作者：崔祥 專利代理師、實(shí)習(xí)律師

隨著人工智能的逐漸興起，創(chuàng)新人員迫切的希望其在人工智能領(lǐng)域具有創(chuàng)造性的智力活動(dòng)成果通過專利的形式來得到有效的保護(hù)。實(shí)際上，在中國，與人工智能有關(guān)的專利申請數(shù)量在急劇增長。在人工智能領(lǐng)域，深度學(xué)習(xí)（Deep Learning，DL）無疑是實(shí)現(xiàn)人工智能的一個(gè)重要途徑。因此，對于人工智能領(lǐng)域的專利代理師而言，如何撰寫涉及深度學(xué)習(xí)的專利申請的權(quán)利要求顯得尤為重要。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一種，通過建立具有階層結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)，在計(jì)算系統(tǒng)中實(shí)現(xiàn)人工智能。深度學(xué)習(xí)源于且高于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，其核心就是通過深度結(jié)構(gòu)逐層以簡單概念構(gòu)建復(fù)雜概念，自動(dòng)提取分布式的特征。撰寫這一類的權(quán)利要求時(shí)，可以遵循一些基本的原則或步驟，這樣可以避免一些常見的錯(cuò)誤。

根據(jù)客戶的交底材料中的技術(shù)方案判斷交底中所涉及的深度學(xué)習(xí)模型是否是一種常規(guī)的套用。如果交底中的深度學(xué)習(xí)模型只是將現(xiàn)有深度學(xué)習(xí)模型應(yīng)用于數(shù)據(jù)集，并沒有對該模型作出任何的改進(jìn)，那么這種深度學(xué)習(xí)模型的應(yīng)用就只是一種常規(guī)的套用。針對這種常規(guī)的套用，我們可以不需要關(guān)注該深度學(xué)習(xí)模型的結(jié)構(gòu)以及訓(xùn)練過程，只將該模型當(dāng)作一種黑盒，這種黑盒能夠?qū)斎氲臄?shù)據(jù)集進(jìn)行處理并且能夠有相應(yīng)的輸出。

此種情況，將權(quán)利要求尤其是獨(dú)立權(quán)利要求的撰寫重點(diǎn)放在交底材料中那些與深度學(xué)習(xí)模型無關(guān)的真正的創(chuàng)新點(diǎn)。在實(shí)際案件處理過程中，往往很多都是屬于這種情況，否則需要進(jìn)一步判斷深度學(xué)習(xí)模型的改進(jìn)點(diǎn)。

根據(jù)客戶給出的交底材料判斷是否是對模型結(jié)構(gòu)作出了改進(jìn)。深度學(xué)習(xí)模型是一種通過一些深度結(jié)構(gòu)進(jìn)行逐層抽象，變相的把問題一步一步地簡化的階層模型，結(jié)構(gòu)相對其它的機(jī)器學(xué)習(xí)模型較為復(fù)雜，具有相對較多的種類，相應(yīng)的對模型結(jié)構(gòu)本身作出改進(jìn)的空間也較大。

因此，在該模型不屬于常規(guī)的套用的情況下，就需要判斷該模型是否具有結(jié)構(gòu)方面的改進(jìn)。深度學(xué)習(xí)模型的結(jié)構(gòu)具有創(chuàng)新點(diǎn)或者就是一個(gè)新的模型結(jié)構(gòu)，則根據(jù)模型的結(jié)構(gòu)來撰寫權(quán)利要求。我們在根據(jù)該深度學(xué)習(xí)模型的結(jié)構(gòu)進(jìn)行撰寫權(quán)利要求時(shí)，需要進(jìn)一步判斷將重點(diǎn)落實(shí)在模型訓(xùn)練階段還是模型應(yīng)用階段。

下面通過對比兩個(gè)不同階段示例（模型應(yīng)用階段和模型訓(xùn)練階段）來直觀的呈現(xiàn)兩者之間的不同。

模型應(yīng)用階段的獨(dú)立權(quán)利要求：一種在車輛中用于使用深度學(xué)習(xí)算法在同一網(wǎng)絡(luò)中同時(shí)執(zhí)行多個(gè)車載感測任務(wù)的處理器實(shí)現(xiàn)的方法，所述方法包含：接收來自所述車輛上的傳感器的視覺傳感器數(shù)據(jù)；使用卷積神經(jīng)網(wǎng)絡(luò)中的多個(gè)特征層根據(jù)所述視覺傳感器數(shù)據(jù)確定特征組；并且使用所述卷積神經(jīng)網(wǎng)絡(luò)根據(jù)由所述多個(gè)特征層確定的所述特征組同時(shí)估計(jì)檢測到的物體的邊界框、自由空間邊界和檢測到的物體姿態(tài)；其中所述神經(jīng)網(wǎng)絡(luò)包含：多個(gè)自由空間估計(jì)層，其配置為評估所述特征組以確定所述視覺傳感器數(shù)據(jù)中相對于所述車輛的所述自由空間的邊界并且標(biāo)記所述邊界；多個(gè)物體檢測層，其配置為評估所述特征組以檢測圖像中的物體并估計(jì)圍繞所述檢測到的物體的邊界框；以及多個(gè)物體姿態(tài)檢測層，其配置為評估所述特征組以估計(jì)每個(gè)物體的方向。

模型訓(xùn)練階段的獨(dú)立權(quán)利要求：一種數(shù)據(jù)分類模型訓(xùn)練方法，其特征在于，包括，采用識別對象通用數(shù)據(jù)集對神經(jīng)網(wǎng)絡(luò)分類模型各個(gè)層的參數(shù)值進(jìn)行訓(xùn)練，獲得第一神經(jīng)網(wǎng)絡(luò)分類模型；采用識別對象實(shí)際數(shù)據(jù)集對第一神經(jīng)網(wǎng)絡(luò)分類模型頂部若干層的參數(shù)值進(jìn)行訓(xùn)練，獲得第二神經(jīng)網(wǎng)絡(luò)分類模型；再次采用所述識別對象實(shí)際數(shù)據(jù)集對第二神經(jīng)網(wǎng)絡(luò)分類模型各個(gè)層的參數(shù)值進(jìn)行訓(xùn)練，獲得完成訓(xùn)練的第三神經(jīng)網(wǎng)絡(luò)分類模型；其中，識別對象通用數(shù)據(jù)集中數(shù)據(jù)的類別數(shù)量小于第一類別數(shù)量預(yù)設(shè)值、類別內(nèi)的樣本數(shù)量大于第一類內(nèi)樣本數(shù)預(yù)設(shè)值，識別對象實(shí)際數(shù)據(jù)集中數(shù)據(jù)的類別數(shù)量大于第二類別數(shù)量預(yù)設(shè)值，第一類別數(shù)量預(yù)設(shè)值小于第二類別數(shù)量預(yù)設(shè)值。

對比上面兩個(gè)不同階段的獨(dú)立權(quán)利要求，讀者可以清晰地感受到兩者的不同。模型應(yīng)用階段的示例中，通過應(yīng)用模型得到了具體的輸出；而在模型訓(xùn)練階段的示例中，則是通過訓(xùn)練獲得了多個(gè)模型。在撰寫此類權(quán)利要求的過程中，還應(yīng)當(dāng)注意的是，不能夠?qū)⒛Ｐ蛻?yīng)用階段和模型訓(xùn)練階段雜糅進(jìn)一個(gè)權(quán)利要求中，即要符合單邊撰寫的要求。因?yàn)槟Ｐ蛻?yīng)用階段的實(shí)際執(zhí)行客體和模型訓(xùn)練階段的實(shí)際執(zhí)行客體有可能不同。

相應(yīng)地，一份交底材料中的技術(shù)方案既涉及模型訓(xùn)練階段也涉及模型應(yīng)用階段，則可以撰寫兩個(gè)不同的獨(dú)立權(quán)利要求。我國的專利侵權(quán)的判定遵循全面覆蓋原則，即只有被訴侵權(quán)技術(shù)方案包含與權(quán)利要求記載的全部技術(shù)特征相同或者等同的技術(shù)特征的才會(huì)被認(rèn)定其落入專利權(quán)的保護(hù)范圍。如果一個(gè)權(quán)利要求中包含了多個(gè)實(shí)際執(zhí)行客體的話，顯然是增加了專利權(quán)人維權(quán)的實(shí)際困難，不利于對技術(shù)方案的全面保護(hù)。

在撰寫涉及深度學(xué)習(xí)的權(quán)利要求時(shí)，應(yīng)當(dāng)盡可能的詳細(xì)清楚，避免出現(xiàn)得不到說明書支持的情況，從而使得審查員能夠確信該專利應(yīng)當(dāng)被授權(quán)。在實(shí)踐中，關(guān)于該領(lǐng)域的權(quán)利要求的撰寫還有許多其它的情況，根據(jù)交底材料的實(shí)際內(nèi)容可以做出相應(yīng)的改變，以得到合適的權(quán)利要求，為客戶爭取盡可能多的利益。