積神經網路，其方法的獨立權利要求為：

12.一種方法，包括：

接收輸入影象；

生成所述輸入影象的頻域表示；

在包括多個卷積層和至少一個全連層的深度卷積神經網路中，至少部分基於所述輸入影象的所述頻域表示和卷積加權核心的稀疏頻域表示來提取多個特徵，其中所述卷積加權核心的所述稀疏頻域表示包括稠密矩陣和一個或多個稀疏矩陣；

基於經提取的所述多個特徵來對所述輸入影象進行分類；以及基於所述分類來將所述輸入影象標識為包含感興趣物件。

按照上述三要素判斷該權利要求所要求保護的方案是否為技術方案，具體地：

第一步，是否有技術特徵。很明顯是有技術特徵的，因為權利要求所記載的接收輸入影象以及生成輸入影象的頻域表示之後，後續的卷積操作都是針對該影象的頻域表示進行的，則該權利要求內的特徵都限定在了影象處理領域，並且頻域表示和卷積都與影象的物理含義（例如，影象資料）相結合。因此，該權利要求包含技術特徵。第二步，判斷這些技術特徵對於所要解決的問題和實現的效果能否起作用。

該申請的背景技術指出：

雖然卷積神經網路與更加侷限的基於建模的機器學習方法相比表現良好，但是以硬體實現卷積神經網路導致高能源和計算複雜度成本。例如，卷積層通常涉及高計算複雜度，並且全連層通常涉及高儲存器儲存成本。這些因素尤其阻礙了卷積神經網路在功率受限裝置(諸如可穿戴裝置和移動裝置)中的實現。

可以看出，該申請所要解決的問題是，卷積層的計算過於複雜導致神經網路對裝置的硬體需求過高。

則該方法獨立權利要求解決該問題的技術特徵為：生成所述輸入影象的頻域表示；在包括多個卷積層和至少一個全連層的深度卷積神經網路中，至少部分基於所述輸入影象的所述頻域表示和卷積加權核心的稀疏頻域表示來提取多個特徵，其中所述卷積加權核心的所述稀疏頻域表示包括稠密矩陣和一個或多個稀疏矩陣。

該技術特徵的技術效果是：在卷積層中執行的卷積加權在傅立葉(頻率)域中進行。時域中的卷積可以轉換為頻域中的乘法，這降低了卷積加權的複雜度並且使得裝置處理速度提高並且功耗降低。

因此，方法獨立權利要求中的技術特徵對於所要解決的問題和實現的效果有積極作用。

第三步，判斷所要解決的問題和實現的效果是否是技術問題和技術效果。由第二步確定的問題為卷積層的計算過於複雜導致神經網路對裝置的硬體需求過高，很顯然是與具體的技術領域（裝置的硬體設定）相結合，則該問題是一個技術問題。

因此，CN108351984A在方法權利要求中，能夠將演算法與實際的影象處理相結合，而並非只記載演算法的改進，使得權利要求的特徵能夠與實際影象 相結合，而並非只是演算法本身，以使得所記載的特徵為技術特徵。 另外，該申請在背景技術中，將演算法的複雜度的問題落地到裝置的硬體成本上，使得所要解決的問題是一個技術問題。 再者，在說明書中所記載的效果對應到了處理器的處理速度和功耗上，使得整體的方案能夠解決硬體在透過卷積神經網路處理影象時速度慢而對硬體設定要求過高的技術問題，從而保證整個方案屬於發明客體。

同時，CN108351984A在說明書中花了很大篇幅記載方法權利要求中的每個步驟是如何透過硬體實現的，而方法中的步驟能夠與具體的硬體環境相結合，也能夠說明方法中的特徵是可以透過硬體實現的，而各個硬體裝置之間的互動必然是需要使用自然規律（比如，資料傳輸時的電訊號）的，這也對方法的發明客體的問題提供了修改餘地。

CN109196582A涉及一種由一個或多個計算機執行的方法 ，該方法包括：

由所述一個或多個計算機確定指示單詞的拼寫的拼寫資料；

由所述一個或多個計算機將所述拼寫資料作為輸入提供給訓練的遞迴神經網路，所述訓練的遞迴神經網路被訓練以至少基於指示所述單詞的拼寫的資料來指示單詞發音的特徵；

由所述一個或多個計算機接收指示由所述訓練的遞迴神經網路響應於提供所述拼寫資料作為輸入而生成的單詞的發音的重音模式的輸出；

由所述一個或多個計算機使用所述訓練的遞迴神經網路的輸出來生成指示所述單詞的發音的重音模式的發音資料；

以及由所述一個或多個計算機將所述發音資料提供給文字到語音系統或自動語音識別系統。

人工智慧專利核心是以機器學習演算法為主，這些演算法或計算機程式很多體現為數學模型，例如，神經網路模型。而不同的國家對於人工智慧專利申請的客體要求會有不同。例如，在中國和日本，對於網路模型本身的改進也是可以授權的。

基於上述中國審查指南的規定的關於客體的三要素，對案例二中的方案進行分析後發現，案例二中的方案是符合中國審查指南的規定的關於客體的三要素的規定的，即在案例二中的方案中包括有技術特徵，例如：1 權利要求中所記載的關於“確定指示單詞的拼寫的拼寫資料”以及“由所述一個或多個計算機接收指示由所述訓練的遞迴神經網路響應於提供所述拼寫資料作為輸入而生成的單詞的發音的重音模式的輸出；

由所述一個或多個計算機使用所述訓練的遞迴神經網路的輸出來生成指示所述單詞的發音的重音模式的發音資料”等特徵。

其次，對於所包括的技術特徵對於所要解決的技術問題是有作用的。從案例的背景技術所記載的內容“一些ASR和TTS系統可以使用手動策劃的發音字典。

字典中的條目可以包括音位(phoneme)序列，例如，“foo”→/f u/(以X-SAMPA(Extended SpeechAssessmentMethods Phonetic Alphabet，拓展音標字母評估法)表示法)”可知，其所要解決的技術問題是實現自動的基於拼寫資料輸出發音資料的效果。可以明確的是，上述確定的技術特徵對於實現自動的基於拼寫資料輸出發音資料的效果是有積極作用的。

再者，也可以明確的是，所要解決的技術問題以及所要實現的效果也是技術問題以及技術效果。

因此，該案例在國內應當是符合發明客體的。

而對於在歐洲或者美國，純粹的演算法改進可能會存在客體的問題。尤其是，美國針對計算機程式類的審查更加嚴格，在美國，審查員在判斷適格專利客體時採用兩步測試，而在兩步測試中，如果權利要求中涉及到抽象概念(例如，模型、演算法等)會有很大可能被確定存在客體問題。經過資料查詢後發現，案例二的US申請確實在美國遇到了101款的審查意見，即不符合申請客體的審查意見。

圖1-1

如上圖1-1所示，該案的權利要求1要求保護的方案被審查員確定為不符合申請客體，但是審查員對於權利要求5給出了有授權前景的指示。下面我們分別對該案例的權利要求5和權利要求1進行對比：

權利要求1為：

1. A method performed by one or more computers,the method comprising:

determining, by the one or more computers,spelling data that indicates the spelling of a word;

providing, by the one or more computers, thespelling data as input to a trained recurrent neural network, the trainedrecurrent neural network being trained to indicate characteristics of wordpronunciations based at least on data indicating the spelling of words;

receiving, by the one or more computers, outputindicating a stress pattern for pronunciation of the word generated by thetrained recurrent neural network in response to providing the spelling data asinput;

using, by the one or more computers, the outputof the trained recurrent neural network to generate pronunciation dataindicating the stress pattern for a pronunciation of the word; and

providing, by the one or more computers, thepronunciation data to a text-to-speech system or an automatic speechrecognition system.

權利要求5為：

5. Themethod of claim 1, comprising determining, by the one or more computers,pronunciation data thatindicates at least one stress location for the word, wherein:

providing, by the one or more computers, thespelling data as input to the trained recurrent neural network comprisesproviding the spelling data and the pronunciation data as input to the trained recurrent neuralnetwork; and

receiving the output indicating the stresspattern for pronunciation of the word generated by the trained recurrent neuralnetwork comprises receiving the output indicating the stress pattern forpronunciation of the word generated by the trained recurrent neural network inresponse to providing the spelling data and the pronunciation data as input.

比對權利要求1和權利要求5可以發現，權利要求5中相比權利要求1中有更多的非抽象且是具體的技術特徵的描述，例如，上述權利要求5中下劃線部分。

那麼我們可以得到的結論是，在撰寫涉及演算法或者模型等本身較為抽象的內容的權利的過程中，可以引入更多的具體的技術手段的描述，並且在描述技術效果的過程中，需要強調哪些具體的技術特徵的貢獻。也就是說，在描述權利要求如何解決技術問題時，可以強調權利要求中技術特徵比所包括的抽象概念對於解決技術問題的貢獻更大。

小結

在撰寫人工智慧領域的權利要求時，應該將一些演算法應用於一個確定的技術領域與實際的物理含義相結合。例如，獲取待處理的影象資料，根據一系列AI演算法得到處理後的影象資料。切記不可只描述演算法的改進，即需要與實際應用場景相結合。

在進行權利要求撰寫過程中，可以針對不同國家對於客體確定的區別而針對性的佈局從權，例如，在獨立權利要求1中更多的是關於演算法或者模型等抽象內容的描述的情況下，從權可以佈局更多的細節的技術特徵的內容，或者可以佈局關於演算法或者模型等抽象內容是如何與實際的硬體環境相結合的從權。並且，在描述權利要求如何解決技術問題時，可以強調權利要求中技術特徵比所包括的抽象機率對於解決技術問題的貢獻更大。

人工智慧發展進入新階段

經過60多年的演進，特別是在移動網際網路、大資料、超級計算、感測網、腦科學等新理論新技術以及經濟社會發展強烈需求的共同驅動下，人工智慧加速發展，呈現出深度學習、跨界融合、人機協同、群智開放、自主操控等新特徵。

人工智慧成為國際競爭的新焦點

人工智慧是引領未來的戰略性技術，世界主要發達國家把發展人工智慧作為提升國家競爭力、維護國家安全的重大戰略，加緊出臺規劃和政策，圍繞核心技術、頂尖人才、標準規範等強化部署，力圖在新一輪國際科技競爭中掌握主導權。

以下主要從整體上說明撰寫涉及機器學習的專利申請檔案時需要考慮的因素：

明確改進之處。上述模型訓練和模型應用的各個階段，都可以進行改進。因此，佈局權利要求時，需要考慮哪個或哪些階段做了改進，改進的階段具體做了哪些改進，改進的重點在哪裡，以及改進之處彼此間的關聯，等等。明確了這些改進之處，就基本可以據此確定權利要求的佈局。

先考慮佈局模型應用的權項，再考慮佈局模型訓練的權項。由於模型訓練可能一次性完成，但模型在訓練好之後可能被重複應用，就是說模型應用再現的可能性比模型訓練再現的可能性要高的多。而且模型訓練一般僅在後臺完成，而模型應用則有可能由前臺完成，供使用者使用。因此，模型應用相比模型訓練更容易取證。因此，建議優先考慮構建模型應用的權利要求，再考慮構建模型訓練的權利要求。如果模型本身是現有技術，而且也沒有針對特殊場景做特殊的調整，那麼在權利要求中詳細對模型進行描述的意義並不大。一般只需要在說明書中以公開充分且能夠支援權利要求的基本需求進行描述即可。因為現有技術說的再細緻也是現有技術，不如把撰寫精力用在對實際改進點的縱向挖掘和橫向擴充套件上。如果模型不是主要的改進點，可以將模型當作黑盒處理，將資料輸入模型並由模型輸出結果。比如將X資料提取特徵Y後輸入Z模型，獲得所述Z模型輸出的類別。甚至在一些情況下，模型都可以不用出現。比如根據X資料的Y特徵確定類別。模型訓練和模型應用一般不會同時出現在獨權中。比如模型訓練可以佈局為模型應用的從權，也可以將模型訓練和模型應用分別佈局成不同的獨權。但也有例外，比如當改進點在於對模型訓練所產生中間資料的應用上，且模型訓練和模型應用分割開後都是現有技術，那麼就需要將模型訓練和模型應用放到一起來寫，以突出發明點。

AI技術架構也是分成硬體，中間層，上層應用，現在在晶片層面各個廠商都有佈局，中間層就是深度學習框架，谷歌是第一個釋出開源框架的廠商，隨後Facebook,國內百度都已開源相關框架，人工智慧技術希望國內廠商真正從源頭上創新，從晶片，框架層面都應用中國產，不要再被國外卡脖子了。