专利代理师  苏晓丽

导言：

       为了明确涉及人工智能等新业态新领域专利申请审查规则，国家知识产权局于2019年12月31日发布了对《专利审查指南》的修改决定（国家知识产权局第343号公告），对涉及算法或商业规则和方法的专利申请的审查规则作出特殊规定，修改后的指南已经于2020年2月1日起正式施行。本文主要介绍其中与专利法保护客体相关的审查规则，并给出针对这些新修改需要注意的事项及建议。

 

一、涉及专利法保护客体审查规则的修改

 

       涉及人工智能、“互联网+”、大数据以及区块链等的发明专利申请，一般包含算法或商业规则和方法等智力活动的规则和方法特征。在新修改的专利法审查指南中明确规定：在审查中，不应当简单割裂技术特征与算法特征或商业规则和方法特征等，而应将权利要求记载的所有内容作为一个整体，对其中涉及的技术手段、解决的技术问题和获得的技术效果进行分析。

 

       根据此次指南的修改，对于涉及算法或商业规则的发明专利申请，一般可以按照以下顺序进行审查：（1）判断是否为专利法第二十五条第一款第(二)项（法25.1（2））规定的智力活动的规则和方法。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智力活动的规则和方法，不应当被授予专利权。（2）如果权利要求作为一个整体不属于智力活动的规则和方法，则继续审查其是否属于专利法第二条第二款（法2.2）所规定的技术方案。（3）如果权利要求属于技术方案，则可以进一步审查其是否具备专利法第二十二条第二款和第三款（法22.2和法22.3）所规定的新颖性、创造性。

 

       概括来说，对于这类型涉及算法或商业规则的发明专利申请，在审查过程中首先要判断权利要求所限定的解决方案是否属于专利法保护的客体（法25.1（2）和法2.2），其次才进行新颖性和创造性的审查。对于专利法25.1（2）规定的智力活动的规则和方法，通常可以通过在权利要求加入适量“技术特征”的方式来避免其落入法25.1（2）规定的不应当被授予专利权的情形。因此，在下文中主要通过具体示例介绍关于技术方案的审查（即法2.2）。

 

二、关于技术方案的审查（法2.2）

 

       在目前审查过程中，判断权利要求是否属于技术方案采用的是基于三技术要素（即技术问题、技术手段、技术效果）的判断方法。也就是说， 如果权利要求请求保护的方案，解决的是技术问题，而且权利要求里记载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，则该权利要求请求保护的方案属于专利法第二条第二款所述的技术方案。

 

       对于既包含算法特征或商业规则和方法特征又包含技术特征的权利要求，判断其是否属于技术方案时，需要从整体上考虑权利要求中记载的全部特征；即判断该权利要求是否是将算法特征或商业规则和方法特征与技术特征相结合，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1，发明专利申请提出一种基于地区用电特征的经济景气指数分析，该方法通过统计待检测地区的各项经济指标和用电指标，来评估该地区的经济景气指数。权利要求内容如下：

一种基于地区用电特征的经济景气指数分析方法，其特征在于，包括以下步骤：

根据待检测地区的经济数据和用电数据，选定待检测地区的经济景气指数的初步指标，其中，所述初步指标包括经济指标和用电指标;

通过计算机执行聚类分析方法和时差相关分析法，确定所述待检测地区的经济景气指标体系，包括先行指标、一致指标和滞后指标;

根据所述待检测地区的经济景气指标体系，采用合成指数计算方法，获取所述待检测地区的经济景气指数。

       分析：该解决方案是一种经济景气指数的分析和计算方法，该方法是由计算机执行的，其处理对象是各种经济指标、用电指标，解决的问题是对经济走势进行判断，不构成技术问题；所采用的手段是根据经济数据和用电数据对经济情况进行分析，仅是依照经济学规律采用经济管理手段，不受自然规律的约束，因而未利用技术手段；该方案最终可以获得用于评估经济的经济景气指数，不是符合自然规律的技术效果，因此该解决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。

 

       例2，发明专利申请提供了一种卷积神经网络模型的训练方法，在各级卷积层上对训练图像进行卷积操作和最大池化操作后，进一步对最大池化操作后得到的特征图像进行水平池化操作，使得训练好的CNN模型在识别图像类别时能够识别任意尺寸的待识别图像。权利要求的内容如下：

　一种卷积神经网络CNN模型的训练方法，其特征在于，所述方法包括：

　获取待训练CNN模型的初始模型参数，所述初始模型参数包括各级卷积层的初始卷积核、所述各级卷积层的初始偏置矩阵、全连接层的初始权重矩阵和所述全连接层的初始偏置向量;

　获取多个训练图像;

　在所述各级卷积层上，使用所述各级卷积层上的初始卷积核和初始偏置矩阵，对每个训练图像分别进行卷积操作和最大池化操作，得到每个训练图像在所述各级卷积层上的第一特征图像;

　对每个训练图像在至少一级卷积层上的第一特征图像进行水平池化操作，得到每个训练图像在各级卷积层上的第二特征图像;

　根据每个训练图像在各级卷积层上的第二特征图像确定每个训练图像的特征向量;

　根据所述初始权重矩阵和初始偏置向量对每个特征向量进行处理，得到每个训练图像的类别概率向量;

　根据所述每个训练图像的类别概率向量及每个训练图像的初始类别，计算类别误差;

　基于所述类别误差，对所述待训练CNN模型的模型参数进行调整;

　基于调整后的模型参数和所述多个训练图像，继续进行模型参数调整的过程，直至迭代次数达到预设次数;

　将迭代次数达到预设次数时所得到的模型参数作为训练好的CNN模型的模型参数。

       分析：该解决方案是一种卷积神经网络CNN模型的训练方法，其中明确了模型训练方法的各步骤中处理的数据均为图像数据以及各步骤如何处理图像数据，体现出神经网络训练算法与图像信息处理密切相关。该解决方案所解决的是如何克服CNN模型仅能识别具有固定尺寸的图像的技术问题；采用了在不同卷积层上对图像进行不同处理并训练的手段，利用的是遵循自然规律的技术手段；获得了训练好的CNN模型能够识别任意尺寸待识别图像的技术效果。因此，该发明专利申请的解决方案属于专利法第二条第二款规定的技术方案，属于专利保护客体。

 

       例3，发明专利申请提出一种共享单车的使用方法，通过获取用户终端设备的位置信息和对应一定距离范围内的共享单车的状态信息，使用户可以根据共享单车的状态信息准确地找到可以骑行的共享单车进行骑行，并通过提示引导用户进行停车，从而方便了共享单车的使用和管理，节约了用户的时间，提升了用户体验。权利要求内容如下：

一种共享单车的使用方法，其特征在于，包括以下步骤：

步骤一，用户通过终端设备向服务器发送共享单车的使用请求;

步骤二，服务器获取用户的第一位置信息，查找与所述第一位置信息对应一定距离范围内的共享单车的第二位置信息，以及这些共享单车的状态信息，将所述共享单车的第二位置信息和状态信息发送到终端设备，其中第一位置信息和第二位置信息是通过GPS信号获取的;

步骤三，用户根据终端设备上显示的共享单车的位置信息，找到可以骑行的目标共享单车;

步骤四，用户通过终端设备扫描目标共享单车车身上的二维码，通过服务器认证后，获得目标共享单车的使用权限;

步骤五，服务器根据骑行情况，向用户推送停车提示，若用户将车停放在指定区域，则采用优惠资费进行计费，否则采用标准资费进行计费;

步骤六，用户根据所述提示进行选择，骑行结束后，用户进行共享单车的锁车动作，共享单车检测到锁车状态后向服务器发送骑行完毕信号。

       分析：该解决方案涉及一种共享单车的使用方法，所要解决的是如何准确找到可骑行共享单车位置并开启共享单车的技术问题，该方案通过执行终端设备和服务器上的计算机程序实现了对用户使用共享单车行为的控制和引导，反映的是对位置信息、认证等数据进行采集和计算的控制，利用的是遵循自然规律的技术手段，实现了准确找到可骑行共享单车位置并开启共享单车等技术效果。因此，该发明专利申请的解决方案属于专利法第二条第二款规定的技术方案，属于专利保护的客体。

 

       通过上述示例可以看出，对于涉及算法和商业规则的计算机实施发明和软件发明，在新申请撰写时除了在权利要求加入适量“技术特征”的方式来避免其落入专利法第二十五条第一款第(二)项规定的不应当被授予专利权的情形之外，还至少需要注意下面两点：

 

       （a）权利要求中涉及的算法和商业规则/方法要应用于某个具体的技术领域来解决某个具体的技术问题。

       例如，在上文的例2中要求保护的一种卷积神经网络模型的训练方法，在该权利要求中明确了该训练方法的各步骤中处理的数据均为图像数据以及各步骤如何处理图像数据，体现出神经网络训练算法与图像信息处理领域密切相关，所解决的是如何克服CNN模型仅能识别具有固定尺寸的图像的技术问题。反之，如果将上述权利要求中的“训练图像”修改为“训练样本数据”，该训练方法的效果为提高训练模型的识别速度或识别准确性，则在后期审查过程中很有可能收到下面的审查意见：

      “该权利要求的解决方案不涉及任何具体的应用领域，其中处理的训练样本的特征值、模型的初始参数以及CNN模型都是抽象的通用数据，利用训练样本的相关数据对数学模型进行训练等处理过程是一系列抽象的数学方法步骤，最后得到的结果也是抽象的通用数学模型。因此，该方案所要解决的问题实质上属于算法本身的进一步改进，没有应用具体的技术领域，并不是专利法意义的技术问题，所要达到的技术效果也不是专利法意义的效果，所以整体上不属于技术方案“。

 

       （b）在权利要求中体现出算法特征或商业规则/方法特征与技术特征之间存在相互支持和相互作用。

       例如，对于包含算法特征的权利要求，算法处理的数据及其相关输出结果是某个具体应用领域中具有确切技术含义的数据；以在上文例2中卷积神经网络模型的训练方法为例，在该权利要求中明确了该训练方法的各步骤中处理的数据均为图像信息处理领域中的图像数据。

       又例如，对于包含商业规则或商业方法特征的权利要求，商业规则和方法特征的实施需要相应技术手段的调整或改进；以上文例3中共享单车的使用方法为例，为实现准确找到可骑行共享单车，终端设备、共享单车、服务器之间传递的信息数据结构及通信方式均做出了相应调整。

       另外，为了更好地支持权利要求，可以在说明书中加强对于有益技术效果的描述。例如，如果该权利要求的方案所产生的有益效果是客观上提升了用户体验，可以在说明书中解释这种用户体验的提升是如何由构成发明的技术特征与算法特征或商业规则和方法特征在功能上彼此相互支持紧密结合而共同带来或者产生的。

 

三、小结及建议

 

       从专利审查指南的最新修改可以看出中国国家知识产权局在加强对于人工智能、“互联网+”、大数据以及区块链等新业态、新领域中包含算法和商业规则的专利申请保护，以适应新技术发展的需求。对于这类利用计算机实施的涉及算法和商业规则的专利申请在撰写方面提供下列建议供参考：

 

       * 撰写时要将算法或商业规则/方法应用在某个“具体的技术领域”来解决具体的技术问题，例如，智能驾驶领域、图像识别领域、视频压缩领域等等；而非仅经由通用计算机执行的抽象算法或单纯商业规则。

       * 撰写时要将算法或商业规则/商业方法与“技术特征”相结合。例如包含算法特征时，算法的至少一个输入参数及其相关输出结果的定义应当与具体技术领域中的具体数据对应关联起来；又例如，包含商业规则和方法特征时，该商业规则和方法特征的实施需要或依赖于相应技术手段的调整或改进。

       * 撰写时加强对“技术效果”的描述，尤其是在说明书中写出算法特征或商业规则/方法特征如何与技术特征在功能上相互支持和相互作用，共同解决某一技术问题，获得相应的技术效果的过程。