人工智能辅助发明的专利保护（三）—发明客体的判断标准
作者：汉坤律师事务所魏小薇
姜浩然
蒙晨玮
人工智能（AI）是当下最具热度的技术之一，AI技术的迅速发展已经深刻地改变了各行各业的生产、研发方式，也改变了人类社会的生活。AI光明的发展前景也使得各个创新实体都在积极推进AI创新生态布局，以抢占AI创新领域的战略高地，AI相关的发明专利实践和申请策略也随之成为热点话题。
涉及AI的发明创造包括技术改进本身与AI相关的发明、以及由AI辅助完成的发明。前者所要求的保护范围以AI技术作为发明客体即技术方案的一部分，而后者针对由AI以类似“发明人”的地位作为发明主体而非发明客体辅助参与得到的最终产物（例如，由AI辅助设计的天线形状、制药过程中由AI辅助筛选出的药品等等）。在专利审查实践中，针对发明专利保护客体问题的审查往往不涉及对发明创造来源的审查。换言之，例如由AI辅助设计得到的天线和完全由自然人设计得到的天线在客体审查中并无明显区别。然而，对于权利要求保护范围本身包含AI技术的即与AI相关的发明，各个国家对其能否由专利保护一直持谨慎态度。本文将重点讨论本身包含AI技术的即与AI相关的发明的客体判断标准。
国家知识产权局于年12月21日发布了修订后的《专利审查指南》，对AI、大数据相关发明创造的审查标准进行了完善。本文旨在解析中国、美国、欧洲对于AI相关发明的客体审查标准，以探讨各国实践中的专利申请策略。
一、发明客体问题：
AI相关发明的可专利性
对于权利要求保护范围本身包含AI技术的即与AI相关的发明是否属于专利法保护的客体在各国存在不同态度，有些国家对于多数AI发明给予慷慨的保护，有些国家则谨慎的排除一些AI发明作为专利保护客体。有学者认为主要原因在于AI技术的程序算法与数学计算方法密切相关，可能形成针对智力活动规则的垄断，阻碍技术创新[1]。
从AI技术的发展过程来看，AI算法通过不断地观测、实验总结出规律和改进的方案，进而被应用于各个领域促进科学技术进步和社会经济发展。AI的发展过程和专利发明创造的过程相似。同时随着深度学习、神经网络等AI技术的飞速发展，AI技术已经能够解决实际的技术问题、辅助人类的生产活动，其显然不再等同于纯粹的智力活动规则或数学方法，而能够和“技术性”的实际应用相关联。在中国、美国、欧洲的专利审查实践中，也均采用了和“技术性”相关的判断标准，为符合标准的AI相关发明提供保护。
二、AI相关发明客体的判断标准
（一）中国认可能够带来“计算机系统内部性能改进”、或挖掘“具体应用领域”数据中“符合自然规律的内在关联关系”的AI相关发明属于专利法保护的客体
《中华人民共和国专利法》（“专利法”）从正反两方面对专利所保护的客体范围进行了限定。
根据专利法第二条第二款，“发明，是指对产品、方法或者其改进所提出的新的技术方案”；第二十五条第一款第（二）项，“智力活动的规则和方法”不能被授予专利权。由此可知，专利法对是否纳入客体范围的考量主要集中在是否属于技术方案，专利法所保护的对象不能是单纯的规则或方法。
在实践中，对于包含算法特征的发明专利申请，其客体判断标准同样是基于“技术性”的。年12月21日，国家知识产权局发布《专利审查指南》（）（“审查指南”），并于年1月20日起施行。审查指南第二部分第九章第6.1.2小节规定“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”。
针对AI相关的发明专利申请，审查指南具体从三个角度完善了保护客体的审查基准，并增加了示例来说明如果满足以下情形中的至少一条，则权利要求符合专利法第二条第二款的规定[2]：
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；
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，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；或者
解决方案处理的是具体应用领域的大数据，利用分类、聚类、回归分析、神经网络等挖掘数据中符合自然规律的内在关联关系，据此解决如何提升具体应用领域大数据分析可靠性或精确性的技术问题，并获得相应的技术效果。
审查指南进一步提供了审查示例，以说明涉及AI、大数据相关专利申请的客体审查标准。
例1[3]：如果算法的改进带来了计算机系统内部性能改进，即使该方案未结合具体应用领域，其也能够成为专利保护的客体。
[例1]一种深度神经网络模型的训练方法，包括：
当训练数据的大小发生改变时，针对改变后的训练数据，分别计算所述改变后的训练数据在预设的候选训练方案中的训练耗时；
从预设的候选训练方案中选取训练耗时最小的训练方案作为所述改变后的训练数据的最佳训练方案，所述候选训练方案包括单处理器训练方案和基于数据并行的多处理器训练方案；
将所述改变后的训练数据在所述最佳训练方案中进行模型训练。
上述“例1”中的方案属于专利保护的客体。尽管该方案未结合具体应用领域，但该模型训练方法与计算机系统的内部结构（单处理器、多处理器等）存在特定技术关联，提升了训练过程中硬件的执行效果，这种效果是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，该方案属于专利法第二条第二款所述的技术方案。
例2[4]：如果解决方案所处理的数据来源于具体应用领域、并且挖掘出的内在关联关系是符合自然规律的，该方案能够成为专利保护的客体。
[例2]一种电子券使用倾向度的分析方法，其特征在于，包括：
根据电子券的信息对电子券进行归类以得到电子券种类；
根据电子券的应用场景获取用户样本数据；
根据用户行为，从所述用户样本数据中提取用户行为特征，所述用户行为包括：浏览网页、搜索关键词、加
