评析“一种建立废钢等级划分神经网络模型方法”发明专利权无效宣告请求案

人工智能专利的创造性判断

人工智能技术领域是我国一直高度重视的新领域新业态中的重点领域，相关专利申请的数量也是与日俱增，相应地，对其进行切合技术发展和符合我国国情的专利保护是专利行政管理部门的工作重点。人工智能专利涉及计算机程序和算法，其自然要遵循涉及计算机程序的发明专利申请审查的相关规定，虽然《专利审查指南（2010）》中规定了涉及计算机程序及包含算法特征的发明专利申请的相关审查规则，但针对人工智能专利的创造性判断规则仍不够明晰和具体，因此有必要对其进行研究和完善。本文通过一件具体案例，以案说法，诠释如何根据人工智能的技术特点，对人工智能专利的创造性进行判断。

案情简述

涉案专利名称为“一种建立废钢等级划分神经网络模型方法”（专利号：ZL201910958076.8），涉及人工智能技术在钢铁行业的应用，专利权人为北京同创信通科技有限公司，无效宣告请求人为衡阳镭目科技有限责任公司。经审理，国家知识产权局专利局复审和无效审理部作出第55072号无效宣告请求审查决定，维持专利权有效。

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，现有的人工方式存在多种缺陷。为此，涉案专利提供了一种解决方案，利用卷积神经网络技术，建立废钢等级划分神经网络模型来对废钢进行等级划分。由于收购的废钢料是重叠挤压在一起的，因此对废钢料的图像进行特征提取时需要考虑图像特点，对图像画面像素点矩阵数据进行特征提取，并且要提取图像中物体颜色、边缘特征和纹理特征，以及图像中物体边缘、纹理之间关联特征；进而通过学习训练后，得到最终的产品模型。其要保护的方案也明确了采用的图像数据、提取的图像特征和卷积神经网络模型的具体构成，以及利用上述数据和模型进行神经网络模型学习训练的相关流程步骤。通过采用上述方案，涉案专利取得了自动准确划分碎钢等级的有益效果。

请求人主张涉案专利的方案相对于证据1结合证据2和本领域公知常识不具备创造性。作为最接近现有技术的证据1公开了如下内容：为了解决对废钢种类的准确识别，避免在分拣中对于种类的误判，提供了一种基于卷积神经网络模型对废钢种类进行自动识别的方法，并公开了进行神经网络模型学习训练的相关流程步骤，还进一步描述了其采用的图像数据和网络模型的具体构成，图像数据是已经分好种类的废钢料的图像，对该图像数据预处理并映射得到特征向量。证据2则公开了一种卷积神经网络模型，可以提升图像识别性能，该网络模型所采用的部分网络层级架构和涉案专利的层级架构基本相同。此外，请求人主张“对图像进行特征提取时提取的相关特征”属于本领域的公知常识。

人工智能技术特点

随着科学技术的发展，相关法律往往需要不断进行调整。一项技术的技术特点决定了该领域技术人员的研究重点、难点和焦点，只有根据技术特点，调整相关专利保护规则，才能更好地鼓励发明创造、推动发明创造的应用，提高创新能力。因此，在对人工智能专利进行创造性判断之前，需要分析人工智能技术的特点，进而得出更适合的审查思路。

人工智能技术包括数据预处理、特征工程、模型选择、模型搭建、模型训练、模型优化、模型评估、模型部署和模型维护等多个步骤。主要分布在如下三个阶段：首先，根据应用场景和所要解决的问题，选择合适的算法来搭建初始模型，目前存在很多种具体的算法，各自具有不同的层级架构，可以选择现有的算法或在现有算法的基础上进行调整；接着，选取该应用场景的大量训练数据对初始模型进行训练，这些训练数据可以是标注了的也可以是未标注的，计算机会根据训练数据不断地调整模型各层级的参数、权重等，并进行输出，在训练前和训练中，还可以对数据进行预处理、特征工程等操作，以及对模型进行优化和调整；最后，训练结束，得到产品模型，用来解决该应用场景下的技术问题。

如前所述，初始模型的算法选取及模型搭建是为了应用场景和面临的问题而服务的，训练数据也是依托于这个应用场景，利用该训练数据对模型进行训练学习后，初始模型到产品模型之间可能会发生较大的变化。换言之，在人工智能技术中，同一个初始模型经过来自于不同应用场景的不同训练数据的训练，通过其自我优化调整参数后，可能会得到多个产品模型，从而解决了不同的技术问题。

由于模型训练时完全通过计算机的自我训练与迭代完成，其对外整体呈现的是输入数据和输出数据之间的关系，而内部层级间的参数、权重等作为一个整体而共同调整。当作为输入数据的训练数据随着应用场景的改变、技术问题的调整而发生较大变化时，必然带来模型参数、处理对象等各方面的一系列调整，这些调整是同步的、关联的，是整体的调整。

人工智能专利的创造性判断

应用人工智能技术的最终目的是要解决某个应用场景下的问题或者提高计算设备的能力等。所以，具体的算法和应用场景对于人工智能专利属于两个关键因素，由此引出争议焦点，在人工智能专利中，如何考量算法和应用场景对创造性的贡献？

考虑人工智能技术的特点，由于人工智能专利中的模型参数和处理对象等是依赖于应用场景和该应用场景中的训练数据而同步整体调整的，因此，对应于具体的应用场景，训练数据、模型参数和处理对象显然属于相互支持、存在相互作用关系的特征，同时，它们都是为了该应用场景下的某个技术问题而调整的，那么应当视为与技术特征彼此相互支持、存在相互作用关系的算法特征，在创造性判断时应综合判断、整体考量它们对技术方案所作出的贡献，准确把握发明实质。当然，如果基于某应用场景中具体的技术问题，而进一步改变了所使用的算法、对模型的层级架构作出了调整，上述改变和调整显然也是创造性判断中考量的重点，视其是否作出了实质调整，从而相对于现有技术整体而言是否提供了一种新的算法来解决该应用场景中所要解决的技术问题而定。

将涉案专利与证据1进行对比后发现，证据1公开了与涉案专利相同的对模型进行训练的流程步骤，包括建模、选取训练图像数据、训练、获得产品模型，这也是人工智能技术的通用流程。但是，其一，证据1的神经网络模型所采用的层级架构与涉案专利不同；其二，二者的应用场景不同，涉案专利是废钢收购的场景而证据1是废钢分拣的场景，废钢收购和废钢分拣虽然同属于废钢回收领域，但却属于废钢回收的不同流程阶段。在废钢收购的场景中，货车运来各种形态、各种尺寸且叠压在一起的废钢料，此时需要根据尺寸对其进行分级来确定对应的收购费用，平均尺寸大则分级高；而在废钢分拣的场景中，则是要把废钢料分类存放，从而根据不同种类的废钢料制定不同的再利用策略，因此应用场景明显不同。不同的应用场景产生了不同的需求，由此出现了不同的技术问题，涉案专利要解决的技术问题是废钢收购中的等级划分问题；证据1则面临如何对收储的废钢进行按种类划分的问题。

同时，由于二者应用场景不同，提供的训练数据显然也是不同的，涉案专利提供的是杂乱无章、各种形态种类都有、相互叠压的废钢图像，而证据1提供的是已明确了种类的废钢图像。针对不同的训练数据各自的图像特点，其特征提取的侧重自然不同，涉案专利例如提取了图像中物体边缘和纹理的关联特征，而证据1则未考虑也无需考虑涉案专利图像的特点来提取特征；最终的产品模型所要检测的对象以及因训练数据而得到的产品模型的各项参数也是不同的。

证据2公开了与涉案专利基本相同的初始网络模型，即使不考虑证据2与证据1的结合是否存在困难，从而假定现有技术整体公开了与涉案专利相同的初始模型，认为二者算法基本相同，但应用场景和其他要素存在前述不同，此时可以进行如下判断：与现有技术相比，涉案专利的应用场景不同，所解决的技术问题不同，训练数据和检测对象亦不相同，为此，需要对例如提取的特征之类的重要数据、输入层输出层之间的各层级的模型参数等进行调整，最终形成的产品模型相比现有的模型是非显而易见的，具备创造性。

案件启示

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。

本文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（2010）》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。