一、引言
人工智能技術的迅速發展帶來了相關領域的專利申請數量顯著增長。對于涉及人工智能或機器學習算法的發明專利申請，客體問題往往是通往專利授權的第一道門檻。客體問題涉及對申請方案是否構成技術方案的判斷。針對此問題，2024年1月20日起生效的修訂版《專利審查指南》新增了用于判斷此類專利申請的方案是否構成技術方案的方法。然而，這些判斷方法仍存在一些細節有待在實踐中逐步厘清，如何認定具有確切技術含義的數據便是其中之一。
二、關于客體問題的相關規定
專利法第二條第二款規定“發明，是指對產品、方法或者其改進所提出的新的技術方案”。
審查指南進一步明確“技術方案”是指對要解決的技術問題所采取的利用了自然規律的技術手段的集合。當一項權利要求記載了對要解決的技術問題采用了利用自然規律的技術手段，并且由此獲得符合自然規律的技術效果，則該權利要求限定的解決方案屬于技術方案。相反地，未采用利用自然規律的技術手段解決技術問題以獲得符合自然規律的技術效果的方案，不屬于技術方案。
針對包含算法特征的發明專利申請的審查，審查指南特別規定了判斷該申請所請求保護的方案是否構成技術方案的三種判斷方法，其中第一種判斷方法為：“如果權利要求中涉及算法的各個步驟體現出與所要解決的技術問題密切相關，如算法處理的數據是技術領域中具有確切技術含義的數據，算法的執行能直接體現出利用自然規律解決某一技術問題的過程，并且獲得了技術效果，則通常該權利要求限定的解決方案屬于專利法第二條第二款所述的技術方案。”
在現行實踐中，我們觀察到前述標準被簡化為判斷權利要求的方案是否限定了具有確切技術含義的數據。如果方案中限定了這樣的數據，則審查員通常就會接受該方案為技術方案。然而，對于哪些數據屬于具有確切技術含義的數據，審查指南尚未給出明確的定義。在此，筆者結合審查指南給出的審查示例以及實踐中遇到的實際案例，對所謂“具有確切技術含義的數據”的認定進行初步探討。
三、關于具有確切技術含義的數據的認定
（1）用于表征算法或模型自身或其處理對象的抽象數據不是具有確切技術含義的數據
具有確切技術含義的數據這個概念的提出，首先就是為了排除表征人工智能或機器學習算法本身的參數(例如，拓撲結構參數)，從而防止特定申請人對規則或算法的無邊界壟斷。除此之外，算法的輸入、輸出或中間結果，如果只具有算法層面上的抽象含義(例如，標簽值、特征值、分類或預測結果)，也不被認定為具有確切技術含義的數據。針對此類數據，審查指南給出了以下示例和分析：
【審查示例1】一種建立數學模型的方法，其特征在于，包括以下步驟：
根據第一分類任務的訓練樣本中的特征值和至少一個第二分類任務的訓練樣本中的特征值，對初始特征提取模型進行訓練，得到目標特征提取模型，其中，所述第二分類任務是與所述第一分類任務相關的其他分類任務;
根據所述目標特征提取模型，分別對所述第一分類任務的每個訓練樣本中的特征值進行處理，得到所述每個訓練樣本對應的提取特征值;
將所述每個訓練樣本對應的提取特征值和標簽值組成提取訓練樣本，對初始分類模型進行訓練，得到目標分類模型;
將所述目標分類模型和所述目標特征提取模型組成所述第一分類任務的數學模型。
對于該方案，審查指南指出“訓練樣本的特征值、提取特征值、標簽值、目標分類模型以及目標特征提取模型都是抽象的通用數據……該方案是一種抽象的模型建立方法，其處理對象……不涉及與具體技術領域的結合”。可見，用于表征算法或模型自身或其處理對象的抽象數據不被接受為具有確切技術含義的數據，僅限定了此類數據的處理的方案也不被接受為技術方案，因此不屬于專利法保護的客體。
（2）與具體技術領域結合的數據一般被視為具有確切技術含義的數據
如果算法的處理對象(例如，算法的輸入、輸出或中間結果)不只具有算法層面上的抽象含義，而是與具體技術領域結合，則這樣的數據一般被視為具有確切技術含義的數據，相應的方案也被認可為技術方案。針對此類數據，審查指南給出了以下示例和分析：
【審查示例2】一種卷積神經網絡CNN模型的訓練方法，其特征在于，所述方法包括:
獲取待訓練CNN模型的初始模型參數，所述初始模型參數包括各級卷積層的初始卷積核、所述各級卷積層的初始偏置矩陣、全連接層的初始權重矩陣和所述全連接層的初始偏置向量;
獲取多個訓練圖像;
在所述各級卷積層上，使用所述各級卷積層上的初始卷積核和初始偏置矩陣，對每個訓練圖像分別進行卷積操作和最大池化操作，得到每個訓練圖像在所述各級卷積層上的第一特征圖像;
對每個訓練圖像在至少一級卷積層上的第一特征圖像進行水平池化操作，得到每個訓練圖像在各級卷積層上的第二特征圖像;
根據每個訓練圖像在各級卷積層上的第二特征圖像確定每個訓練圖像的特征向量;
根據所述初始權重矩陣和初始偏置向量對每個特征向量進行處理，得到每個訓練圖像的類別概率向量;
根據所述每個訓練圖像的類別概率向量及每個訓練圖像的初始類別，計算類別誤差;
基于所述類別誤差，對所述待訓練CNN模型的模型參數進行調整;
基于調整后的模型參數和所述多個訓練圖像，繼續進行模型參數調整的過程，直至迭代次數達到預設次數;
將迭代次數達到預設次數時所得到的模型參數作為訓練好的CNN模型的模型參數。
對于該方案，審查指南指出“(該方案)明確了模型訓練方法的各步驟中處理的數據均為圖像數據以及各步驟如何處理圖像數據，體現出神經網絡訓練算法與圖像信息處理密切相關。該解決方案所解決的是如何克服CNN模型僅能識別具有固定尺寸的圖像的技術問題，采用了在不同卷積層上對圖像進行不同處理并訓練的手段，利用的是遵循自然規律的技術手段，獲得了訓練好的CNN模型能夠識別任意尺寸待識別圖像的技術效果。因此，該發明專利申請的解決方案屬于專利法第二條第二款規定的技術方案，屬于專利保護客體”。
由此可見，圖像數據是被審查指南明確認可的一類具有確切技術含義的數據。除此之外，我們觀察到一些數據在內容或用途上體現了具體技術領域，也同樣被接受為具有確切技術含義的數據。例如，從數據內容上看，已知可被接受的具有確切技術含義的數據包括圖像數據、語音數據、傳感器數據、文本數據等。自然地，具有更為細分領域的內容的數據(例如，人臉數據、信道測量數據等)也是可接受的。從數據用途上看，采用“用于人臉識別的數據”或“用于化合物預測的數據”之類表述也可以被認為限定了數據與具體技術領域結合，從而限定了具有確切技術含義的數據。可見，對于數據與具體技術領域的結合方式，現行審查實踐似乎給予了申請人相對大的空間，而未拘泥于本領域固有或已知的有限數據形式。
審查示例2在權利要求中詳細描述了模型的輸入、中間結果和輸出等多個階段所處理的與圖像相關的數據，并且還提供了對技術效果的詳盡論證。然而，在現行實踐中，為了克服客體問題，申請人通常只需要限定算法或模型的輸入數據屬于具有確切技術含義的數據，而不必對算法的中間結果、最終輸出或技術效果中的每一方面都進行限定或分析。
例如，在以下實際案例(經簡化)的審查中，原始方案所限定的元特征及其值、推理數據集、元模型、分數均屬于表征模型本身或其處理對象的抽象數據，由此引發了客體問題。在答復審查意見時，申請人僅通過限定作為輸入的推理數據集為圖像集合，就克服了客體問題。
【實際案例1】一種方法，包括：
對于多個元特征中的每個元特征，從推理數據集包含的多個數據單元導出相應的元特征值，其中所述推理數據集包括圖像集合，每個元特征值表征作為整體的所述推理數據集;
對于多個可訓練的算法中的每個算法：
對于能夠預測該算法的性能的多個元模型中的每個元模型，利用所述多個元特征值中的相應的元特征值作為輸入來調用所述元模型，從而計算所述元模型的分數;以及
基于所述分數選擇所述多個可訓練的算法中的一種或多種算法以進行訓練。
（3）具有確切技術含義的數據應在實質上與具體技術領域結合
某些數據即使在形式上表現為某一技術領域的常見數據表示形式，但實質上仍然是抽象的數據內容，則也可能不被接受為具有確切技術含義的數據。下面給出的審查指南中的審查示例3以及實際案例2(經簡化)，可以體現出這種差別。
【審查示例3】一種基于關系注意力的知識圖譜推理方法，所述方法包括:
獲取知識圖譜中節點的初始嵌入表示，將所述初始嵌入表示轉換到高維空間，得到高維嵌入表示，所述節點為知識圖譜中的實體，所述知識圖譜是對知識進行實體識別和關系抽取構建的，所述知識是問答系統、語義搜索中相關聯的知識，所述實體是利用命名實體識別工具從自然語言文本中獲取的文本數據，所述初始嵌入表示是所述文本數據通過詞嵌入模型得到的向量;
獲取所述知識圖譜中目標節點的鄰居節點集合，根據所述目標節點與所述鄰居節點集合中鄰居節點的關系類型，構建鄰居子圖;
根據所述目標節點的高維嵌入表示和所述鄰居子圖中鄰居節點的高維嵌入表示，得到所述目標節點嵌入鄰居子圖中信息的鄰居嵌入表示;
將所述目標節點的高維嵌入表示與所述鄰居嵌入表示進行聚合，得到目標節點的聚合嵌入表示;根據每個所述鄰居子圖的第一注意力分值，對所述聚合嵌入表示進行融合，得到所述目標節點的融合嵌入表示;
根據所述融合嵌入表示，計算所述目標節點對應三元組的得分，根據得分進行三元組推理。
對于該方案，審查指南指出“該方法各步驟中處理的數據是自然語言中的文本數據或者語義信息等技術數據”。也就是說，從自然語言中抽取的文本數據和語義信息被認為屬于具有確切技術含義的數據。
【實際案例2】一種方法，包括:
接收輸入圖(graph)，其中所述輸入圖包括多個頂點和多個邊緣，每個頂點與頂點屬性相關聯;
為每個頂點生成頂點到屬性的映射，所述映射將所述頂點映射到頂點屬性簽名;
生成多個邊緣單詞，每個邊緣單詞對應于一個或多個邊緣，每個邊緣起始于具有特定頂點屬性簽名的第一頂點，并且終止于具有特定頂點屬性簽名的第二頂點，并且每個邊緣單詞被表示為第一頂點的特定頂點屬性簽名與第二頂點的特定頂點屬性簽名的級聯;
生成多個句子，每個句子包括沿著所述輸入圖中的路徑直接連接的邊緣單詞;
使用所述多個句子和所述多個邊緣單詞，使用文檔向量化模型來生成表示所述輸入圖的機器學習向量。
在該方案的審查中，盡管輸入圖被結構化為多個單詞和多個句子，但是這些數據并未被認可為具有確切技術含義的數據。這是因為，在上述具體方案中，單詞和句子實際包含的內容并非是自然語言數據，而是輸入圖的頂點屬性簽名。作為一種數據結構，圖本身可以包含任意技術領域的數據。頂點屬性簽名也屬于抽象數據。因此，圖和頂點屬性簽名并不與具體技術領域相結合。即使單詞和句子是自然語言領域的常見數據表示形式，僅套用這種形式來容納抽象數據也可能不足以使該數據成為具有確切技術含義的數據。
四、總結與啟示
雖然審查指南未給出具有確切技術含義的數據的定義，但基于現行實踐的總結，我們可以認為該數據首先排除了用于表征算法或模型自身或其處理對象的抽象數據。進一步地，具有確切技術含義的實際體現為與具體技術領域相結合。這種結合至少可以通過數據內容或數據用途來在權利要求中限定。無論采用何種限定方式，數據與具體技術領域的結合應當是實質性的而非形式的契合。
有鑒于此，在撰寫包含人工智能或機器學習算法特征的發明專利申請時，不能僅對用于表征算法或模型自身或其處理對象的抽象數據進行描述，而是應當有意識地描述算法在一個或多個具體技術領域的實際應用。在描述技術領域時，至少應當體現出算法或模型的輸入數據與該領域的實質結合。通過這種方式，可以為克服潛在的客體問題做好鋪墊。
中企檢測認證網提供iso體系認證機構查詢，檢驗檢測、認證認可、資質資格、計量校準、知識產權貫標一站式行業企業服務平臺。中企檢測認證網為檢測行業相關檢驗、檢測、認證、計量、校準機構，儀器設備、耗材、配件、試劑、標準品供應商，法規咨詢、標準服務、實驗室軟件提供商提供包括品牌宣傳、產品展示、技術交流、新品推薦等全方位推廣服務。這個問題就給大家解答到這里了，如還需要了解更多專業性問題可以撥打中企檢測認證網在線客服13550333441。為您提供全面檢測、認證、商標、專利、知識產權、版權法律法規知識資訊，包括商標注冊、食品檢測、第三方檢測機構、網絡信息技術檢測、環境檢測、管理體系認證、服務體系認證、產品認證、版權登記、專利申請、知識產權、檢測法、認證標準等信息，中企檢測認證網為檢測認證商標專利從業者提供多種檢測、認證、知識產權、版權、商標、專利的轉讓代理查詢法律法規，咨詢輔導等知識。
本文內容整合網站：中國政府網、百度百科、搜狗百科、360百科、最高人民法院、知乎、市場監督總局 、國家知識產權局、國家商標局
免責聲明：本文部分內容根據網絡信息整理，文章版權歸原作者所有。向原作者致敬！發布旨在積善利他，如涉及作品內容、版權和其它問題，請跟我們聯系刪除并致歉！
