习近平总书记指出：“谁能把握大数据、人工智能等新经济发展机遇，谁就把准了时代脉搏。”当今，人工智能及其相关技术快速发展，促进经济和社会的高质量发展。目前，腾讯、百度、阿里巴巴、字节跳动等国内互联网企业都投入人工智能技术的研发当中，新技术的发展和新产业的诞生呼唤新规则、新制度的构建，知识产权制度具有激励创新和利益平衡的双重功能^[1]。2021年9月，中共中央、国务院印发《知识产权强国建设纲要（2021—2035年）》，要求加快大数据、人工智能、基因技术等新领域新业态知识产权立法，研究完善算法、商业方法、人工智能产出物知识产权保护规则。因此，不断探索和构建符合我国实际情况的人工智能知识产权保护规则，以实现对人工智能产业发展的激励至关重要。同时，简化人工智能领域专利的审查流程、提高检索效率以及探索创造性标准的“动态平衡点”都能更好地促进人工智能的知识产权保护。

一、人工智能的知识产权保护

人工智能的迅速发展给专利制度带来了挑战。世界知识产权五局（IP5）于2019年6月在韩国仁川举行的年度会议中成立了IP5工作小组，该工作小组致力于改善AI专利审查流程、将可专利性要件应用于AI领域的发明等。2020年1月该工作小组举行首次会议，探讨各种方法来促进法律确定性、建立明确的准则等。

我国国家知识产权局于2019年8月启动了对《专利审查指南》第二部分第九章的完善性修改工作，并于2020年2月1日起实施。其中对涉及人工智能、区块链等新领域新业态的专利审查准则进行了细化，给出了如何更好地撰写专利申请的指引。该版指南首先强调了对权利要求的整体考虑原则，对于涉及人工智能、“互联网 +”、大数据以及区块链等的发明专利申请，权利要求中往往包含算法、商业规则和方法等智力活动的规则和方法特征，应将权利要求记载的所有内容作为一个整体考虑，不得忽略该类特征或将其与技术特征机械割裂。其次，明确了权利要求是否属于智力活动的规则和方法的审查标准；如果权利要求中同时还含有技术特征，那么就不属于专利法第二十五条（以下简称A25）规定的情形。最后，明确了对象相关法律条款的审查顺序：针对要求保护的主题，首先应当审查其是否属于智力活动的规则和方法，再审查其是否属于专利法第二条第二款（以下简称A2.2）规定的技术方案；在判断一项权利要求是否是技术方案时，应当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。

我国国家知识产权局于2023年12月发布了新版《专利审查指南（2023）》（以下简称《指南（2023）》），并于2024年1月20日起实施。为了聚焦我国科技创新和产业发展需求，也为了提高新领域新业态的专利申请的审查标准一致性，本次指南修改持续完善了大数据、人工智能等新领域新业态保护规则和专利审查标准。

《指南（2023）》新增如下内容：“如果权利要求的解决方案涉及深度学习、分类、聚类等人工智能、大数据算法的改进，该算法与计算机系统的内部结构存在特定技术关联，能够解决如何提升硬件运算效率或执行效果的技术问题，包括减少数据存储量、减少数据传输量、提高硬件处理速度等，从而获得符合自然规律的计算机系统内部性能改进的技术效果，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。”

其中，《指南（2023）》中给出的案例5，一种深度神经网络模型的训练方法，该模型训练方法为解决训练速度慢的问题，针对不同大小的训练数据，选择适配具有不同处理效率的单处理器训练方案或多处理器训练方案，该模型训练方法与计算机系统的内部结构存在特定技术关联，提升了训练过程中硬件的执行效果，属于专利保护的客体。该案例指出了：方案虽然未限定训练数据是具体应用领域中的特定数据，但训练数据与计算机系统内部结构存在的关联关系符合自然规律，该专利申请属于A2.2所述的技术方案。

可见，尽管人工智能算法本身并没有对计算机硬件作出改进，但算法的改进与计算机系统的内部结构存在特定技术关联，其技术目的是从减少数据存储量、减少数据传输量、提高硬件处理速度等技术问题出发，从而获得符合自然规律的计算机系统内部性能改进的技术效果。因此，符合专利保护的客体。

通过《专利审查指南》的修改，可以看出，国家高度重视与人工智能对应的知识产权保护工作，其目的就是为了避免因知识产权的滞后性影响人工智能发展的速度，也避免因过度干预给人工智能发展盖上天花板，故在实践当中，应围绕经济大局发展需求进行，实时进行动态调整，提高知识产权审查质量和审查效率，加大知识产权侵权违法行为的惩治力度，保障科技沿着正确方向精准发展，平衡好人工智能知识产权保护问题^[2]。

二、人工智能领域专利申请的审查流程

《指南（2023）》中规定，为节约程序，审查员通常应当在发出第一次审查意见通知书（以下简称一通）之前对专利申请进行全面审查，即审查申请是否符合专利法及其实施细则有关实质方面和形式方面的所有规定。

现将人工智能领域专利申请的审查流程图设计如图 1。对于权利要求书中存在不授权客体缺陷问题的人工智能领域专利申请，如果不能通过修改克服该缺陷，在发出一通时指出专利申请不符合A25/A2.2。如果可以通过合并权利要求或者在权利要求书加入说明书中内容克服该缺陷，为了节省审查程序，在发出一通时对技术方案进行检索。如果确定该专利申请没有授权前景，在一通中指出专利申请不符合A25/A2.2 或进行三性评述；如果确定该专利申请有授权前景，在一通中指出不符合A25/A2.2 的同时，可进行假设评述并指出修改方向。

对于人工智能领域的专利申请，申请人会对客体判断存在疑惑，因此，在审查过程中可合理运用电话、会晤等沟通方式来帮助申请人对客体判断进行理解，也可有助于申请人撰写后续的专利申请文件。在审查过程中还需关注同一时期的关联申请、方案类似的专利申请的审查过程，通过集中审查、会审等有效手段来保证专利审查标准一致性。

三、人工智能领域专利申请的检索方法

从人工智能领域专利申请量来看，主要集中在中国、美国、日本和韩国。从人工智能领域专利申请人分布来看，美国主要专利人分布在软件公司，日韩等国家的主要专利申请人以硬件公司为主，中国主要专利申请人分布在硬件公司、软件公司以及高校^[3]。因此，在检索外文专利文献时，应关注美国的软件公司、日韩的硬件公司，例如美国的IBM、韩国的三星以及日本的索尼。

对于非专利文献的检索，除了使用百度学术、CNKI、IEEE、ResearchGate、arXiv等常用的检索工具外，还需要关注CSDN、博客园、简书、知乎、github、微信公众号、百度图片检索等网站。

（一）基于神经网络结构进行检索

案例一的权利要求1为：

在MTCNN算法模型中采用预设P-Net级联网络并输出候选窗和边界回归向量；以及将上述输出结果输入R-Net级联网络去除重叠窗并在O-Net级联网络输出显示目标窗和人脸关键点。在MTCNN算法模型中采用预设P-Net级联网络并输出候选窗和边界回归向量包括：在所述预设P-Net级联网络中增设锚点框，所述锚点框为多尺度。

其发明构思为：为了提高人脸检测的效率对MTCNN模型进行改进。本发明对MTCNN三层网络结构的第一层进行改进，加入anchor锚点策略以减少原有MTCNN算法模型中重复计算量。

检索过程如下：基于发明构思，可以发现加入“锚点框”是创新点。首先在百度检索框中输入专业术语“锚点框”进行检索，通过阅读检索到的文献发现“锚点框”这一改进点在 Faster R-CNN网络结构中首次提出；并且Faster R-CNN网络结构中的RPN区域生成网络的作用就是为了生成“锚点框”。基于上述内容，对本发明进一步理解，本发明实质上是将用于生成“锚点框”的RPN网络引入到MTCNN网络的第一层网络结构P-Net中。因此，只需检索到一篇P-Net网络中包括RPN网络的文献即可作为对比文件。考虑到CNKI高级检索中的句子检索可以精准地检索句子中包含相关词语的文献，因此，构造检索式时，在CNKI句子检索输入框中输入“RPN”和“P-Net”，得到对比文件。

对于人工智能领域的专利申请，许多专利申请涉及网络结构的改进，因此，对背景技术或技术发展脉络进行梳理可以帮助我们尽快提取关键信息。例如，可以获取“基于哪个基础网络结构进行改进的”“改进点来源于哪个网络结构”“由哪些不同的网络结构组合构建而成”等关键信息。检索的方法包括：通过在百度里搜索背景技术或发展脉络得到、通过相关领域学术论文的背景技术或技术综述得到、通过检索专业术语得到等。另外，从案例一可以看出，人工智能领域的学者在提出一种新的网络结构后通常会用英文缩写命名，因此，在检索时如果发现某一网络结构是现有的，可以采用其对应的英文缩写进行检索。

（二）基于追踪方法进行检索

案例二的权利要求1为：

S1：输入当前帧图像，对当前帧的图像进行人脸检测，得到当前帧的人脸集合D，在进行人脸追踪之前，已经得到了截止到前一帧的轨迹集合T，然后计算集合D中每一个人脸与轨迹T中每一个轨迹的关联度；在计算当前帧的人脸和轨迹中的人脸的关联度时，需要考虑人脸的位置信息和人脸的特征信息，人脸的特征信息是由人脸重识别网络提取出来；

S2：匹配，将关联度矩阵计算出来后，利用Kuhn-Munkres算法进行二分匹配，对于轨迹集合T中的轨迹，根据轨迹的质量进行评价，将其分为高质量轨迹和低质量轨迹；

S3：经过上述过程之后，就得到了当前帧上的人脸追踪结果，对视频中的后续所有帧，依次执行上述的操作，就可以得到在整个视频上的人脸轨迹。

其发明构思为：针对多数目标追踪方法存在运算速度慢或者追踪准确率和追踪轨迹召回率低的问题，本发明通过对人脸位置信息和人脸外观特征信息联合计算匹配度，尽可能降低人脸受遮挡和光照的影响。

检索过程如下：本发明的权利要求1中记载了通过匹配将轨迹划分为“高质量轨迹”和“低质量轨迹”，其中，“高质量轨迹”和“低质量轨迹”这两个比较性词语较少会出现在同一个句子内，并且属于不易扩展的词语，因此，构造检索式时，在CNKI高级检索中的句子检索输入框中输入“高质量轨迹”和“低质量轨迹”，通过检索获得四篇文献，其中只有一篇与本申请的技术领域相关，为“监控视频对象跟踪与行为识别”，但其公开时间晚于本申请的申请日，不能作为对比文件。对该文献进行追踪，在其第2.3.1节详细介绍了与本申请的技术框架一致的POI在线多目标跟踪框架，并给出了相应的参考文献“POI: Multiple Object Tracking with High Performance Detection and Appearance Feature”。通过阅读该参考文献，发现其可作为本申请的对比文件。

上述通过在精准检索工具中追踪不易扩展的词语来获得相关文献，然后再追踪相关文献获得对比文件，可见，追踪是一项很重要的检索方式。追踪的方法还有很多：利用Research Gate网站可以追踪到发明人的相关文献、对关联申请进行追踪可以获得审查过程中的检索方式以及使用的对比文件、对该领域重点申请人进行追踪可以获取该领域重点技术等。

当然，很多种检索路径都能检索到对比文件，提高检索效率就是找到最佳检索路径，影响检索准确率和检索路径长短的因素包括检索词语的选择、检索顺序的选择、检索式的构建、检索工具的选择、分类号的选择等。然而，这些选择最终都离不开对本领域基础知识的掌握程度、对本申请发明构思的理解程度以及类似专利申请的审查经验。因此，在平时的审查过程中可对本领域的基础知识进行积累和对类似专利申请的审查方法进行总结，在进行专利审查时，深入理解本申请的发明构思。提高检索准确率和效率是个日积月累的过程，可通过不断迭代上述过程来提高。

四、人工智能领域专利申请的创造性

考量创造性标准可以代表专利保护水平。诺德豪斯认为，最佳的专利保护水平应是一个平衡点^[4]。如果这个平衡点设置过高，高水平的发明无法获得应有保护，会损害发明人的积极性，并阻碍技术进步；如果这个平衡点设置过低，低水平专利就会充斥市场，导致通用技术被垄断。

在人工智能领域，随着研发人员掌握并使用人工智能进行研发活动的范围和能力不断提高，并且人工智能可以自动生成技术方案或者辅助人类生成技术方案，导致现有技术的范围增速较快。《指南（2023）》第二部分第四章第2.4节记载了本领域技术人员具有“现有技术、普通技术知识和常规实验手段的能力”的特点，则本领域技术人员所掌握的技术应与“现有技术”的发展同步，因此，人工智能领域的审查标准对审查员来说是一个较大的挑战，可通过获取人工智能领域最近研发进展、关注重点公司研究动态、加强人工智能领域技术交流等方式来获取人工智能领域创造性标准的“动态平衡点”。

另外，基于上述《指南（2023）》中新增的内容，如果该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，在进行创造性评述时应当考虑算法的贡献。

（一）涉及人工智能发明“领域界限”的创造性考量

人工智能依托庞大的多领域数据库可以打破原有的技术领域界限，挖掘潜在的技术信息。在专利审查时，可以跨领域检索，并从更多的技术领域获得“技术启示”。

例如，将人脸识别中常用的求取最优解迭代算法移植到核医学图像重建中，或者将飞行器控制场景的神经网络分类算法应用于交通管理场景中，上述都是将相同的技术应用在相近的技术领域，跨领域难度不高，且该算法在源场景和目标场景中所产生的作用相同，应当认为跨领域没有产生预料不到的技术效果，不具有创造性。反之，如果将源场景的技术应用于目标场景后，为了克服目标领域中存在的技术障碍作出适应性的修改，产生了预料不到的技术效果^[5]，则具有创造性。

因此，在对涉及人工智能发明“领域界限”的创造性评判时，需对技术领域的远近、是否存在相应的技术启示、是否需要克服技术上的困难以及是否产生了预料不到的技术效果等进行考量，不能仅因为与现有技术采用相同的技术而技术领域不同就直接认定为具有创造性，也不能仅因为与现有技术采用相同的技术并且技术领域相近就直接认定为不具有创造性。

（二）涉及人工智能发明“网络结构模块的改进”的创造性考量

许多人工智能领域专利申请的创新点都是基于对网络结构模块的改进，评判该类技术方案的创造性时，应从每个网络结构模块的作用、网络结构模块之间的相互关系以及达到的技术效果进行分析。

案例三的权利要求1为：

1）对医学图像预处理；2）构建多视角卷积网络子模型；3）采用DenseNet网络构建多视角信息协作卷积神经网络模型；多视角信息协作卷积神经网络模型由上述步骤 2）中提出的三个子模型组成；4）肾脏肿瘤良恶性分类。

对其进行创造性分析。通过检索获取两篇对比文件，对比文件1公开了：

1）对医学图像预处理；2）构建多视角卷积网络子模型；3）构建多视角信息协作卷积神经网络模型；多视角信息协作卷积神经网络模型由上述步骤 2）中提出的三个子模型组成；4）良恶性分类。

由此可见，该权利要求所要求保护的技术方案与对比文件1所公开的技术内容相比，区别特征在于：（1）本发明采用DenseNet网络构建多视角信息协作卷积神经网络模型，而对比文件1采用ResNet-50网络构建多视角信息协作卷积神经网络模型；（2）本发明是对肾脏肿瘤进行良恶性分类，而对比文件1是对胸部结节进行良恶性分类。上述区别特征所要解决的技术问题是如何提高分类性能以及如何选择分类对象。对于区别特征（1），对比文件2公开了DenseNet网络的分类性能优于ResNets网络，即对比文件2给出了在分类任务中DenseNet网络优于ResNets网络的技术启示。对比文件1公开了采用ResNet-50网络构建用于分类的多视角信息协作卷积神经网络模型，结合对比文件2公开的内容，本领域技术人员容易想到采用分类性能更优的DenseNet网络替换ResNet-50网络构建分类模型中的多视角信息协作卷积神经网络模型。对于区别特征（2），胸部结节和肾脏肿瘤仅是病理部位不同，选择肾脏肿瘤作为分类对象是本领域常规选择。因此，在对比文件1的基础上结合对比文件2及本领域常用技术手段可获得该权利要求所要求保护的技术方案，该权利要求不符合专利法A22.3有关创造性的规定。

在考量人工智能发明“网络结构模块的改进”的创造性时，对于功能独立的网络结构模块，如果是简单地替换、增加、删除、组合，并且产生的效果基于模块本身的作用是可以预期的，则对于本领技术人员来说是显而易见的；如果新构成的网络结构产生的技术效果发生“质”的变化、“量”的变化，并超出了预期，则对于本领技术人员来说并非显而易见。

五、小结

在人工智能领域的专利审查实践中，要准确地理解《指南（2023）》中给出的审查规则。随着人工智能技术的发展以及创新主体对知识产权保护的需求变化，在满足专利保护仍符合专利制度建立的初衷的同时，还需要不断完善人工智能领域的知识产权保护制度。对于人工智能领域专利申请的审查流程、检索方法以及创造性考量，仍需从专利审查实践中摸索经验，通过不断地总结和学习来提高审查效能以及审查标准一致性。

参考文献：