人工智能专利撰写时应注意的问题探讨

AI本身能否作为专利技术保护，其在专利申请文件撰写上有何注意事项等问题，引起了学者和专利行业从业者的广泛思考。作为一位专攻人工智能专利申请方向的专利行业从业者，笔者将在本文中探讨个人所见、所理解的人工智能专利申请及专利撰写问题。近年来，与AI相关的专利申请，基本上可以分为两类：黑盒AI和白盒AI。笔者在专利实践中发现，AI相关的专利申请文件撰写中，黑盒AI方案的创造性与白盒AI方案的撰写范围不当，是较为突出的两个问题。

过去的一年里，人工智能（AI）的飞速发展，不但引发了人们对众多法律问题的思考，也对著作权领域产生了巨大的冲击。AI本身能否作为专利技术保护，其在专利申请文件撰写上有何注意事项等问题，引起了学者和专利行业从业者的广泛思考。作为一位最近一年专攻人工智能专利申请方向的专利行业从业者，笔者将在本文中探讨个人所见、所理解的人工智能专利申请及专利撰写问题。

人工智能算法的可专利性

人工智能本质上是一种神经网络算法。神经网络算法即使再复杂，归根结底也是一种算法，本身不能被授权专利权。《专利审查指南》（2023）规定：“如果权利要求涉及抽象的算法或者单纯的商业规则和方法，且不包含任何技术特征，则这项权利要求属于专利法第二十五条第一款第(二)项规定的智力活动的规则和方法，不应当被授予专利权。……如果权利要求中除了算法特征或商业规则和方法特征，还包含技术特征，该权利要求就整体而言并不是一种智力活动的规则和方法，则不应当依据专利法第二十五条第一款第(二)项排除其获得专利权的可能性。”

对于算法的专利审查，法律依据除《专利法》第二十五条外，还有《专利法》第二条第二款。《专利审查指南》（2023）规定：“对一项包含算法特征或商业规则和方法特征的权利要求是否属于技术方案进行审查时，需要整体考虑权利要求中记载的全部特征。如果该项权利要求记载了对要解决的技术问题采用了利用自然规律的技术手段，并且由此获得符合自然规律的技术效果，则该权利要求限定的解决方案属于专利法第二条第二款所述的技术方案。例如，如果权利要求中涉及算法的各个步骤体现出与所要解决的技术问题密切相关，如算法处理的数据是技术领域中具有确切技术含义的数据，算法的执行能直接体现出利用自然规律解决某一技术问题的过程，并且获得了技术效果，则通常该权利要求限定的解决方案属于专利法第二条第二款所述的技术方案。”

可以看出，人工智能算法要想获得专利权，首先需要满足以下要求：（1）除算法之外还含有技术特征；（2）利用自然规律解决某个技术问题。纯粹的人工智能算法，即使其设计的层再多、内部结构再复杂，其中的特征也不能被称为技术特征。只有当人工智能算法用于解决产业化中的某个技术问题（如处理产业化过程中的一个数据或一个技术障碍）时，才有可能被授予专利权。例如，一个复杂的AI模型，本身无法获得专利保护。但是，一旦该AI模型用于识别人脸或处理图像，并且能够带来产业化的迅速提高和革新，由于识别人脸和处理图像分别是在产业化过程中遇到的问题，而非自然界本身就有的需求，则该结合下游应用的AI模型将可能获得专利保护。

需要注意的是，并不是所有结合了下游应用的AI模型，都一定能获得专利保护。如果这种应用是人文应用而非产业化应用，同样不能获得专利保护。例如，一种识别人口密度或识别贫穷地区的AI模型，就可能无法获得专利保护，因为人口问题是社会学问题，而贫穷是经济学问题。识别人口和贫穷的过程中可能用到规律，但这些规律是社会学规律，不是自然规律。只有那些学习了自然规律而非人文规律的AI模型，才可能受到专利法的保护。

人工智能算法相关专利申请的撰写策略

对于专利代理师而言，如果申请人发明了一种识别贫穷的AI模型，是否有将其改写成为专利申请的可能性呢？答案是肯定的，因为能进行产业化和不能进行产业化，事实上只有一线之隔。在工业化时代，产业化仅指能够用于工业生产。但在互联网时代，产业化不但包括工业生产，还包含互联网上抽象信息和资源的生产和传递（例如短消息发布和短视频推送）。显然，识别贫穷可以进一步用于互联网上一些资源的推送和发放。如果将识别贫穷与资源的推送和调度结合，则可能撰写出一种AI模型应用于资源推送中的权利要求。具体的撰写方法如下所示：

​​1.一种资源调度方法，其特征在于，包括：
获取目标区域的第一状态和引起所述第一状态的多个候选成因数据；
将所述第一状态和多个所述候选成因数据输入成因识别模型，所述成因识别模型包括……，从而由所述成因识别模型输出成因数据；
基于所述成因数据，从多个候选资源中确定应用于所述目标区域的目标资源；
将所述目标资源调度到所述目标区域。

在专利申请中，用“第一状态”来代替识别出的“贫穷”，用“候选成因数据”来代替可能识别出的“贫穷原因”，用“资源调度”表示在发现某地区贫穷后向其发布特定的、某些类型的短视频或信息（如打折商品信息和优惠活动信息）。这在互联网时代属于一种产业化的生产行为，有助于推动相关主题被认定为技术方案。

除了对权利要求本身的包装外，对发明的题目和背景技术也要进行相应的包装。发明题目应尽量向识别方法、检测方法、资源调度方法等靠拢，突出该算法是为了解决产业链条中的一个环节的自动识别、检测、资源调度等问题，即处理对象（数据）产业化性、过程产业化性。在背景技术中，要强调产业化大背景下遇到的技术障碍。如在前例中，可以强调在互联网资源的推送和调度中，出现了资源与被推送的区域不够匹配，导致资源推送准确性不足的问题。

黑盒AI方案与白盒AI方案的撰写问题

近年来，与AI相关的专利申请，基本上可以分为两类：黑盒AI和白盒AI。笔者在专利实践中发现，AI相关的专利申请文件撰写中，黑盒AI方案的创造性与白盒AI方案的撰写范围不当，是较为突出的两个问题。

黑盒AI方案的撰写问题

近年来，随着ChatGPT的兴起，很多申请人发现可以利用ChatGPT处理许多工作，并在相应的应用领域带来较大的进步和经济效益。于是，许多申请人纷纷以大语言模型在某个领域中的应用为卖点，要求申请专利。

对于此类黑盒AI方案，首先，由于AI模型具有了上述的产业化场景，因此此类申请大多能够满足专利适格性要求。但审查员在审查此类专利申请时，还要进行新颖性和创造性的审查。

所谓“新颖性”，是指发明或者实用新型不属于现有技术，也没有任何单位或者个人就同样的发明或者实用新型在申请日以前向国务院专利行政部门提出过申请，并记载在申请日以后公布的专利申请文件或者公告的专利文件中。所谓“创造性”，是指与现有技术相比，发明具有突出的实质性特点和显著的进步，实用新型具有实质性特点和进步。黑盒AI方案中是AI模型在某一领域中的应用，AI模型在申请日之前已经存在，属于现有技术。如果确实没有人将AI模型用在发明人声称的领域，则其申请具有新颖性。但创造性审查要求专利申请的技术方案与现有技术相比具有突出的实质性特点和显著的进步，其判断比较具有主观性。一旦审查员检索到将AI模型应用到类似领域解决类似问题的文献，则可能认为申请不具有创造性。因此，以大语言模型在某个领域中的应用为卖点的专利申请，大多具有创造性风险。

对于黑盒AI方案，为减小创造性风险，代理师可以对发明人做如下几方面的引导：（1）增加输入数据的前处理；（2）考虑模型体系结构的更复杂的布局（广度、深度）；（3）增加输出数据的后处理。就增加输入数据的前处理来说，举例而言，某发明针对商业网站中展示的商品，使用AI模型使商品的图片展示更加合理、信息展示得更为丰富。为增加该发明的创造性，代理师可以引导发明人增加一些前序处理环节（如图1所示）。

众所周知，商品展示在网站上之前，厂家需要向网站提供商品的基本信息，包括物品名称、图片、厂家等。基于此，增加了前序处理环节的该发明在前处理中，从上述信息中提取出物品名称、图片、厂家、性能作为关键词，以此作为关键词查找知识图谱，找到与关键词在知识图谱中相隔距离小于预定距离的扩充关键词，得到扩充后关键词；之后，再以扩充后关键词查找知识库，得到含有扩充后关键词且与物品基本信息的匹配度达到预定阈值的语段，并将该语段作为参考信息，与名称、图片、厂家、性能信息一起加入提示语输入AI模型，得到设计好的物品展示页面。经过这一系列处理之后，虽然AI模型本身并没有改变，但申请的创造性却得以大大提升。

就提高模型体系结构布局的复杂度而言，为使网站的商品图片展示更加合理，上述发明在广度上对AI模型的体系结构进行了拓展。

如图2所示，该发明采用了结合用户历史购买偏好的第一AI模型和结合用户历史浏览习惯的第二AI模型，并采用融合模型对两个AI模型的输出结果进行融合。首先，该发明从网站上各物品的基本信息中提取出物品名称、图片、厂家和性能等信息，然后根据用户之前在网站的购买历史，获取用户历史购买偏好。如果用户历史上经常购买某种商品，可以把这种商品在界面上显示得更大，让用户看见。因此，将物品名称、图片等基本信息结合用户历史购买偏好和第一提示语，输入第一AI模型，得到结合历史购买偏好的第一向量。另外，该发明根据用户之前的浏览历史，获取用户历史浏览习惯。如果用户历史上经常看某件商品，也可以把该商品显示得更突出，方便用户看到。将物品名称、图片等基本信息结合用户历史浏览习惯和第二提示语，输入第二AI模型，得到结合历史浏览习惯的第二向量。最终，该发明将第一向量和第二向量输入融合模型，得到针对不同用户设计的个性化物品展示页面。在此过程中，虽然AI模型本身没有变化，但该发明经过广度上的扩展，大大提高了技术的复杂度，也提升了自身的创造性。

除了广度上的拓展，还可以进行深度上的拓展。例如，在上述发明中，可以在第一AI模型之后增加第二AI模型；第一AI模型侧重结合物品本身信息，第二AI模型则在物品本身信息得到合适处理的基础上增加了对厂家信息的处理。

白盒AI的撰写问题

白盒AI，即对AI模型的内部结构真正有改进的发明创造。在撰写此类的AI申请时，除了要注意前述的结合产业化应用、规避纯算法的问题，还要注意此类问题撰写的保护范围的适当性。
AI模型的内部结构改进与软件领域的其他改进相比，其特点在于，由于AI模型本身就是一种模拟人的思维的模糊控制，当AI模型中包含若干层或模块时，即便是发明人本身也难以说清这些层或模块中的每个层或模块的具体作用。专利行业从业人员都知道，专利申请文件包括说明书和权利要求书，其中权利要求书是界定申请的保护范围的文件。代理人在撰写权利要求书时，要将对于解决本发明的问题必不可少的必要特征写到独立权利要求中，并避免将一些非必要的技术特征限定到独立权利要求中限制申请的保护范围。然而，由于发明人本身也难以说清改进的AI模型中的每个层或模块的作用，大多数代理人在撰写白盒AI相关申请的独立权利要求时，只能将AI模型包含的全部内容体现在独立权利要求中，进而造成专利的保护范围过窄。

针对上述问题，代理人在撰写白盒AI相关申请的权利要求书时，需要熟知常见的深度神经网络模型和层的作用，然后结合发明要解决的问题，确定发明中最关键的模型或层。神经网络中常见的模型或层及其作用如下所示。

CNN：对事物的特征进行提取以便进行分类，对有上下文、时序依赖关系的输入效果较小；
RNN：能够捕捉序列之间的关系，对有上下文、时序依赖关系的输入适用；
LSTM或GRU：能够捕捉更长序列之间的关系，尤其适用于语音识别等；
线性层：线性变换；
卷积层：局部连接和权重共享；
池化层：去掉无关信息；
多头注意力模型：增加对值得注意的特征的关注，减少对不重要特征的关注；
残差连接：使深层网络的信息得到更有效的传递；
前馈层：对输入向量序列进一步变换，通过非线性函数实现复杂映射；
归一化层：有利于后续处理。

举例来说，一种新的AI模型解决的问题是结合上下文文字中的语音和同一文字中前后音素的关联性，提高预测语音精度，其模型如图3所示。

结合发明要解决的技术问题分析，该发明中，LSTM层挖掘出了同一文字的音素之间的关联关系；多头注意力模型挖掘出了同一句话中不同文字的语音之间的关联关系；融合层将上述二者融合。因此，LSTM层、多头注意力模型和融合层，是对于解决该发明的问题而言必不可少的技术特征。

来源：《中国知识产权》杂志第204期​​​​

免责声明：凡本网注明"来源：XXX（非中国知识产权杂志出品）"的作品，均转载自其它媒体，转载目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。本网转载其他媒体之稿件，意在为公众提供免费服务。如稿件版权单位或个人不想在本网发布，可与本网联系，本网视情况可立即将其撤除。新闻纠错：13621279650 13621252760，邮箱：chinaip@chinaipmagazine.com