2021年8月3日，国家知识产权局发布《专利审查指南修改草案（征求意见稿）》（以下简称“修改草案”）[1]，这不仅是专利法自2021年6月1日施行以来为贯彻落实专利法及其实施细则而进行的首次修改，而且是明确涉及AI算法等新业态、新领域专利申请的审查规则的第二次修改（第一次修改为2019.12.31.发布的国家知识产权局第343号公告）[2]。
本文尝试通过分析修改草案中关于AI算法相关专利申请的审查规则，以期审视针对这类专利申请的客体适格性审查趋势。
客体适格性是技术专利化的“入场资格券”，但AI算法--—通常定义为解决特定问题的求解步骤的描述/计算规则--—的相关专利申请的自身特点决定了其与当前专利制度规定的可专利客体存在着天然的冲突，因为AI算法相关专利申请往往包括被各国专利法普遍予以排除的非“技术”特征。例如，CNIPA通常认为AI算法属于智力活动规则和方法，USPTO通常将包括机器学习类的AI算法专利归为抽象概念，EPO则认为诸如神经网络、支持向量机的AI算法和模型具有抽象数学性质本质，而纯粹的抽象数学方法因缺乏技术特性（technical character）不具可专利性。
伴随着AI技术、大数据的持续广泛发展，AI算法相关专利申请出现了新特点，比如算法为主导的技术创新和模式创新深度融合、通过算法的设计来提升计算机系统内部性能、以及借助算法来改善用户体验等。修改草案对这类AI算法相关专利申请的新特点进行了细化规定并通过增加的审查示例进行了解释。
就客体适格性来说，本次修改草案继承了第343号公告中的审查基准总原则，以及延续了客体适格性要先后通过专利法第二十五条和第二条的审查顺序。修改草案特别规定了是否满足专利法第二条的判断标准，并增加了这方面的两个审查示例，即审查示例5的一种深度神经网络模型的训练方法和审查示例7的一种知识图谱推理方法。
具体地，涉及算法特征的客体适格性的审查基准总原则是，审查要针对权利要求所限定的解决方案进行，不应当简单割裂技术特征与算法特征等，而应将权利要求记载的所有内容作为一个整体，对其中涉及的技术手段、解决的技术问题和获得的技术效果进行分析。
换句话说，权利要求中限定的全部技术特征在客体适格性判断时均应予以考虑。这与目前各主要司法辖区的专利制度保持一致。
在专利法第二十五条的审查规则方面，本次修改草案延续了第343号公告中的内容，即不包括任何技术特征的仅涉及抽象算法的权利要求属于专利法第二十五条第一款第（二）项规定的智力活动的规则和方法。与此相对的是，涉及算法特征但还包括技术特征的权利要求整体而言不是智力活动的规则和方法，不应当依据专利法第二十五条第一款第（二）项排除其获得专利权的可能性，但此时需要进行是否符合专利法第二条的测试。
在审查示例1涉及的一种建立数学模型的方法中，权利要求不涉及任何应用领域，方法所涉步骤是一系列抽象的数学方法，处理对象、过程和结果均不涉及应用领域，因此被认为属于专利法第二十五条第一款第（二）项规定的智力活动的规则和方法。
仅涉及抽象算法的专利申请被排除在可专利性的范围之外，其逻辑在于不能通过专利权的排他性来试图垄断该算法在任何领域的应用，从而与专利法“鼓励发明创造，推动发明创造的应用，提高创新能力，促进科学技术进步和经济社会发展”的立法目的不符。
值得注意的是，AI算法特征有时包括一些数学式，这容易被理解为抽象的运算法则。然而在进行这类权利要求的判断时，要客观分析数学式在权利要求中的作用，这取决于其所要表达的内容和含义。
在专利法第二条的审查规则方面，本次修改草案进行了较大修改，增加/细化了有关涉及AI算法在改进/改善计算机系统的内部结构以及在机器学习等大数据分析应用方面的审查规则。
细化的规则之一是，如果权利要求的解决方案涉及深度学习、分类聚类等人工智能、大数据算法的改进，该算法与计算机系统的内部结构存在特定技术关联，能够解决如何提升硬件运算效率或执行效果的技术问题，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，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，则该权利要求限定的解决方案属于专利法第二条第二款所述的技术方案。
上述规则针对AI算法与计算机系统内部性能改善关系的解决方案。通常，这类方案有两种情况，一种是计算机作为算法执行的载体，由计算机完成对算法优化，从而达到计算机性能提高，比如存储空间的节省、运算速度的提高；另一种是为改进计算机内部性能而专门进行的算法设计。
从以上规定可以看出，对是否改进计算机内部性能的判断要点在于分析算法特征与计算机系统的内部结构是否存在特定技术关联，只有AI算法改进是在这种特定技术关联上做出的，才被认为是客体适格的；相反，在解决方案中，如果计算机仅仅是算法的执行工具，改进的只是算法本身，算法与计算机系统的内部结构不存在特定关联，则不会被认为是客体适格的。
在本次修改草案中新增加的审查示例5进一步阐释了上述审查规则。审查示例5涉及一种深度神经网络模型的训练方法，该方法为解决训练速度慢的问题，采用针对不同大小的训练数据选择不同的处理器训练方案。这里的模型训练方法与计算机系统的内部结构被认为存在特定技术关联，能够解决固定处理器训练方案的低效率问题，提升训练过程中计算机硬件的执行效果，从而属于专利法第二条第二款所述的技术方案，具有客体适格性。
细化的规则之二是，如果权利要求的解决方案处理的是具体应用领域的大数据，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，据此解决如何提升具体应用领域大数据分析可靠性或精确性的技术问题，并获得相应的技术效果，则该权利要求限定的解决方案属于专利法第二条第二款所述的技术方案。
上述规则针对AI算法在机器学习、自然语言处理、模式识别等大数据分析方面的解决方案。从这里可以看出，大数据分析领域对是否满足专利法第二条第二款的判断要点在于分析在数据间通过AI算法挖掘得到的关联关系是否是受自然规律约束，从而基于此来提升大数据分析的可靠性或精确性。如果通过AI算法挖掘数据内在关联关系、依赖关系是符合自然规律的，则满足专利法第二条第二款的测试。
增加的审查示例7涉及一种知识图谱推理方法。该方法通过对问答系统、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，其遵循了自然规律，解决了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，从而符合专利法第二条第二款的规定。
本次专利审查指南关于客体适格性方面的修改，是对第343号公告的继承和细化，进一步回应了创新主体对于AI算法相关专利申请审查规则的关切和需求，体现了审查规则对于新技术新业态的拥抱和积极开放态度。
★文章为LexisNexis首发内容，未经允许严禁转载
注释
[1]https://www.cnipa.gov.cn/art/2021/8/3/art_75_166474.html
[2]https://www.cnipa.gov.cn/art/2019/12/31/art_74_28143.html
安文森
■ 律师、专利代理师、总监
■ 路盛律师事务所
安文森，中国执业律师和专利代理师，于2019年加入路盛律师事务所并担任总监一职。此前他在中国专利代理（香港）有限公司工作十余年。
安文森在攻读博士学位和研发工作期间，主要从事人工智能/机器学习的算法和工业应用研究，在国际知名学术刊物发表论文10余篇；在知识产权从业期间，代理了包括众多世界五百强在内的国内外客户的数千件案件，从专利布局、专利撰写、专利授权确权、专利有效性分析、争议解决、品牌保护到知识产权策略和风险防控。近年来，安博士尤其关注科创企业的知识产权布局与保护、数据合规与保护，受邀为知名孵化器平台及科创企业进行知识产权培训，助力客户知识产权国际化，帮助客户对接资本以最大化知识产权的商业价值，在《Robotics Law Journal》、《中国知识产权报》、《中国发明与专利》等权威媒体发表文章近20篇并接受采访。他的技术领域主要包括人工智能/机器学习、自动驾驶、智能制造、电气工程、医疗设备等。
The content of this article is intended to provide a general guide to the subject matter. Specialist advice should be sought about your specific circumstances.
