正華觀點‖關于修改《專利審查指南》的公告（第343號）
發布時間：2020-02-14 瀏覽量：
摘要：
12月31日，國家知識產權局發布了“關于修改《專利審查指南》的公告（第343號）”，決定對《專利審查指南》作出修改，自2020年2月1日起施行。
國家知識產權局關于修改《專利審查指南》的決定
國家知識產權局決定對《專利審查指南》作出修改。
在《專利審查指南》第二部分第九章增加第6節，內容如下：
6. 包含算法特征或商業規則和方法特征的發明專利申請審查相關規定
涉及人工智能、“互聯網+”、大數據以及區塊鏈等的發明專利申請，一般包含算法或商業規則和方法等智力活動的規則和方法特征，本節旨在根據專利法及其實施細則，對這類申請的審查特殊性作出規定。
6.1 審查基準
審查應當針對要求保護的解決方案，即權利要求所限定的解決方案進行。在審查中，不應當簡單割裂技術特征與算法特征或商業規則和方法特征等，而應將權利要求記載的所有內容作為一個整體，對其中涉及的技術手段、解決的技術問題和獲得的技術效果進行分析。
6.1.1 根據專利法第二十五條第一款第(二)項的審查
如果權利要求涉及抽象的算法或者單純的商業規則和方法，且不包含任何技術特征，則這項權利要求屬于專利法第二十五條第一款第(二)項規定的智力活動的規則和方法，不應當被授予專利權。例如，一種基于抽象算法且不包含任何技術特征的數學模型建立方法，屬于專利法第二十五條第一款第(二)項規定的不應當被授予專利權的情形。再如，一種根據用戶的消費額度進行返利的方法，該方法中包含的特征全部是與返利規則相關的商業規則和方法特征，不包含任何技術特征，屬于專利法第二十五條第一款第(二)項規定的不應當被授予專利權的情形。
如果權利要求中除了算法特征或商業規則和方法特征，還包含技術特征，該權利要求就整體而言并不是一種智力活動的規則和方法，則不應當依據專利法第二十五條第一款第(二)項排除其獲得專利權的可能性。
6.1.2 根據專利法第二條第二款的審查
如果要求保護的權利要求作為一個整體不屬于專利法第二十五條第一款第(二)項排除獲得專利權的情形，則需要就其是否屬于專利法第二條第二款所述的技術方案進行審查。
對一項包含算法特征或商業規則和方法特征的權利要求是否屬于技術方案進行審查時，需要整體考慮權利要求中記載的全部特征。如果該項權利要求記載了對要解決的技術問題采用了利用自然規律的技術手段，并且由此獲得符合自然規律的技術效果，則該權利要求限定的解決方案屬于專利法第二條第二款所述的技術方案。例如，如果權利要求中涉及算法的各個步驟體現出與所要解決的技術問題密切相關，如算法處理的數據是技術領域中具有確切技術含義的數據，算法的執行能直接體現出利用自然規律解決某一技術問題的過程，并且獲得了技術效果，則通常該權利要求限定的解決方案屬于專利法第二條第二款所述的技術方案。
6.1.3 新穎性和創造性的審查
對包含算法特征或商業規則和方法特征的發明專利申請進行新穎性審查時，應當考慮權利要求記載的全部特征，所述全部特征既包括技術特征，也包括算法特征或商業規則和方法特征。
對既包含技術特征又包含算法特征或商業規則和方法特征的發明專利申請進行創造性審查時，應將與技術特征功能上彼此相互支持、存在相互作用關系的算法特征或商業規則和方法特征與所述技術特征作為一個整體考慮。“功能上彼此相互支持、存在相互作用關系”是指算法特征或商業規則和方法特征與技術特征緊密結合、共同構成了解決某一技術問題的技術手段,并且能夠獲得相應的技術效果。
例如，如果權利要求中的算法應用于具體的技術領域，可以解決具體技術問題，那么可以認為該算法特征與技術特征功能上彼此相互支持、存在相互作用關系，該算法特征成為所采取的技術手段的組成部分，在進行創造性審查時，應當考慮所述的算法特征對技術方案作出的貢獻。
再如，如果權利要求中的商業規則和方法特征的實施需要技術手段的調整或改進，那么可以認為該商業規則和方法特征與技術特征功能上彼此相互支持、存在相互作用關系，在進行創造性審查時，應當考慮所述的商業規則和方法特征對技術方案作出的貢獻。
6.2 審查示例
以下，根據上述審查基準，給出包含算法特征或商業規則和方法特征的發明專利申請的審查示例。
(1)屬于專利法第二十五條第一款第(二)項范圍之內的包含算法特征或商業規則和方法特征的發明專利申請，不屬于專利保護的客體。
【例1】
一種建立數學模型的方法
申請內容概述
發明專利申請的解決方案是一種建立數學模型的方法，通過增加訓練樣本數量，提高建模的準確性。該建模方法將與第一分類任務相關的其它分類任務的訓練樣本也作為第一分類任務數學模型的訓練樣本，從而增加訓練樣本數量，并利用訓練樣本的特征值、提取特征值、標簽值等對相關數學模型進行訓練，并最終得到第一分類任務的數學模型，克服了由于訓練樣本少導致過擬合而建模準確性較差的缺陷。
申請的權利要求
一種建立數學模型的方法，其特征在于，包括以下步驟：
根據第一分類任務的訓練樣本中的特征值和至少一個第二分類任務的訓練樣本中的特征值，對初始特征提取模型進行訓練，得到目標特征提取模型;其中，所述第二分類任務是與所述第一分類任務相關的其它分類任務;
根據所述目標特征提取模型，分別對所述第一分類任務的每個訓練樣本中的特征值進行處理，得到所述每個訓練樣本對應的提取特征值;
將所述每個訓練樣本對應的提取特征值和標簽值組成提取訓練樣本，對初始分類模型進行訓練，得到目標分類模型;
將所述目標分類模型和所述目標特征提取模型組成所述第一分類任務的數學模型。
分析及結論
該解決方案不涉及任何具體的應用領域，其中處理的訓練樣本的特征值、提取特征值、標簽值、目標分類模型以及目標特征提取模型都是抽象的通用數據，利用訓練樣本的相關數據對數學模型進行訓練等處理過程是一系列抽象的數學方法步驟，最后得到的結果也是抽象的通用分類數學模型。該方案是一種抽象的模型建立方法，其處理對象、過程和結果都不涉及與具體應用領域的結合，屬于對抽象數學方法的優化，且整個方案并不包括任何技術特征，該發明專利申請的解決方案屬于專利法第二十五條第一款第(二)項規定的智力活動的規則和方法，不屬于專利保護客體。
(2)為了解決技術問題而利用技術手段并獲得技術效果的包含算法特征或商業規則和方法特征的發明專利申請，屬于專利法第二條第二款規定的技術方案，因而屬于專利保護的客體。
【例2】
一種卷積神經網絡模型的訓練方法
申請內容概述
發明專利申請的解決方案是，在各級卷積層上對訓練圖像進行卷積操作和最大池化操作后，進一步對最大池化操作后得到的特征圖像進行水平池化操作，使訓練好的CNN模型在識別圖像類別時能夠識別任意尺寸的待識別圖像。
申請的權利要求
一種卷積神經網絡CNN模型的訓練方法，其特征在于，所述方法包括：
獲取待訓練CNN模型的初始模型參數，所述初始模型參數包括各級卷積層的初始卷積核、所述各級卷積層的初始偏置矩陣、全連接層的初始權重矩陣和所述全連接層的初始偏置向量;
獲取多個訓練圖像;
在所述各級卷積層上，使用所述各級卷積層上的初始卷積核和初始偏置矩陣，對每個訓練圖像分別進行卷積操作和最大池化操作，得到每個訓練圖像在所述各級卷積層上的第一特征圖像;
對每個訓練圖像在至少一級卷積層上的第一特征圖像進行水平池化操作，得到每個訓練圖像在各級卷積層上的第二特征圖像;
根據每個訓練圖像在各級卷積層上的第二特征圖像確定每個訓練圖像的特征向量;
根據所述初始權重矩陣和初始偏置向量對每個特征向量進行處理，得到每個訓練圖像的類別概率向量;
根據所述每個訓練圖像的類別概率向量及每個訓練圖像的初始類別，計算類別誤差;
基于所述類別誤差，對所述待訓練CNN模型的模型參數進行調整;
基于調整后的模型參數和所述多個訓練圖像，繼續進行模型參數調整的過程，直至迭代次數達到預設次數;
將迭代次數達到預設次數時所得到的模型參數作為訓練好的CNN模型的模型參數。
分析及結論
該解決方案是一種卷積神經網絡CNN模型的訓練方法，其中明確了模型訓練方法的各步驟中處理的數據均為圖像數據以及各步驟如何處理圖像數據，體現出神經網絡訓練算法與圖像信息處理密切相關。該解決方案所解決的是如何克服CNN模型僅能識別具有固定尺寸的圖像的技術問題，采用了在不同卷積層上對圖像進行不同處理并訓練的手段，利用的是遵循自然規律的技術手段，獲得了訓練好的CNN模型能夠識別任意尺寸待識別圖像的技術效果。因此，該發明專利申請的解決方案屬于專利法第二條第二款規定的技術方案，屬于專利保護客體。
(3)未解決技術問題，或者未利用技術手段，或者未獲得技術效果的包含算法特征或商業規則和方法特征的發明專利申請，不屬于專利法第二條第二款規定的技術方案，因而不屬于專利保護的客體。
【例3】
一種消費返利的方法
申請內容概述
發明專利申請提出一種消費返利的方法，通過計算機執行設定的返利規則給予消費的用戶現金券，從而提高了用戶的消費意愿，為商家獲得了更多的利潤。
申請的權利要求
一種消費返利的方法，其特征在于，包括以下步驟：
用戶在商家進行消費時，商家根據消費的金額返回一定的現金券，具體地，
商家采用計算機對用戶的消費金額進行計算，將用戶的消費金額R劃分為M個區間，其中，M為整數，區間1到區間M的數值由小到大，將返回現金券的額度F也分為M個值，M個數值也由小到大進行排列;
根據計算機的計算值，判斷當用戶本次消費金額位于區間1時，返利額度為第1個值，當用戶本次消費金額位于區間2時，返利額度為第2個值，依次類推，將相應區間的返利額度返回給用戶。
分析及結論
該解決方案涉及一種消費返利的方法，該方法是由計算機執行的，其處理對象是用戶的消費數據，所要解決的是如何促進用戶消費的問題，不構成技術問題，所采用的手段是通過計算機執行人為設定的返利規則，但對計算機的限定只是按照指定的規則根據用戶消費金額確定返利額度，不受自然規律的約束，因而未利用技術手段，該方案獲得的效果僅僅是促進用戶消費，不是符合自然規律的技術效果。因此，該發明專利申請不屬于專利法第二條第二款規定的技術方案，不屬于專利保護的客體。
(4)在進行創造性審查時，應當考慮與技術特征在功能上彼此相互支持、存在相互作用關系的算法特征或商業規則和方法特征對技術方案作出的貢獻。
【例4】
一種基于多傳感器信息仿人機器人跌倒狀態檢測方法
申請內容概述
現有對仿人機器人步行時跌倒狀態的判定主要利用姿態信息或ZMP點位置信息，但這樣判斷是不全面的。發明專利申請提出了基于多傳感器檢測仿人機器人跌倒狀態的方法，通過實時融合機器人步態階段信息、姿態信息和ZMP點位置信息，并利用模糊決策系統，判定機器人當前的穩定性和可控性，為機器人下一步動作提供參考。
申請的權利要求
一種基于多傳感器信息仿人機器人跌倒狀態檢測方法，其特征在于包含如下步驟：
(1)通過對姿態傳感器信息、零力矩點ZMP傳感器信息和機器人步行階段信息進行融合，建立分層結構的傳感器信息融合模型;
(2)分別利用前后模糊決策系統和左右模糊決策系統來判定機器人在前后方向和左右方向的穩定性，具體步驟如下：
根據機器人支撐腳和地面之間的接觸情況與離線步態規劃確定機器人步行階段;
利用模糊推理算法對ZMP點位置信息進行模糊化;
利用模糊推理算法對機器人的俯仰角或滾動角進行模糊化;
確定輸出隸屬函數;
根據步驟～步驟確定模糊推理規則;
去模糊化。
分析及結論
對比文件1公開了仿人機器人的步態規劃與基于傳感器信息的反饋控制，并根據相關融合信息對機器人穩定性進行判斷，其中包括根據多個傳感器信息進行仿人機器人穩定狀態評價，即對比文件1公開了發明專利申請的解決方案中的步驟(1)，該解決方案與對比文件1的區別在于采用步驟(2)的具體算法的模糊決策方法。
基于申請文件可知，該解決方案有效地提高了機器人的穩定狀態以及對其可能跌倒方向判讀的可靠性和準確率。姿態信息、ZMP點位置信息以及步行階段信息作為輸入參數，通過模糊算法輸出判定仿人機器人穩定狀態的信息，為進一步發出準確的姿勢調整指令提供依據。因此，上述算法特征與技術特征在功能上彼此相互支持、存在相互作用關系，相對于對比文件1，確定發明實際解決的技術問題為：如何判斷機器人穩定狀態以及準確預測其可能的跌倒方向。上述模糊決策的實現算法及將其應用于機器人穩定狀態的判斷均未被其它對比文件公開，也不屬于本領域公知常識，現有技術整體上并不存在使本領域技術人員改進對比文件1以獲得要求保護發明的啟示，要求保護的發明技術方案相對于最接近的現有技術是非顯而易見的，具備創造性。
6.3 說明書及權利要求書的撰寫
6.3.1 說明書的撰寫
包含算法特征或商業規則和方法特征的發明專利申請的說明書應當清楚、完整地描述發明為解決其技術問題所采用的解決方案。所述解決方案在包含技術特征的基礎上，可以進一步包含與技術特征功能上彼此相互支持、存在相互作用關系的算法特征或商業規則和方法特征。
說明書中應當寫明技術特征和與其功能上彼此相互支持、存在相互作用關系的算法特征或商業規則和方法特征如何共同作用并且產生有益效果。例如，包含算法特征時，應當將抽象的算法與具體的技術領域結合，至少一個輸入參數及其相關輸出結果的定義應當與技術領域中的具體數據對應關聯起來;包含商業規則和方法特征時，應當對解決技術問題的整個過程進行詳細描述和說明，使得所屬技術領域的技術人員按照說明書記載的內容，能夠實現該發明的解決方案。
說明書應當清楚、客觀地寫明發明與現有技術相比所具有的有益效果，例如質量、精度或效率的提高，系統內部性能的改善等。如果從用戶的角度而言，客觀上提升了用戶體驗，也可以在說明書中進行說明，此時，應當同時說明這種用戶體驗的提升是如何由構成發明的技術特征，以及與其功能上彼此相互支持、存在相互作用關系的算法特征或商業規則和方法特征共同帶來或者產生的。
6.3.2 權利要求書的撰寫
包含算法特征或商業規則和方法特征的發明專利申請的權利要求應當以說明書為依據，清楚、簡要地限定要求專利保護的范圍。權利要求應當記載技術特征以及與技術特征功能上彼此相互支持、存在相互作用關系的算法特征或商業規則和方法特征。
本章其他內容無修改。
本決定自2020年2月1日起施行。
來源：國家知識產權局網站
客戶：四川農業大學 專利：多功能斗柜...
當前位置：