? ? 人工智能客體問題審查焦點在了解人工智能相關申請的客體問題之前，我們需要先明確何為人工智能相關申請。指引一章1節對人工智能相關申請的常見類型進行了分類，包括：

? 1）涉及人工智能算法或模型本身的相關申請人工智能算法或模型，即高級的統計和數學模型形式，包括機器學習、深度學習、神經網絡、模糊邏輯、遺傳算法等。該類型的申請通常涉及人工智能算法或模型本身及其改進或優化，例如，模型結構、模型壓縮、模型訓練等。

? 2）涉及基于人工智能算法或模型的功能或領域應用的相關申請基于人工智能算法或模型的功能，指使用一種或多種人工智能算法或模型實現的功能。例如，自然語言處理、計算機視覺、語音處理、知識表示與推理（如知識圖譜、圖計算等）、數據挖掘等。基于人工智能算法或模型的領域應用，指將人工智能應用于各類場景。例如，交通運輸、商業、教育、娛樂、金融等領域。

? 3）涉及人工智能輔助作出的發明的相關申請該類型的申請，人工智能發揮的作用類似于信息處理器或繪圖工具等。例如，利用人工智能識別特定蛋白質結合位點，終獲得的新型藥物化合物。

? 4）涉及人工智能生成的發明的相關申請人工智能生成的發明，指人工智能在沒有人類實質性貢獻的情況下自主生成的發明創造。例如，由人工智能技術自主設計的食品容器。可以理解，人工智能主要和算法或模型相關，算法或模型以數學理論為基礎發展而來，且其通常與計算機程序相結合。而智力活動的規則和方法包括：演繹、推理和運籌的方法，計算機的語言及計算規則，數學理論和換算方法，計算機程序本身。可見，人工智能相關申請與智力活動的規則和方法十分相似。

? ?針對人工智能相關申請，指引一章第2.2節對如何把握客體標準作出了規定：“人工智能相關專利申請的客體問題主要集中在，如何判斷一項解決方案是否屬于智力活動的規則和方法，是否構成專利法意義上的技術方案，特別是如何判斷方案采用的手段是否是遵循自然規律的技術手段，什么樣的問題屬于技術問題，怎樣才是符合自然規律的技術效果。”所以，判斷人工智能相關申請的客體問題，與判斷智力活動的規則和方法的客體問題，是存在異曲同工之處的。那么，相比起常規的智力活動的規則和方法，人工智能相關申請的客體問題有何特別之處？人工智能客體問題審查規則人工智能客體問題的審查規則，與智力活動的規則和方法大體上是相同的，也是可以從兩個方面來判斷：基于法規的通用基本審查規則，以及結合具體示例。

? ?只不過，指引針對一些涉及人工智能的具體場景，在常規的智力活動的規則和方法的基礎上，作出了進一步詳細說明，并且給出了若干結合人工智能的具體場景的示例。通用基本審查規則給出了人工智能屬于技術方案的三種具體情形

1）僅包含智力活動的規則和方法，不屬于專利客體指引第三章1節明確規定：“權利要求的方案不能僅涉及智力活動的規則和方法。”同樣的道理，即使涉及人工智能的方法是由計算機來執行，如果計算機只是載體作用，該載體上的內容是純智力活動的規則和方法，那本質上也視為僅包含智力活動的規則和方法，仍然不屬于專利保護的客體。

2）不僅包含智力活動的規則和方法，需要進一步判斷是否屬于專利客體指引第三章1.3節明確規定：“即便權利要求的解決方案不再屬于智力活動的規則和方法，想要成為專利保護的客體，還需滿足專利法第二條第二款關于技術方案的規定。”對于如何判斷是否屬于技術方案，指引第三章第2.2節給出了屬于技術方案的幾種常見情形：情形一：人工智能算法或模型處理的是技術領域中具有確切技術含義的數據情形二：人工智能算法或模型與計算機系統的內部結構存在特定技術關聯情形三：基于人工智能算法挖掘具體應用領域的大數據中符合自然規律的內在關聯關系可見，人工智能客體問題的通用基本審查規則，與智力活動的規則和方法類似，但指引針對人工智能相關申請是否屬于技術方案，給出了三種更明確的情形。

? 具體示例給出了若干結合人工智能的具體場景的示例與智力活動的規則和方法類似，僅根據通用基本審查規則無法快速判斷客體問題的話，結合具體示例來判斷，可以達到事半功倍的效果。下面根據不同類型對指引給出的示例進行劃分和說明：類型Ⅰ：僅包含智力活動的規則和方法，不屬于專利客體示例1一種僅基于抽象算法的通用神經網絡模型建立方法，或是，僅利用優化后的損失函數對通用神經網絡進行訓練以加速訓練收斂的方法。

【分析】這些方法均被認為是一種抽象數學算法，屬于僅包含智力活動的規則和方法，不可授予專利權。示例2例如，一種對神經網絡進行訓練的計算機系統，包括存儲器和處理器，其中存儲器存儲指令，處理器讀取指令，以利用優化損失函數對通用神經網絡進行訓練。

【分析】該方案中，計算機系統中的存儲器、處理器僅是算法存儲和執行的常規載體，其實質內容為“利用優化損失函數對通用神經網絡進行訓練”，屬于智力活動的規則和方法，所以該方案也視為僅包含智力活動的規則和方法，仍然不屬于專利保護的客體。類型Ⅱ（情形一）：人工智能算法或模型處理的是技術領域中具有確切技術含義的數據如果一項權利要求能夠體現人工智能算法或模型處理的對象是技術領域中具有確切技術含義的數據，使得基于本領域技術人員的理解，能夠知曉算法或模型的執行直接體現出利用自然規律解決某一技術問題的過程，且獲得了技術效果，則該權利要求限定的解決方案屬于技術方案。

? ?示例3一種利用神經網絡模型對圖像進行識別和分類的方法。

?【分析】圖像數據屬于技術領域中具有確切技術含義的數據，如果本領域技術人員能夠知曉解決方案中對圖像特征進行處理的各個步驟與要解決的識別物體并分類的技術問題密切相關，且獲得了相應的技術效果，則該解決方案屬于技術方案。類型Ⅲ（情形二）：人工智能算法或模型與計算機系統的內部結構存在特定技術關聯這種特定技術關聯體現了算法特征與計算機系統的內部結構相關特征在技術實現層面相互適應、彼此配合，如為支持特定算法或模型的運行而調整計算機系統的體系構架或相關參數，針對特定的計算機系統內部結構或參數對算法或模型作出適應性改進，或是以上兩者的組合。

? ?示例4一種面向憶阻器加速器的神經網絡模型壓縮方法，包括：步驟1、通過陣列感知的規則化增量剪枝算法，在網絡裁剪針對憶阻器實際陣列尺寸進行剪枝粒度的調整，獲得適配憶阻器陣列的規則化稀疏模型；步驟2、通過二的冪次量化算法，降低ADC精度需求和憶阻器陣列中低阻值器件個數以總體降低系統功耗。

? 【分析】為了提高憶阻器加速器性能而進行的算法改進，受硬件條件參數的約束，反映出了算法特征與計算機系統的內部結構存在特定技術關聯。特定技術關聯并不意味著必須對計算機系統的硬件結構做出改變。對于人工智能算法改進的解決方案，即使計算機系統的硬件結構本身并未發生改變，但是該方案通過優化系統資源配置使得其整體上能夠獲得計算機系統內部性能改進的技術效果，這類情形下，可以認為人工智能算法特征與計算機系統的內部結構存在特定技術關聯，能夠提升硬件的執行效果。

? ?示例5一種深度神經網絡模型的訓練方法，包括：當訓練數據的大小發生改變時，針對改變后的訓練數據，分別計算所述改變后的訓練數據在預設的候選訓練方案中的訓練耗時；從預設的候選訓練方案中選取訓練耗時小的訓練方案作為所述改變后的訓練數據的佳訓練方案，所述候選訓練方案包括單處理器訓練方案和基于數據并行的多處理器訓練方案；將所述改變后的訓練數據在所述佳訓練方案中進行模型訓練。

【分析】為解決深度神經網絡模型訓練速度慢的問題，針對不同大小的訓練數據，選擇適配具有不同處理效率的單處理器訓練方案或多處理器訓練方案，該模型訓練方法與計算機系統的內部結構存在特定技術關聯，提升了訓練過程中硬件的執行效果。類型Ⅳ（情形三）：基于人工智能算法挖掘具體應用領域的大數據中符合自然規律的內在關聯關系利用人工智能算法或模型進行數據挖掘并訓練出能夠根據輸入數據得到輸出結果的人工智能模型的手段不能直接構成技術手段，只有當基于人工智能算法或模型挖掘出的數據之間的內在關聯關系符合自然規律時，相關手段整體上方可構成利用自然規律的技術手段。因此，需要在權利要求記載的方案中明確為得到分析結果，具體采用了哪些指標、參數等來反映被分析對象的特點，利用人工智能算法或模型挖掘出的這些指標、參數等（模型輸入）與結果數據（模型輸出）之間的內在關聯關系是否符合自然規律。

? ?示例6一種食品安全風險預測方法，包括：獲取并分析歷史食品安全風險事件，得到表征食品原料、食用物品、食品抽檢毒害物的各個頭部實體數據和尾部實體數據、及其對應的時間戳數據；根據各個頭部實體數據及其對應的尾部實體數據、及其對應的攜帶有時間戳數據的表征各類危害物含量等級、風險或干預的實體關系，構建對應的四元組數據，得到對應的知識圖譜；利用所述知識圖譜對預設神經網絡進行訓練，得到食品安全知識圖譜模型；基于所述食品安全知識圖譜模型對待預測時刻的食品安全風險進行預測。

【分析】基于食品會隨時間而變化的固有特點（如，食品保存時間越長，食品中微生物含量越多，食品抽檢毒害物含量會隨之增加，當食品中包含多種會發生化學反應的原料時，該化學反應隨時間推移也可能在未來某個時刻引發食品安全風險）來預測食品安全風險，從而在構建知識圖譜時加入時間戳，基于各個時刻下的與食品安全風險相關的實體數據訓練預設神經網絡，以此預測待預測時刻的食品安全風險，利用了遵循自然規律的技術手段。指引中給出的示例雖然數量不多，但是僅依據這些示例也足以幫助我們對大部分的常見情況作出判斷了。而且，指引中給出的示例是審查員認為比較典型的示例，審查員在審查客體問題時也會結合這些示例來判斷，所以這些示例也是具備一定含金量的，不容忽視。

原創?知研團隊? ?免責聲明：版權歸原創所有僅供學習參考之用，禁止用于商業用途，部分文章推送時未能及時與原作者取得聯系，若來源標錯誤侵犯到您的權益煩請告知我們將立即刪除。