作者：車玲玲 資深專利代理師

一、人工智能技術(shù)整體專利態(tài)勢

人工智能（AI）正在日益推動技術(shù)和商業(yè)的快速發(fā)展。受數(shù)字化大數(shù)據(jù)和快速計算機處理能力的推動，人工智能從理論領(lǐng)域開始轉(zhuǎn)向全球市場，具有潛在的革命性影響。與全球的變化趨勢相比，近十年來，在中國進行專利申請的年度增長率明顯更高，尤其是最近兩年，幾乎呈現(xiàn)直線上升的趨勢。可見，人工智能的技術(shù)研發(fā)在我國達到了空前的熱度，這對全球申請總量的增長也起到了極大的促進作用。中國人工智能專利的申請量已全球第一，但中國人工智能專利的授權(quán)率一直不高，明顯低于美國、日本、歐洲、以色列。美國在2014年的Alice案之后提高了人工智能專利的授權(quán)門檻，歐洲降低了人工智能專利申請的審查標準，中國放寬了人工智能專利申請的審查要求。舊的人工智能專利撰寫方式，在美國容易被認為是“抽象概念”、“純數(shù)學范疇”；在歐洲常常被認為“缺乏技術(shù)手段”；而在中國被冠以“智力活動的規(guī)則”。在當前的審查形式下，需要改變專利撰寫方式，多采用結(jié)構(gòu)屬性方式去撰寫，解決了專利保護客體問題，自身的創(chuàng)造性一般是沒有問題的，授權(quán)率自然就提高。

二、KIPO公布的人工智能（AI）相關(guān)領(lǐng)域?qū)＠麑彶槭纠?

韓國專利局（KIPO）于2020年4月14公布了人工智能（AI）相關(guān)領(lǐng)域?qū)＠麑彶槭纠?，以幫助業(yè)界申請AI相關(guān)發(fā)明并提高AI相關(guān)申請的審查結(jié)果的可預(yù)測性。在此筆者通過其中兩個示例向大家介紹一下韓國對于AI相關(guān)領(lǐng)域?qū)彶榈淖钚聞酉颉?

這里說明的是基于機器學習的人工智能（AI）相關(guān)發(fā)明的審查示例。基于機器學習的AI相關(guān)發(fā)明是，以通過AI學習來執(zhí)行特定功能為特點的計算機軟件相關(guān)發(fā)明，分為AI學習建模發(fā)明和AI應(yīng)用發(fā)明。

三、具體示例

示例1：利用機器學習的住宅溫度自動控制系統(tǒng)

【權(quán)利要求1】一種利用機器學習的住宅溫度自動控制系統(tǒng)，包括：存儲單元，存儲以往的每日的氣象信息以及住宅的溫度控制信息；學習模型生成單元，生成機器學習模型，該機器學習模型使用存儲在存儲單元中的溫度、濕度、風速、云量和細塵濃度信息中的至少一個以上的每日的氣象信息和住宅的溫度控制信息作為學習數(shù)據(jù)；收集單元，從氣象局服務(wù)器收集溫度、濕度、風速、云量和細塵濃度信息中的至少一個以上的當前氣象信息；以及輸出單元，通過使用根據(jù)學習模型生成單元生成的機器學習模型，輸出根據(jù)輸入到所述收集單元的當前氣象信息來預(yù)測出的住宅的溫度自動控制信息。

【說明書的內(nèi)容】（概要）本發(fā)明的一個目的是通過利用氣象信息與住宅的溫度之間的相關(guān)關(guān)系來自動控制住宅的溫度。本發(fā)明具有通過使用從氣象局服務(wù)器收集的每日氣象信息和住宅溫度控制信息作為學習數(shù)據(jù)，并使用機器學習模型，來輸出住宅的自動溫度控制信息，并降低住宅的能源使用成本的效果。本發(fā)明的機器學習模型可以使用人工神經(jīng)網(wǎng)絡(luò)（ANN）作為已知的機器學習模型。作為一個具體實施例，住宅的自動溫度控制系統(tǒng)將從氣象局服務(wù)器收集的當前氣象信息的溫度數(shù)據(jù)與過去的每日氣象信息的溫度數(shù)據(jù)進行比較，但是使用機器學習模型，輸出根據(jù)當前溫度數(shù)據(jù)所預(yù)測的住宅的溫度自動控制信息。

【結(jié)論】

1、說明書公開不充分，無法實施。

2、權(quán)利要求1的發(fā)明得不到說明書的支持。

【結(jié)論1的理由（第42條第3款第1項）】在本發(fā)明的說明書中，僅描述了一些輸入數(shù)據(jù)（溫度、濕度信息）與訓(xùn)練模型的輸出數(shù)據(jù)（自動控制住宅溫度的信息）之間的相關(guān)性，而并未描述其他輸入數(shù)據(jù)（風速、云量和細塵濃度信息）與訓(xùn)練模型的輸出數(shù)據(jù)之間的相關(guān)性。如果未具體描述輸入數(shù)據(jù)和訓(xùn)練模型的輸出數(shù)據(jù)之間的相關(guān)性，則很難說說明書清楚、詳細地記載為本領(lǐng)域技術(shù)人員能夠容易地使用技術(shù)相關(guān)性來進行信息處理。當然，如果本領(lǐng)域技術(shù)人員能夠應(yīng)用申請時的技術(shù)常識或在本發(fā)明的說明書中描述的實施例來估計（理解）相關(guān)性，則屬于例外情形。

然而，在本發(fā)明的說明書中，未具體描述細塵濃度數(shù)據(jù)和用于自動控制住宅的溫度的信息之間的相關(guān)性，并且對于本領(lǐng)域技術(shù)人員而言，從申請時的技術(shù)常識來看，細塵濃度數(shù)據(jù)和用于自動控制住宅的溫度的信息之間存在某種相關(guān)性并非是顯而易見的。另外，本發(fā)明的說明書中未提供根據(jù)細粉塵濃度信息來自動控制住宅的溫度的實施例（實驗例），因而很難說說明書的記載滿足可實施要件。因此，可以確定說明書沒有以清楚和詳細的方式描述本發(fā)明，以使本領(lǐng)域技術(shù)人員可以根據(jù)申請時的技術(shù)常識、說明書和附圖容易地實施本發(fā)明。

【結(jié)論2的理由（第42條第4款第1項）】在權(quán)利要求1的發(fā)明中，以特征結(jié)構(gòu)描述了一種學習模型生成單元，該學習模型生成單元用于使用氣象信息（溫度、濕度、風速、云量和細塵濃度信息）和住宅溫度控制信息作為學習數(shù)據(jù)來生成機器學習模型。然而，在本發(fā)明的說明書中，作為與上述學習模型生成單元對應(yīng)的具體結(jié)構(gòu)，僅描述了使用溫度和濕度信息作為學習數(shù)據(jù)的學習模型生成單元，并未描述使用微塵濃度信息作為學習數(shù)據(jù)的學習模型生成單元，即使考慮了申請時的技術(shù)常識，也不能將其視為是顯而易見的。因此，在本發(fā)明的說明書中沒有描述與權(quán)利要求1的發(fā)明相對應(yīng)的具體結(jié)構(gòu)，并且相比于申請時的技術(shù)常識，屬于無法將本發(fā)明的說明書中描述的內(nèi)容擴展或普遍化到要求保護的發(fā)明的整個范圍（包括細塵信息的氣象信息）的情形，因此可以認為權(quán)利要求1的發(fā)明得不到說明書的支持。

示例2：城市交通速度預(yù)測系統(tǒng)

【權(quán)利要求1】一種城市交通速度預(yù)測系統(tǒng)，包括：

信息提取單元，用于提取與每個時間段的交通量的變化、地理信息、天氣信息和施工信息有關(guān)的歷史記錄信息；

模型構(gòu)建單元，根據(jù)提取的歷史記錄信息來生成道路圖案向量之后，執(zhí)行ANN（人工神經(jīng)網(wǎng)絡(luò)）學習以找出道路圖案與路段的平均速度之間的函數(shù)關(guān)系；和交通預(yù)測單元，通過使用與預(yù)測用輸入圖案向量的所屬簇相對應(yīng)的局部ANN來預(yù)測路段的平均速度，

所述模型構(gòu)建單元包括：輸入圖案向量生成單元，通過將提取的歷史記錄信息與對應(yīng)道路的檢測信息結(jié)合來生成輸入圖案向量；數(shù)據(jù)劃分單元，通過對輸入圖案向量的數(shù)據(jù)集進行聚類，通過劃分相似圖案的數(shù)據(jù)集群來估計晶格結(jié)構(gòu)的簇，并生成估計簇的范圍；ANN學習單元，其對每個估計簇中的輸入圖案向量分別進行ANN學習；以及模型結(jié)構(gòu)DB，用于存儲由數(shù)據(jù)分割單元生成的估計簇的范圍信息和在ANN學習單元中對每個簇的輸入圖案向量分別進行學習的ANN。

【申請時的技術(shù)常識】人工神經(jīng)網(wǎng)絡(luò)（ANN）與多層感知器(MLP)之間雖然存在術(shù)語表述上的差異，但兩者的技術(shù)實質(zhì)上相同。

【對比文件1】涉及一種基于多層感知器（MLP）的交通量預(yù)測方法，在交通繁忙的城市地區(qū)，基于影響交通擁堵的時間因素（例如星期幾，時間信息，有無降水，占用，交通量，車道流入/流出量，交叉路口和人行橫道的數(shù)量，公交車站信息，施工信息等）和路段環(huán)境的各種因素，利用神經(jīng)網(wǎng)絡(luò)算法來預(yù)測市中心路段的交通擁堵。本發(fā)明由多層感知器結(jié)構(gòu)組成，為了預(yù)測每小時的平均速度，選擇影響交通擁堵的各種因素作為輸入變量，并且選擇交通量作為輸出變量。收集包括日特征，時間特征，交通量，占用率，施工區(qū)間和有無降水中的至少一項的輸入數(shù)據(jù)，并且基于所收集的數(shù)據(jù)執(zhí)行預(yù)處理。確定預(yù)處理數(shù)據(jù)的學習條件和學習終止條件。預(yù)處理過程是在構(gòu)建神經(jīng)網(wǎng)絡(luò)算法之前，對與交通量相關(guān)的輸入變量進行標準化并刪除不必要的信息的過程。多層感知器的初始權(quán)重是隨機設(shè)置的，最終權(quán)重由反向傳播算法確定并經(jīng)過訓(xùn)練。

【結(jié)論】權(quán)利要求1的發(fā)明相對于對比文件具備創(chuàng)造性。

【判斷理由】共同點：權(quán)利要求1與對比文件的發(fā)明目的、以及在交通信息預(yù)測機器學習中使用的包括每個時間段的交通量信息、地理信息、天氣信息和施工信息的學習數(shù)據(jù)實質(zhì)上相同。不同點：學習模型（對于學習數(shù)據(jù)的加工（預(yù)處理）和人工神經(jīng)網(wǎng)絡(luò)的配置方式）不同。對于區(qū)別的判斷：盡管對比文件中公開了使用基于多層感知器（MLP）的學習模型來預(yù)測交通量，但是未描述用于對輸入圖案數(shù)據(jù)進行聚類或針對每個簇訓(xùn)練單獨的局部人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。本領(lǐng)域技術(shù)人員根據(jù)對比文件所公開的對輸入變量進行標準化并刪除不必要的信息的預(yù)處理過程，難以容易地得出權(quán)利要求1中的對輸入圖案數(shù)據(jù)進行聚類或針對每個簇訓(xùn)練單獨的局部人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。就效果而言，可以通過與所屬簇相對應(yīng)的局部ANN，更準確地預(yù)測出特定路段的平均速度。因此，本領(lǐng)域普通技術(shù)人員不能從所引用的發(fā)明容易地實施，因此可以認為權(quán)利要求1的發(fā)明是具備創(chuàng)造性的。

四、小結(jié)

本文通過韓國最新公布的人工智能（AI）相關(guān)領(lǐng)域?qū)＠麑彶槭纠榻B了韓國審查的最新動向，希望能夠給大家提供一些啟示。