人工智能专利审查的新动向

2022-08-09 17:55:00
​本文主要以最新的征求意见稿为基础,对其中涉及人工智能与算法专利申请的条款变更、新增审查示例进行概括梳理与分析。

作者 | 童明智 北京幂律智能科技有限责任公司法律部

编辑 | 玄袂

随着全球数字化转型践行不断深化,人工智能相关发明也越来越多从实验室模型走向商用落地,人工智能相关发明成为不可忽视的重要无形资产。与此同时,新技术和新业态的发展也对专利审查要求、专利人权利边界及知识产权保护等提出了挑战。

自2019年11月12日国家知识产权局发布关于就《专利审查指南第二部分第九章修改草案(征求意见稿)》对包含算法特征或商业规则和方法特征的发明专利申请审查相关规定进行修改,进一步明确涉及人工智能、区块链、商业规则和方法等新领域新业态专利审查规则的需求;至2021年8月4日国家知识产权局就《专利审查指南修改草案(征求意见稿)》公开征求意见的通知,对于人工智能领域新业态创新成果的知识产权保护经历了多次修改和补充。

本文主要以最新的征求意见稿为基础,对其中涉及人工智能与算法专利申请的条款变更、新增审查示例进行概括梳理与分析。

一、细化《专利法》第二条第二款对于底层技术的保护

专利法第二条

本法所称的发明创造是指发明、实用新型和外观设计。发明,是指对产品、方法或者其改进所提出的新的技术方案。实用新型,是指对产品的形状、构造或者其结合所提出的适于实用的新的技术方案。外观设计,是指对产品的整体或者局部的形状、图案或者其结合以及色彩与形状、图案的结合所作出的富有美感并适于工业应用的新设计。

《征求意见稿》第二部分第九章6.1.2中细化了根据专利法第二条第二款的审查,对深度学习、分类聚类等人工智能、大数据算法提升硬件运算效率或执行效果的技术方案给予了明确肯定。

但需注意,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提升具体应用领域大数据分析可靠性或精确性的解决方案须符合前述专利法第二条第二款所述的技术解决方案。

640?wx_fmt=png

二、在新颖性和创造性的审查中增加了两类整体考虑情形

在6.1.3新颖性和创造性审查中,《征求意见稿》新设了两类对于既包含技术特征又包含算法特征或商业规则和方法特征情形的整体考虑情形:

(1) 对于计算机系统内部性能、硬件运算效率或执行效果提升上的贡献。这也意味着计算机程序产品的相关保护已从有形产品(如设备、硬件)到无形产品(如可提升硬件处理速度的特定算法)。

“如果权利要求中的算法与计算机系统的内部结构存在特定技术关联,实现了对计算机系 统内部性能的改进,提升了硬件的运算效率或执行效果,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,那么可以认为该算法特征与技术特征功能上彼此相互支持、存在相互作用关系,在进行创造性审查时,应当 考虑所述的算法特征对技术方案作出的贡献。”

(2) 对用户体验的提升。鉴于“用户体验提升”的主观性,该点在未来实务与司法实践中的保护界限值得关注,如技术效果对于用户体验提升的关联性认定、从技术效果到用户体验提升的路径确然性等。

“如果发明专利申请的解决方案能够带来用户体验的提升,并且该用户体验的提升是由技术特征带来或者产生的,或者是由技术特征以及与其功能上彼此相互支持、存在相互作用关系的算法特征或商业规则和方法特征共同带来 或者产生的,在创造性审查时应当予以考虑。”

三、进一步完善和明确了人工智能相涉专利保护客体的审查基准

相较于前版《专利审查指南》,本次修改稿第二部分第九章6.2审查示例共增加了5个明确涉及到人工智能、大数据算法相关专利申请审查的示例,分别为(1)一种深度神经网络模型的训练方法;(2)一种电子券使用倾向度的分析方法;(3)一种知识图谱推理方法;(4)一种金融产品的价格预测方法;(5)一种用于适配神经网络参数的方法。

(1)一种深度神经网络模型的训练方法

【申请内容概述】

发明专利申请提出一种深度神经网络模型的训练方法,针对某一大小的训练数据,从多个候选训练方案中选取训练耗时最小的方案用于模型训练,以解决固定地采用同一种单处理器或多处理器训练方案不适用于所有大小的训练数据而导致训练速度慢的问题。

【申请的权利要求】

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。

【分析及结论】

该解决方案是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,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,该发明专利申请的解决方案属于专利法第二条第二款规定的技术方案,属于专利保护的客体。

(2)一种电子券使用倾向度的分析方法

【申请内容概述】

为吸引用户,商家会向用户发放各类电子券。但是无目的地投放电子券,不但无法吸引真正有需要的用户,反而给用户增加了浏览和筛选的负担。发明专利申请提供一种构建电子券使用倾向度识别模型的方法,通过分析电子券的种类、用户行为等,能够准确地建立电子券使用倾向度识别模型,以更加精确地判断用户对电子券的使用倾向,使投放的电子券更加满足用户实际需要,提升电子券的利用率。

【申请的权利要求】

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、加关注、加入购物车、购买以及使用电子券;

以用户样本数据作为训练样本,以用户行为特征作为属性标签,针对不同种类的电子券来训练电子券使用倾向度识别模型;通过训练后的电子券使用倾向度识别模型对电子券的被使用概率进行预测,得到用户对于不同种类电子券的使用倾向度。

【分析及结论】

该解决方案涉及一种构建电子券使用倾向度识别模型的方法,该方法处理的是电子券相关的大数据,通过对电子券进行归类、获取样本数据、确定行为特征及进行模型训练,挖掘出用户行为特征与电子券使用倾向度之间的内在关联关系,浏览时间长、搜索次数多、使用电子券频繁等行为特征表示对相应种类电子券的使用倾向度高,这种内在关联关系符合自然规律,据此解决了如何提升分析用户对电子券使用倾向度的精确性的技术问题,并且获得了相应的技术效果。因此,该发明专利申请的解决方案属于专利法第二条第二款规定的技术方案,属于专利保护的客体。

(3)一种知识图谱推理方法

【申请内容概述】

知识图谱在许多自然语言处理应用中有非常重要的作用,例如问答系统、语义搜索等。但由于知识获取的不确定性,基于实体识别和关系抽取技术构建的知识图谱,会导致知识图谱的不完整。如果知识图谱中存在错误,会导致应用返回错误的结果。发明专利申请提出了一种基于关系注意力的知识图谱推理方法。

【申请的权利要求】

一种基于关系注意力的知识图谱推理方法,所述方法包括:获取知识图谱中节点的初始嵌入表示,将所述初始嵌入表示转换到高维空间,得到高维嵌入表示,所述节点为知识图谱中的实体,所述知识图谱是对知识进行实体识别和关系抽取构建的,所述知识是问答系统、语义搜索中相关联的知识,所述实体是利用命名实体识别工具从自然语言文本中获取的文本数据,所述初始嵌入表示是所述文本数据通过词嵌入模型得到的向量;获取所述知识图谱中目标节点的邻居节点集合,根据所述目标节点与所述邻居节点集合中邻居节点的关系类型,构建邻居子图;根据所述目标节点的高维嵌入表示和所述邻居子图中邻居节点的高维嵌入表示,得到所述目标节点嵌入邻居子图中信息的邻居嵌入表示;将所述目标节点的高维嵌入表示与所述邻居嵌入表示进行聚合,得到目标节点的聚合嵌入表示;根据每个所述邻居子图的第一注意力分值,对所述聚合嵌入表示进行融合,得到所述目标节点的融合嵌入表示;根据所述融合嵌入表示,计算所述目标节点对应三元组的得分,根据得分进行三元组推理。

【分析及结论】

该解决方案是一种基于关系注意力的知识图谱推理方法,该方法各步骤中处理的数据是自然语言中的文本数据或者语义信息等技术数据,通过对问答系统、语义搜索中相关联的知识进行实体识别和关系抽取构建知识图谱,从而进行知识图谱推理。该解决方案所解决的是文本嵌入及语义搜索过程中如何丰富语义信息、提高推理准确性的技术问题,利用的是遵循自然规律的技术手段,获得了相应的技术效果。因此,该发明专利申请的解决方案属于专利法第二条第二款规定的技术方案,属于专利保护的客体。(3)未解决技术问题,或者未利用技术手段,或者未获得技术效果的包含算法特征或商业规则和方法特征的发明专利申请,不属于专利法第二条第二款规定的技术方案,因而不属于专利保护的客体。

(4)一种金融产品的价格预测方法

【申请内容概述】

现有的金融产品价格预测方法,大多由专家根据经验给出建议,预测的准确性和时效性不高。发明专利申请提供一种金融产品的价格预测方法,通过金融产品的历史价格数据对神经网络模型进行训练,从而对金融产品的未来价格走势进行预测。

【申请的权利要求】

一种金融产品的价格预测方法,其特征在于,所述方法包括:

使用金融产品的N+1个日指标历史价格数据对神经网络模型进行训练得到价格预测模型,其中,前N个日指标历史价格数据作为样本输入数据,最后1个日指标历史价格数据作为样本结果数据;使用所述价格预测模型和最近N个日指标历史价格数据来预测未来一天金融产品的价格数据。

【分析及结论】

该解决方案涉及一种金融产品的价格预测方法,该方法处理的是金融产品相关的大数据,利用神经网络模型挖掘过去一段时间内金融产品的价格数据与未来价格数据之间的内在关联关系,但是,金融产品的价格走势遵循经济学规律,由于历史价格的高低并不能决定未来价格的走势,因此,金融产品的历史价格数据与未来价格数据之间不存在符合自然规律的内在关联关系,该方案所要解决的是如何预测金融产品价格的问题,不构成技术问题,获得的相应的效果不是技术效果。因此,该发明专利申请不属于专利法第二条第二款规定的技术方案,不属于专利保护的客体。(4)在进行创造性审查时,应当考虑与技术特征在功能上彼此相互支持、存在相互作用关系的算法特征或商业规则和方法特征对技术方案作出的贡献。

(5)一种用于适配神经网络参数的方法

【申请内容概述】

针对不同的应用场景需设计不同的神经网络架构,并且需在某一类型的计算架构上使用一系列的运算来实现,因此期望能够通过较低的硬件成本高效地实现神经网络中的运算。发明专利申请提出了用于适配神经网络参数的方法,通过获得具有规范形式的神经网络参数,将神经网络中的运算映射到计算架构所支持的运算中,简化神经网络相关硬件的设计和实现。

【申请的权利要求】

一种用于适配神经网络参数的方法,所述方法包括:针对神经网络至少一层中的每一层的权重参数,选择多个维度;确定所述权重参数在所述多个维度中每个维度上的尺寸;

基于支持神经网络计算的硬件的使用率,确定所述权重参数在所述多个维度中每个维度上的目标尺寸的候选值集合;选取所述候选值集合中大于或等于对应维度上的尺寸的所有候选值子集,确定所述候选值子集中的最小值为对应维度上的目标尺寸;如果所述权重参数在多个维度中的至少一个维度上的尺寸小于对应维度上的目标尺寸,则在所述维度上对权重参数进行填充,使得填充之后获得的权重参数在每个维度上的尺寸等于对应维度上的目标尺寸。

【分析及结论】

对比文件1公开了面向神经网络处理器的设计方法,该方法根据神经网络拓扑结构、神经网络层中各层的权重参数和维度参数,以及硬件资源约束参数等,从已构建的神经网络组件库中查找单元库,并依据单元库生成对应于神经网络模型的神经网络处理器的硬件描述语言代码,进而将所述硬件描述语言代码转化为所述神经网络处理器的硬件电路。其中将神经网络特征数据和权重数据划分为适当的数据块集中存储和访问。发明专利申请的解决方案与对比文件1的区别在于确定神经网络每一层权重参数在每个维度上的尺寸,基于硬件使用率确定权重参数在每个维度上的目标尺寸的候选值集合,选取对应维度上的候选值子集并确定其中最小值为目标尺寸,如果权重参数在至少一个维度上的尺寸小于目标尺寸则对所述维度上的权重参数进行填充。基于申请文件可知,该解决方案通过将权重参数的尺寸填充为等于目标尺寸,当支持神经网络的硬件对神经网络的数据进行运算时,硬件能够高效处理所述数据,该解决方案中的算法提升了硬件的运算效率。因此,上述用于适配神经网络参数的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。相对于对比文件1,确定发明实际解决的技术问题是如何使硬件高效地执行神经网络中的运算。上述通过适配神经网络参数以提升硬件运算效率的内容未被其他对比文件公开,也不属于本领域的公知常识,现有技术整体上并不存在对上述对比文件1进行改进以获得发明专利申请的技术方案的启示,要求保护的发明技术方案具备创造性。

技术发展日新月异,人工智能作为《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》中异常显眼的部分,在技术、业态不断发展、欣欣向荣的同时也带来了专利申请与保护上的挑战。最新《专利审查指南修改草案(征求意见稿)》的改版,拓宽了人工智能与算法新业态发明受保护范围和专利申请适用情形,体现了国家知识产权局对于计算机程序相关发明的保护不断加强,也为促进人工智能领域进一步健康蓬勃发展提供了法律护航。

(图片来源 | 网络)

+1
0

好文章,需要你的鼓励

参与评论
评论千万条,友善第一条
后参与讨论
评论区

    下一篇

    ​我国正不断地通过立法完善、政策支持以及审判实践的方式实现加强国际司法协助与合作,营造开放包容的国际法治环境。

    2022-08-08 17:10:00