文/集佳知識產權代理有限公司西安分部 張藝
EPO審查指南Part G?II, 3.3.1中，對有關人工智能和機器學習的發明做出了詳細規定。
人工智能和機器學習基于用于分類，聚類，回歸和降維的計算模型和算法，例如神經網絡，遺傳算法，支持向量機，k均值，核回歸和判別分析。這樣的計算模型和算法本身具有抽象的數學性質，而不管是否可以基于訓練數據對其進行“訓練”。 因此，G?II 3.3.1中提供的指南通常也適用于此類計算模型和算法。
根據上下文，諸如“支持向量機”，“推理引擎”或“神經網絡”之類的術語可能僅指抽象模型或算法，因此它們本身并不一定意味著使用技術手段。在檢查所要求保護的主題是否具有整體技術特征時，必須考慮到這一點（第52（1），（2）和（3）條）。
人工智能和機器學習在各種技術領域中都有應用。例如，
在心臟監測設備中使用神經網絡以識別不規則心跳的目的做出了技術貢獻。
基于低級特征（例如，圖像的邊緣或像素屬性）的數字圖像，視頻，音頻或語音信號的分類是分類算法的進一步典型技術應用。
但是，僅根據文本內容對文本文檔進行分類本身不被視為技術目的，而是一種語言目的（T 1358/09）。
即使可以認為分類算法具有有價值的數學屬性（例如魯棒性），但對抽象數據記錄甚至“電信網絡數據記錄”進行分類，而沒有任何跡象表明對所得分類進行技術用途，這本身也不是技術目的。（T 1784/06）。
在分類方法用于技術目的的情況下，如果生成訓練集和訓練分類器的步驟支持實現該技術目的，則它們也可以有助于本發明的技術特征。
歐專局專利和實用新型審查手冊（Examination Handbook for Patent and Utility Model）附錄A中增加了10個AI相關案例。以下，通過其中的一些案例來淺談AI相關發明的審查意見答復思路以及在撰寫時需要注意的問題。其中案例使用了附錄中的序號，便于讀者查找原文。
是否屬于可授權主題-Article 52 (2)
歐洲專利公約（European Patent Convention）52 (2)規定，以下內容不應視為第1款意義上的發明：
（a）發現，科學理論和數學方法；
（b）美學創作；
（C）進行心理行為，玩游戲或經商的計劃，規則和方法，以及用于計算機的程序；
（d）信息展示。
在以上規定的范圍內，“數學方法”是電學領域比較常見的申請，其中人工智能和機器學習類方法尤為常見。這些申請在撰寫不當的情況下，例如權利要求1的前述部分為一種模型獲取或訓練方法，或者與模型相關的數學方法，常常會引發EPC 52 (1)和(2)意見。
?【案例47】商業計劃設計設備裝置
1.一種商業計劃設計設備，包括：
存儲裝置，用于存儲特定產品的庫存量；
接收裝置，用于接收網絡廣告數據和特定產品的提及數據；
模擬和輸出裝置，用于使用估計模型、基于網絡廣告數據和特定產品的提及數據來模擬并輸出特定產品的未來銷售量，通過機器學習使用包含網絡廣告數據和過去已售出的類似產品的提及數據以及類似產品的銷售量的訓練數據對所述估計模型進行了訓練；
生產計劃制定裝置，用于基于所存儲的庫存數量和輸出銷量來計劃特定產品的未來生產數量；以及
輸出裝置，用于輸出輸出銷量和生產計劃。
【拒絕原因概述】
沒有拒絕的理由。
通過以上案例，可以看到權利要求1的技術方案使用訓練模型解決了一個具體的技術問題，即：基于庫存量來估計輸出向量和生產計劃，其除了估計模型以外，該方案至少還包括用于接收模型輸入的接收裝置和輸出模型輸出結果的輸出裝置。
因此，如果遇到52（2）問題，可以參考以上權利要求，把獨立權利要求限定為“在某個領域解決了某個技術為題的方法”。
進一步地，為了避免52（2）問題，獨立權利要求應當避免以“模型生成方法”等僅與模型本身相關的數學計算內容作為前述部分。其次，如果獨立權利要求涉及的使用模型解決技術問題的方法沒有限定領域，僅僅是“特征提取和分類方法”等比較概括的描述，這樣雖然會覆蓋一個比較大的保護范圍，但也可能引發52（2）問題。以上兩種情況下，說明書中都至少應該包括一個使用該模型來解決具體技術問題的實施方式，例如包括，獲取何種輸入數據，并且通過已訓練的模型來獲得期望的輸出。避免遇到52（2）問題時，沒有修改基礎。
是否能夠得到說明書支持-日本專利法案Article 36(6)(i) (Support Requirement)/Article 36(4)(i) (Enablement Requirement)
在使用數學模型來解決具體問題時，會涉及到各種輸入數據。通常，為了覆蓋一個比較大的保護范圍，通常獨立權利要求中會使用上位概念來進行概括。這種情況下，應該尤其注意該概念能否得到說明書的支持。
?【案例49】體重估算系統
1.一種體重估計系統，包括：
模型生成裝置，用于使用訓練數據通過機器學習來生成基于表示人的臉部形狀和身高的特征值來估計人的體重的估計模型，訓練數據包括代表面部圖像的特征值以及人體的身高和體重的實際測量值；
接收裝置，用于接收人的面部圖像和身高的輸入；
特征值獲得裝置，用于通過分析經由接收裝置接收到的人的面部圖像來獲得代表人的面部形狀的特征值；以及
處理裝置，用于基于表示特征值獲取裝置已經接收到的人的臉部形狀的特征值和特征值獲取裝置已經接收到的人的身高的特征值，輸出人的體重的估計值。接收裝置，使用由模型生成裝置生成的估計模型。
2.根據權利要求1所述的體重估計系統，其特征在于，表示面部形狀的特征值是面部輪廓線角度。
說明書概述：說明書中僅描述并圖示了面部輪廓線角度作為“代表人的面部形狀的特征值”，沒有其他特征值。
【拒絕原因概述】
權利要求1：第36(6)(i)條（支持要求）/第36(4)(i)條（實現要求）
權利要求2：沒有拒絕理由。
在以上案例中，在獨立權利要求中將“面部輪廓線角度”概括為上位概念“代表人的面部形狀的特征值”。該概括得不到說明書的支持。為了爭取較大的保護范圍進行的上位概括，應該尤其注意是否得到說明書的支持，并且在撰寫過程中，需要公開盡可能多的實施方式。否則遇到該審查意見時，只能將該特征修改為所公開的概念，有時會將權利要求限定為一個發明人所不希望的過小范圍。
是否具有創造性
AI相關發明的創造性，同樣著眼于“區別技術特征能否產生無法預期的顯著效果”。值得注意的是，是否應用了AI相關技術，或者使用了何種AI相關技術，很可能不產生無法預期的顯著效果。
?【案例33】癌癥水平計算裝置
1.一種癌癥水平計算設備，其通過使用對象的血液樣本來計算對象物患癌癥的可能性，包括：
癌癥水平計算單元，其響應于通過對對象的血液分析獲得的A標記物和B標記物的測量值的輸入來計算所述對象患有癌癥的可能性，
所述癌癥水平計算單元包括神經網絡，使用訓練數據通過機器學習對所述神經網絡進行了訓練，以響應于A標記物和B標記物的測量值的輸入來計算估計的癌癥水平。
對比文件1公開了癌癥水平計算方法，其由醫生使用被檢者的血液樣本來計算被檢者患有癌癥的可能性，該方法包括以下步驟：
癌癥水平計算步驟，其中使用通過對受試者進行血液分析而獲得的A標記物和B標記物的測量值來計算受試者患癌的可能性。
【結論】
權利要求1的發明沒有創造性。
【拒絕原因概述】
被引用發明1和公知技術都涉及疾病可能性的估計，并且它們具有要解決的共同問題。本領域技術人員可以容易地想到通過將公知技術應用于被引用發明來將由醫生進行的對象人患癌癥的可能性的計算方法系統化。
此外，本領域技術人員可以容易地預期權利要求1的發明的效果。而且，沒有發現將公知技術應用于引用發明1的阻礙因素。
?【案例34】水力發電量估算系統
1.一種大壩水力發電量的估算系統，包括：
神經網絡，所述神經網絡通過信息處理器構建，具有輸入層和輸出層，其中輸入到輸入層的輸入數據包含在參考時間和參考時間之前的預定時間之間的預定時間段內河流上游的降水量，所述河流上游的水流量，流入大壩的水流量，以及在參考時間之后包含水力發電能力的來自輸出層的輸出數據；
機器學習單元，其使用與輸入數據和輸出數據的實際值相對應的訓練數據來訓練神經網絡；以及
估計單元，將輸入數據輸入到經由機器學習單元訓練的神經網絡中，并將當前時間設置為參考時間，然后基于參考時間為當前時間的輸出數據來計算未來水力發電能力的估計值。
2.根據權利要求1所述的水力發電容量的估計系統，其中，所述輸入層的輸入數據還包含所述基準時間與所述基準時間之前的所述規定時間之間的所述規定期間的所述河流的上游溫度。
【現有技術】
對比文件1公開了一種水力發電量的估計系統，其通過信息處理器執行多元回歸分析，包括：
回歸方程模型，其中解釋變量是在參考時間和參考時間之前的預定時間段內，河流上游的降水量，河流上游的水流量以及流入大壩的水流量，目標變量是參見時間之后的將來的水力發電量；
分析單元，其基于與解釋變量和目標變量相對應的實際值來計算回歸方程模型的部分回歸系數；以及
估計單元，其將以當前時間設置為參考時間的解釋變量的數據輸入到由分析單元計算出的部分回歸系數的回歸方程模型中，然后基于來自將當前時間設置為基準時間的目標變量的輸出數據來計算未來水力發電能力的估計值。
【公知技術】
在機器學習的技術領域中，眾所周知，通過使用經由包含過去的時間序列數據輸入和將來的特定輸出訓練的神經網絡，基于過去的時間序列數據的輸入來進行將來的輸出的估計處理。
【結論】
權利要求1的發明沒有創造性。
權利要求2的發明具有創造性。
案例33中，與對比文件的方案相比，區別技術特征僅在于神經網絡的應用，而該應用無法產生“無法預期的顯著效果”，那時該發明很難被認為有創造性。
相比之下，案例34中的區別技術特征除了本發明使用了神經網絡，對比文件使用了回歸方程模型以外，本發明使用了“所述河流的上游溫度”作為輸入來估計水利發電量。由于春季的融水而導致的流入量的增加，因此能夠高精度地估計水力發電量，因此該區別技術特征產生了本領域技術人員無法預期的顯著效果。
可見，在答復AI相關發明的創造性時，應該更多考慮方法中的區別技術特征是否能夠產生無法預期的顯著效果。訓練模型的應用，通常只能夠“提高計算效率”，從這個角度爭辯很難被審查員接受。但是在OA答復過程中，筆者發現，說明書中常常會重點描述所使用的模型或數學方法，對其具體應用描述較少，這對后續OA意見的答復造成了很大困難。
人工智能、機器學習等等正在廣泛應用于各個領域，相關申請數目也在增加。關于以上提出的三類審查意見：是否屬于可授權主題、是否得到說明書支持、以及是否具有創造性，答復的思路與其他領域并無很大區別。但是筆者在翻譯新申請和答復審查意見的過程中發現，在此類申請的說明書中，往往更加關注模型或數學方法本身，對其應用確缺少詳細描述，往往是略提幾筆，或者甚至沒有。這造成在后期答復審查意見時，代理人面對的是“無米之炊”。因此筆者建議此類申請的撰寫過程中，更多地考慮“使用人工智能和機器學習解決了何種具體的技術問題”，而不是“使用了何種計算模型和算法”。