AI相关专利的审查基准与实务注意事项——最新动向解析

?? 对于那些阅读本文的人：如果您使用以下方式起草声明生成的AI（例如ChatGPT），请同时使用AI草案x专利律师检查页面。

简介

随着人工智能技术的快速发展，人工智能相关专利申请数量也在不断增加。然而，在确定人工智能相关发明的可专利性时，有许多与传统技术领域不同的考虑因素，需要专门知识来制定申请策略。本文参考日本特许厅出版的审查手册中的“人工智能相关技术的相关案例”，对人工智能相关专利的审查标准和实务注意事项进行说明。

1。人工智能相关技术审查标准概述

《专利/实用新型审查手册》包含25个案例，说明审查标准如何适用于人工智能相关技术的专利申请。主要从以下三个角度来组织。

1. 描述发明和权利要求的详细说明的要求（启用要求、支持要求和清晰度要求）
2. 创造性的判定
3. 发明资格的确定

这些案例涵盖了人工智能相关技术的各个方面，是理人工智能相关专利审查标准的重要指南。

2。关于描述要求的要点

2.1 训练数据和相关性的重要性

在人工智能相关技术的发明中，尤其是应用人工智能的发明中，训练数据中包含的多个数据之间的相关性尤为重要。审查标准要求基于发明详述的描述，认识到多种类型的数据之间存在一定的关系，例如相关性，或者根据公知的一般技术知识可以推断出相关性等的存在。

例如，案例46“糖含量估算系统”被认为违反了启用要求，因为不能一个人的面部图像与该人种类的蔬菜的糖含量之间存在相关性作为普通技术知识来推断。另一方面，在案例47“商业计划支持设备”中，确定满足可行性要求，因为可以网络上的广告活动数据和销售数字之间存在相关性视为公共技术知识。

2.2 AI预估结果与实际评估

当利用人工智能发明估计具有某种功能的产品时，重要的是要考虑人工智能估计的结果是否可以替代实际制造的产品的评估。例如案例51“厌氧胶组合物”，训练模型的预测值的预测准确性尚未得到验证，且没有实际制造的产品的评估数据，因此被认为违反了启用要求。

2.3 清晰度要求和训练模型的处理

如果声明以“训练模型”等术语结尾，并且不清楚它是否表示“程序”，则类别可能不明确，并且可能会违反清晰度要求。情况55示出了作为程序可接受的描述格式与对于“用于输出响应于异常而执行的工作细节的训练模型”不可接受的描述格式之间的差异。

3。创造性判断要点

在判断人工智能相关技术的创造性时，以下观点很重要。

3.1 简单的人工智能应用

人工智能应用于传统技术的问题和效果是判断人工智能的单纯应用是否构成创造性的重要因素。例如，案例33“癌症等级计算装置”中，利用人工智能医生进行的癌症等级计算系统化的创造性被否定，因为这仅仅是本领域技术人员普通创造性能力的运用。

同样，在案例40“激光加工设备”的权利要求1中，创造性被否定，因为用机器学习模型代替人类执行的工作是传统技术。

3.2 更改训练数据

教学数据变更的影响也是判断创造性的重要因素。在案例34“水力发电量估算系统”中，仅使用神经网络的发明（权利要求1）被认定为创造性，而通过添加上游区域的温度作为输入数据而产生显着效果的发明（权利要求2）则被认定为创造性。

3.3 训练数据预处理

训练数据的预处理也会影响创造性的判断。案例36“痴呆症程度推定装置”通过提问者提出的问题类型与回答者给出的回答内容作为训练数据相关联，可以有效地实现高精度的痴呆症程度推定值并被认为是创造性的。

3.4 应用新一代人工智能

2020 年 3 月新增的案例也显示了关于生成式人工智能应用的创造性判定。在案例37“客户中心答案自动生成装置”中，由于问题输入大规模语言模型并自动生成答案是现有技术，因而否定了创造性。

4。确定专利性的要点

在确定人工智能相关技术是否符合发明资格时，以下几点很重要。

4.1 是否仅仅是信息呈现

单纯的数据或参数集被判定为“单纯的信息呈现”，不属于“发明”的范畴。例如，在案例5“教师数据及教师数据的图像生成方法”中，教师数据本身不属于“发明”的范畴，但生成教师数据的方法被确定属于“发明”的范畴。

4.2软硬件资源协同

一个重要的标准是软件的信息处理是否是利用硬件资源来具体实现的。例如，在案例2-14“用于分析住宿设施声誉的经过训练的模型”中，如果其描述为使计算机执行特定计算的功能，则其属于“发明”，但如果仅其配置为参数集，则确定其不属于“发明”。

5。实用要点

在申请人工智能相关专利时，请务必牢记以下几点。

5.1 输入数据和输出数据之间的相关性说明

对于人工智能相关的发明，需要在发明详述中具体说明输入数据和输出数据之间存在相关性，或者表明可以从普通技术知识中推断出来。如果相关性不明确，则需要用实验数据和理论来丰富它。

5.2 验证训练模型的有效性

为了表明AI估算结果可以替代实际评估，重要的是包括训练模型预测精度的验证结果以及实际制造和评估的具体例子。尤其是在化学和材料领域，往往不仅需要包含AI预测，还需要包含实际验证结果。

5.3 改进声明格式

在请求经过训练的模型时，明确说明其作为“程序”的性质非常重要。具体来说，应该以“使计算机发挥作用的经过训练的模型~”之类的格式来编写，以避免误它只是一个参数集。

5.4 主张创造性的思路

仅仅人工智能应用系统化很难被认定为创造性，因此应考虑以下想法。

• 原始训练数据的选择及预处理方法
• 引入传统技术未考虑的参数
• 改进学习算法以决特定技术问题
• 采用特定配置效果显着

5.5 确保发明资格的想法

为了确保可专利性，应该清楚地表明软件和硬件资源协同工作来实现特定的信息处理。不仅要获得数据结构或参集的权利，还要获得使用它的特定信息处理方法和设备的权利，这是有效的。

摘要

申请人工智能相关专利时，有很多与普通专利申请不同的考虑点。特别要注意人工智能输入数据和输出数据之间的相关性、训练模型的有效性验证、权利要求描述格式等。此外，由于人工智能的单纯应用很难识别创造性，因此必须清楚地用于决特定技术问题的独特独创性。

公司在提交人工智能相关技术专利申请方面拥有丰富的经验和专业知识，并为您以最佳方式获得人工智能技术的权利提供支持。如果您在确定专利性时遇到困难或正在考虑建立更强大的专利组合，请随时与联系。

参考文献

1. 专利/实用新型审查手册附件A和附件B“人工智能相关技术案例”
2. 日本专利局“增加人工智能相关发明的审查例”（2020 年 3 月）
3. 日本特许厅“审查指南第 III 部分第 2 章第 2 节创造性”