摘 要
按照中國專利審查指南修訂內(nèi)容可知，人工智能算法若能與具體的技術應用領域結(jié)合，或者能夠?qū)τ嬎銠C系統(tǒng)的內(nèi)部性能進行改善，則能夠符合中國專利法中關于專利保護客體的規(guī)定，進而可能獲得專利權(quán)。人工智能算法創(chuàng)新持續(xù)不斷，如此多涉及人工智能算法模型的改進方案，該采用怎樣的方式進行專利布局，以獲得更加全面、有效的保護是值得探討的。本文主要從產(chǎn)業(yè)鏈布局角度和專利侵權(quán)角度分析人工智能算法模型改進方案在專利布局上可以采取的一些策略，希望能拋磚引玉、引發(fā)更深層次的探討。
關鍵詞：人工智能；模型改進；專利布局；產(chǎn)業(yè)鏈；專利侵權(quán)
>>> 一、引 言
隨著人工智能技術的逐步發(fā)展、成熟，人工智能技術被廣泛應用于各個領域，如：智慧交通、智能醫(yī)療、智慧金融、智慧家庭等等；產(chǎn)出了較多熱門產(chǎn)品，如：智能汽車、機器人、智能家居等，給人們的生活帶來了便利。各類智能產(chǎn)品需要人工智能算法來實現(xiàn)，關于人工智能算法的創(chuàng)新越來越多，因而涉及人工智能領域的專利申請是否符合專利保護客體，以及是否能夠獲得專利權(quán)，成為人們關注的焦點。
中國國家知識產(chǎn)權(quán)局在2021年8月13日公布了《專利審查指南修改草案（征求意見稿）》，在該征求意見稿中第二部分第九章6.1.2補充了涉及人工智能領域的專利申請是否符合專利保護客體，以及關于新穎性和創(chuàng)造性評判等相關的審查標準[1]。按照中國專利法及專利審查指南修訂內(nèi)容的相關規(guī)定，如果人工智能算法能夠?qū)τ嬎銠C系統(tǒng)的內(nèi)部性能進行改善，或者與具體應用領域結(jié)合以解決具體應用領域的技術問題，并獲得相應的技術效果，則屬于專利保護客體。按照目前專利審查指南的修訂內(nèi)容，人工智能領域的專利申請有獲得專利權(quán)的可能，為此筆者不再討論人工智能算法與專利保護客體相關的問題，而是從檢索現(xiàn)有的關于人工智能算法模型改進的專利申請案例的布局方式出發(fā)，主要探討關于人工智能算法模型改進、相關專利布局等話題，并提供一些專利布局策略，以期幫助相關專利權(quán)人獲得更加全面、有效的專利保護。
>>> 二、涉及人工智能算法模型訓練創(chuàng)新的專利保護布局的幾種常見方式
涉及人工智能算法模型訓練的創(chuàng)新點主要包括：
樣本數(shù)據(jù)
模型結(jié)構(gòu)
模型參數(shù)
損失函數(shù)等
關于創(chuàng)新點在人工智能算法模型訓練的創(chuàng)新，屬于《專利審查指南》第九章中規(guī)定的涉及計算機程序的發(fā)明專利申請，申請人通常會布局方法權(quán)利要求和產(chǎn)品權(quán)利要求：
方法權(quán)利要求用于保護計算機程序在計算機上運行的過程
產(chǎn)品權(quán)利要求包括程序模塊架構(gòu)的裝置、實體硬件（計算機設備、計算機可讀存儲介質(zhì)）、計算機程序產(chǎn)品等
· “程序模塊架構(gòu)的裝置的權(quán)利要求用于對軟件產(chǎn)品的銷售、許諾銷售、進口等侵權(quán)行為進行約束”
· 計算機設備屬于軟硬結(jié)合的產(chǎn)品，“計算機設備”權(quán)利要求用于保護存儲及運行計算機程序的設備
· “計算機可讀存儲介質(zhì)”權(quán)利要求用于保護存儲有計算機程序的介質(zhì)，保護以存儲介質(zhì)為媒介的程序產(chǎn)品的銷售、許諾銷售、進口等行為
· “計算機程序產(chǎn)品”權(quán)利要求可適用于保護在云端或服務器等上實現(xiàn)計算機程序的分發(fā)或下載等銷售行為
不難看出，產(chǎn)品權(quán)利要求的布局均是以計算機程序?qū)崿F(xiàn)的方法流程為基礎對應架構(gòu)的相關產(chǎn)品權(quán)利要求?；诖耍P者以方法權(quán)利要求布局角度來進行討論。
筆者通過對檢索得到的專利文獻分析發(fā)現(xiàn)，目前專利文獻中關于人工智能算法模型訓練的方法權(quán)利要求布局主要有以下五種布局方式：
（一）模型訓練過程和模型應用過程分別單獨布局權(quán)利要求，且兩者互不關聯(lián)
案例一
CN114170547A
權(quán)利要求1：
一種交互關系檢測方法，其中，包括：
獲取待檢測圖像；
利用訓練過的交互關系檢測模型對所述待檢測圖像進行交互關系檢測；其中，所述交互關系檢測模型，用于：根據(jù)所述待檢測圖像，……，得到第一交互關系檢測結(jié)果。
權(quán)利要求2：
一種模型訓練方法，其中，包括：
獲取帶有交互關系標簽的樣本圖像；
……對所述交互關系檢測模型進行參數(shù)優(yōu)化；其中，所述交互關系檢測模型，用于：根據(jù)所述樣本圖像，……，得到第一樣本交互關系檢測結(jié)果；所述目標樣本交互關系檢測結(jié)果是根據(jù)所述第一樣本交互關系檢測結(jié)果確定的。
權(quán)利要求3：
一種交互關系檢測方法，其中，包括：
獲取交通攝像設備拍攝的交通圖像；……；
利用訓練過的交互關系檢測模型對所述交通圖像進行交互關系檢測；其中，所述交互關系檢測模型，用于：根據(jù)所述交通圖像，……，得到第一交互關系檢測結(jié)果。
分析如下：
在案例一中，創(chuàng)新點在人工智能算法模型結(jié)構(gòu)上，模型訓練過程和模型應用過程都有相同的模型結(jié)構(gòu)，無論是在訓練，還是在應用，兩者對數(shù)據(jù)處理具有相同的處理邏輯。如此，模型訓練和模型應用分別單獨進行布局，既能體現(xiàn)相應的創(chuàng)新點，且兩組權(quán)利要求之間也相互不影響。
（二）模型訓練過程和模型應用過程分別布局權(quán)利要求，模型應用的權(quán)利要求采用引用模型訓練過程各權(quán)利要求方式
案例二
CN113343132A
權(quán)利要求1：
一種模型訓練的方法，其特征在于，包括：
獲取訓練樣本，……；
通過待訓練的排序模型，確定……；
根據(jù)……，訓練所述排序模型。
權(quán)利要求8：
一種信息展示的方法，其特征在于，包括：
接收用戶輸入的搜索語句；
……將所述各搜索結(jié)果輸入到預先訓練的排序模型中，得到所述搜索語句對應的排序結(jié)果，所述排序模型是通過上述權(quán)利要求1～7任一項方法訓練得到的；……。
分析如下：
在案例二中，權(quán)利要求1布局了根據(jù)模型訓練方法得到模型，權(quán)利要求8布局了模型應用的方法，且引用了模型訓練的權(quán)利要求中任一項，如此模型應用的技術方案包括了所引用的權(quán)利要求中模型訓練的全部技術特征，同時還包括了模型應用的技術特征。
（三）模型應用過程作為獨立權(quán)利要求和模型訓練作為模型應用過程的從屬權(quán)利要求布局，以及模型訓練過程作為獨立權(quán)利要求布局
案例三
CN111191791A
權(quán)利要求1：
一種機器學習模型的應用方法，其特征在于，所述方法包括：
獲取當前任務的預測樣本；
調(diào)用適用于所述當前任務的機器學習模型；
通過所述機器學習模型輸出所述預測樣本對應的預測結(jié)果；
其中，所述機器學習模型是……樣本數(shù)據(jù)進行訓練得到的。
權(quán)利要求2：
根據(jù)權(quán)利要求1所述的方法，其特征在于，所述機器學習模型的訓練過程如下：
確定所述當前任務與所述歷史任務之間的相關性；
……所述當前任務的機器學習模型。
權(quán)利要求8：
一種機器學習模型的訓練方法，其特征在于，所述方法包括：
確定當前任務與歷史任務之間的相關性；
……得到適用于所述當前任務的機器學習模型。
分析如下：
在案例三中，權(quán)利要求1布局了模型應用過程的技術方案，且在權(quán)利要求中對模型訓練僅做了突出創(chuàng)新點的限定，權(quán)利要求2作為權(quán)利要求1的從屬權(quán)利要求布局了模型訓練過程。權(quán)利要求8單獨布局了模型訓練過程的技術方案。
（四）模型應用過程作為獨立權(quán)利要求，模型訓練過程作為模型應用權(quán)利要求的從屬權(quán)利布局
案例四
CN114090726A
權(quán)利要求1：
一種文本意圖識別方法，其特征在于，包括：
根據(jù)預先構(gòu)造的實體字典庫，……確定所述待識別文本對應的意圖。
權(quán)利要求7：
根據(jù)權(quán)利要求1-6中任一項所述的方法，其特征在于，所述意圖文本識別方法是通過網(wǎng)絡模型執(zhí)行的，所述網(wǎng)絡模型通過以下步驟訓練得到：
獲取第一文本序列；
……調(diào)整所述網(wǎng)絡模型的模型參數(shù)，以對所述網(wǎng)絡模型進行訓練。
分析如下：
在案例四中，權(quán)利要求1布局了模型應用過程的技術方案，權(quán)利要求7作為權(quán)利要求1的從屬權(quán)利要求布局了模型訓練過程。
（五）模型訓練過程布局獨立權(quán)利要求，模型應用過程作為模型訓練過程權(quán)利要求的從屬權(quán)利要求布局
案例五
CN114067321A
權(quán)利要求1：
一種文本檢測模型訓練方法，其特征在于，包括：
獲取樣本圖像集合，其中，每個樣本圖像包含至少一個真實文本對象；
基于所述樣本圖像集合，……確定目標損失值，并采用所述目標損失值進行參數(shù)調(diào)整。
權(quán)利要求10：
如權(quán)利要求1至9任一所述的方法，其特征在于，所述基于……之后，還包括：
獲取待處理圖像；……；
采用所述目標文本檢測模型，對所述多個目標文本框圖像進行實例分割，獲得至少一個目標文本對象。
分析如下：
在案例五中，權(quán)利要求1布局了模型訓練過程的技術方案，權(quán)利要求10作為權(quán)利要求1的從屬權(quán)利要求布局了模型應用過程。
400-883-1990
info@aciplaw.com
