服务热线
400-138-1688
24小时在线咨询
案件解析 I 人工智能领域发明专利的创造性判断
2024年05月22日
引言： 人工智能（Artificial Intelligence，AI）是研究和开发用于模拟、延伸和扩展人类智能的技术和方法。它旨在使计算机系统具有感知、理解、学习、推理和决策等智能能力，以实现类似于人类的思维和行为。 卷积神经网络（Convolutional Neural Network，CNN）是一种用于图像和视觉数据处理的深度学习模型。它模拟了人类视觉系统对信息的处理方式，通过多层卷积层和池化层，可以提取图像的特征并进行分类、识别或预测。CNN广泛应用于图像识别、物体检测、人脸识别、自动驾驶等领域，已取得了许多重要的成果。 在人工智能和卷积神经网络的相关技术领域，专利的重要性不可忽视，专利可以用于保护新的算法、模型、方法、技术和应用等方面的创新。 然而，在人工智能高速发展的情况下，各行各业都将人工智能引入在相关技术领域中，但是深度学习的模型作为一种黑盒，如果仅仅只是利用人工智能，无法体现出各个技术方案的区别，因此需要针对各行各业的特定场景结合深度学习，提高技术的创造性，从而实现技术创新。 过去的研究指出，人工智能的创新受到专利保护不足、创新政策不完善等因素的制约。相关研究呼吁加强人工智能的专利保护，以提升基于人工智能创新的整体水平和国际竞争力。 一 AI的专申请文件如何提高创造 （一）技术案件解析： 一、所述图像中物体颜色、边缘特征的提取是由三条线路卷积层加池化层计算输出的集合输出构成，包括从左至右的第一条线路一层池化层、第二条线路二层卷积层和第三条线路四层卷积层。 二、所述对图像中纹理特征的提取是对上述图像中物体颜色、边缘特征的提取集合输出进行的提取，是由三条线路卷积层计算输出的集合输出构成，包括从左至右的第一条线路0卷积层、第二条线路二层卷积层和第三条线路三层卷积层；纹理特征形成的是卷积网络的激活函数(Relu activation)；至少三条线路卷积层或卷积层加池化层计算输出的集合输出构成了对图像中物体颜色、边缘特征和纹理特征的提取，每一条线路的卷积层数各不相同；所述对边缘、纹理之间关联特征提取的卷积层计算的线路数大于对图像中物体颜色、边缘和纹理特征提取的卷积层计算的线路数。
模型的具体结构
技术效果：解决了碎钢料模型的建立，采用多线多层，没有用边缘而是从图像的层次感作为特征提取，是一种独特的特征提取方法，使用本模型对碎钢等级的识别一致性可以达到80%至90%以上。
（二）无效理由分析
证据1
申请公布号为CN109919243A的中国发明专利申请，其申请公布日为2019年06月21日；
证据2
“Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning”，Christian et al,公开日期为2016年08月23日，原文打印件及相关中文译文；
证据3
北京邮电大学硕士学位论文《基于深度学习的细粒度图像识别研究》打印件，陈鹤深，公开日期为2018年03月21日。
从证据1的摘要和摘要附图就可以看出，证据1公开了使用神经网络对废钢进行分类，技术领域比较接近，相当于是涉案专利的背景技术了，因此也被合议组作为最接近的对比文件来进行使用了。
涉案专利和证据1的具体对比后，最后合议组认为涉案专利和证据1的区别包括三个：
第一、两者应用场景不同。涉案权利要求1是一种建立废钢等级划分神经网络模型的方法，所述模型用于废钢收储的等级分类检测，其应用场景为废钢等级划分；而证据1公开的是建立废钢种类识别神经网络模型的方法，其应用场景为废钢种类识别。
第二、两者所采用的方法步骤不同。
第三、两者所选取的重要参数和所采用的具体模块构成不同。
证据2和证据3虽然各自公开了一些和涉案专利的相似的网络设计的思路，例如证据2公开了一种卷积神经网络模型，其中对图像数据特征提取时，采用了由集合输出的多条线路卷积层或卷积层加池化层计算构成的对图像中的数据特征的提取。证据3公开了针对图像不同级别的局部信息，提取出不同层的卷积特征。但是证据2和证据3并未给出具体的应用场景的启示以及参数的设定方式。
因此，合议组在评述证据2、3的时候也明确表示：证据2、3没有给出建立废钢料等级划分的神经网络模型的相关技术启示，更没有给出为解决该技术问题具体要提取哪些相关参数的技术启示。
二、AI专利保护：场景定制与模型创新
研究发现，证据1-3并没有公开涉案专利的技术特征，主要是在于涉案专利是在对废钢进行收购时，需要对形态大小不一的废钢料进行等级分类，根据废钢料的平均大小、厚薄来划分等级这一应用场景，由于汽车运来的碎钢料是相互重叠挤压在一起，一些小的碎钢料掺杂在一起铺在车厢里，根本无法对其形状进行区别划分，这是基于收购废钢这一流程的应用场景，因此，针对这一场景的特殊性分为颜色、边缘特征的提取以及边缘、纹理之间关联特征提取，这是基于收购中废钢堆叠导致在进行图像处理时，通过常规的边缘识别的方式并不适用的问题。
并且基于这一特定的场景的特定问题通过建立废钢等级划分神经网络模型进行废钢等级的识别，而且对废钢等级划分神经网络模型的结构进行细化的限定，从而能更明显的与现有技术进行区分。
进一步分析表明，在面对人工智能的专利保护时，需要针对应用场景进行参数的限定以及模型结构的设计，从而提高专利的创造性。
三、提升AI专利创意策略
基于研究结果，建议在关于人工智能专利申请时，对于模型需要结合应用场景，选取与应用场景相关的参数，并且在模型进行改进时，也要对模型的结构进行细节的描述，同时加强与现有技术的区别，以提高专利的创造性。
另外，从涉案专利的申请文件来看，虽然涉案专利已经授权，并且驳回了无效请求，但是明显涉案专利的权利要求基本没有什么保护范围，并没有进行专利的整体范围把控以及布局，可见，涉案专利的撰写质量较差。
四、AI专利场景差异与创造性评判标准
本文研究结果显示，在人工智能专利中，将相同或类似算法应用到不同场景时，根据应用场景的不同，所要解决的技术问题的不同对算法的训练数据、模型参数或其他方面进行调整，如果该调整解决了某应用场景下特定的技术问题并相应获得了有益的技术效果，则在创造性判断时应予以考虑；如果两个应用场景和处理对象之间存在较多的相似之处，将一种算法从一应用场景转用到另一应用场景时无需对算法流程、模型参数等要素作出实质性改变，则这种应用场景和处理对象的不同并不能使整体方案具备创造性。
在全面考虑人工智能技术特点的情况下，明确了在涉及人工智能技术的发明创造中，除流程步骤和网络模型这样明显的算法特征之外，依托于应用场景和技术问题的训练数据、模型参数和处理对象等也应当视为《专利审查指南（2023）》规定的与技术特征功能上彼此相互支持、存在相互作用关系的算法特征，为相关案例提供了指引。
参考文献：
1.从想法到办法——建龙自主研发废钢智能检测系统的应用之路http://www.csteelnews.com/xwzx/hydt/202107/t20210709_52380.html/
2. 2022年十大无效案例案例解读一：一种建立废钢等级划分神经网络模型方法https://zhuanlan.zhihu.com/p/632571865
3. 涉及人工智能的发明专利创造性判断案例https://zhuanlan.zhihu.com/p/654224116
恒程创新 版权所有 ICP备案：粤ICP备17164810号-1
