人工智能领域算法类专利客体审查探析

弁言小序

人工智能领域专利申请的特点在于权利要求包含算法特征，技术的发展较大程度依赖“算法改进”，这容易导致其因不齐备技术三要素而不能成为专利法第二条第二款所述的技术方案，因此，对于此类专利申请的客体审查是重要的审查环节。在审查过程中，重点在于判断算法步骤是否与要解决的技术问题密切相关，算法所处理的数据是否具有确切技术含义。也就是说，要求算法与具体的应用领域高度“绑定”。

随着人工智能产业的快速发展，通用大模型涌现，对专利保护提出新的需求。《专利审查指南》（2023）以改进计算机系统内部性能为切入点之一，为涉及人工智能算法改进的发明专利申请提供了一种客体保护途径，明确即使未限定具体领域，但如果算法与计算机系统的内部结构存在特定技术关联，能够解决提升硬件运算效率或执行效果的技术问题，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，则仍可构成专利保护的客体。

然而，在实操层面，认定“算法与计算机系统的内部结构存在特定技术关联”尚存在难度，不仅需要把握“特定技术关联”的内涵，还要清晰地揭示算法与计算机系统内部结构的具体关联性。本文以一件复审案件为例，探讨算法与计算机系统的内部结构存在特定技术关联的判断思路，旨在为此类申请的客体审查实践提供参考。

理念阐述
 
人工智能领域专利申请属于一种涉及计算机程序的发明专利申请，针对此类申请的客体审查，需依据涉及计算机程序的发明专利申请审查中客体判断的一般原则，结合人工智能的技术特点与算法特征进行综合考量。

《专利审查指南》第二部分第九章第2节指出：如果涉及计算机程序的发明专利申请的解决方案执行计算机程序的目的是改善计算机系统内部性能，通过计算机执行一种系统内部性能改进程序，按照自然规律完成对该计算机系统各组成部分实施的一系列设置或调整，从而获得符合自然规律的计算机系统内部性能改进效果，则这种解决方案属于专利法第二条第二款所述的技术方案，属于专利保护的客体。可见，获得计算机系统内部性能改进是判断其专利申请是否属于专利保护客体的关键因素之一。

在《专利审查指南》（2023）第二部分第九章第6节中，增加了“算法实现计算机系统内部性能改进的客体审查基准及示例”。其目的在于完善包含算法特征的人工智能、大数据领域专利申请的客体审查标准，以回应创新主体对进一步明确涉及人工智能等新领域新业态专利审查规则的需求。根据6.1.2节明确的审查标准可知，对于涉及人工智能、大数据算法改进类的发明专利申请，具体应用领域的限定并非普适性要求，对于可适用于多个领域的通用算法，亦能通过其他维度论证客体适格性，此时论证的重点应转向算法与计算机系统内部结构是否存在特定技术关联。

2024年底，国家知识产权局发布《人工智能相关发明专利申请指引（试行）》，进一步指出，这种特定技术关联体现了算法特征与计算机系统的内部结构相关特征在技术实现层面相互适应、彼此配合，其内涵与外延具体体现为三种情形：其一，为支持特定算法或模型的运行而调整计算机系统的内部结构或相关参数；其二，针对特定的计算机系统内部结构或参数对算法或模型作出适应性改进；其三，同时涵盖前两种方式的协同创新。需要特别说明的是，特定技术关联的成立并不以改变计算机系统的内部结构为必要前提，更不意味着必须改动其硬件结构。这一判断标准为人工智能领域算法改进类发明专利申请的客体审查提供了清晰的指引。

案例演绎

某复审案件涉及一种执行多个神经网络的计算的方法和计算装置。现有技术中，具有相同结构层的多个神经网络进行计算时，每个网络每运算一次需调用一次运算库，导致系统调用开销大、耗时长。针对上述问题，本申请对多个神经网络的结构相同的层及其输入张量拼接处理，调用计算机系统底层的并行矩阵运算库，对拼接后的张量和相应层进行批量运算，具体权利要求中明确了“将多个神经网络的相应层拼接成一个拼接层，将所述多个神经网络的该相应层的原输入张量拼成一个比原输入张量高一维的张量”“通过调用所述至少一个计算机的底层的并行矩阵运算库来完成所述多个神经网络中的关于结构相同的相应层的批量矩阵计算”，以上方案在保证运算等价的同时，减少固定开销，提高运算效率。

驳回决定认为：本申请实质为对神经网络算法的改进，通过调用底层运算库进行批量矩阵运算以减少调用次数进而提高运算速度，并未提高计算机本身运算能力，并非对计算机系统内部性能进行改善，因此不属于专利法第二条第二款所述的技术方案。

复审请求人认为：本申请涉及计算机程序的解决方案，目的是减小计算机系统调用运算库的开销，通过将单次矩阵运算转换为批量矩阵运算，之后再调用底层的并行运算库完成批量矩阵运算，按照自然规律完成对计算机系统的组成部分“运算库”的调用机制的设置或调整，进而获得符合自然规律的计算机系统内部性能改进的效果，属于专利法第二条第二款所述的技术方案。

可见，本案争议焦点在于：判断权利要求的解决方案是否对计算机系统内部性能进行了改进。针对该争议焦点，合议组从发明构思出发，聚焦本申请的解决方案是否体现了算法与计算机系统内部结构存在特定技术关联，具体判断算法特征是否涉及对计算机内部结构或参数的调整，并由此带来了计算机系统内部性能的改进。

首先，方案通过算法层面的创新设计，将神经网络中结构相同的层及其输入张量拼接，进而将运算模式进行优化，将传统的多次矩阵运算转化为更适配高效的批量矩阵运算，完成批量矩阵运算的高效执行，这一实现属于典型的神经网络算法的优化改进。

其次，在明确本申请属于算法改进发明的基础上，还需聚焦驱动算法改进的核心构件——并行矩阵运算库，判断其对系统性能的影响。依据说明书记载，并行矩阵运算库包括 MKL、OpenBLAS、CUDA、cuB-LAS。经过后续系统性分析，上述并行矩阵运算库是由英特尔、英伟达等硬件制造商提供的包含调用函数的底层软件库，并基于对应硬件进行深度适配性优化。优化后形成的并行矩阵运算库能够通过计算机系统调用机制，实现与硬件之间的交互。鉴于其与计算机系统内部的硬件软件调用逻辑存在绑定关系，所述交互体现了对计算机系统内部结构的调整。同时，并行矩阵运算库作为解决本案争议的重要切入点，还具有重要的特性，即支持一次调用实现批量矩阵计算。

通过以上分析可知，本申请的解决方案是对神经网络算法的改进发明，其对多个神经网络的结构相同的相应层进行拼接、将相应层的输入张量拼成比原输入高一维的张量，并利用高一维的张量和拼接后的相应层进行运算，借助这样的处理方式，能够顺利调用计算机系统底层的并行矩阵运算库，对完成拼接后的相应层实施批量矩阵运算操作，进而有效减少在整个过程中对计算机系统并行矩阵运算库的调用次数。

可见，本申请算法的针对性调整，适配了计算机系统底层并行矩阵运算库的调用特性，算法与计算机系统的内部结构相关特征在技术实现层面相互适应、彼此配合，即针对特定计算机系统内部结构或参数对算法或模型作出适应性改进，体现了两者之间存在特定技术关联，符合指南中上述新增加的“算法实现计算机系统内部性能改进”的情形。进一步来讲，上述方案解决了实际应用中调用运算库次数多、系统开销大的问题，属于技术问题，该方案也相应地减少了神经网络计算过程中调用计算机系统运算库的次数，降低了系统开销，并在此基础上，提升计算过程中硬件的运算效率，从而获得计算机系统内部性能改进的技术效果，故属于专利法第二条第二款所述的技术方案。

综上，本案客体判断过程中所体现的审查标准和导向，反映出我国人工智能领域专利申请的客体审查标准正呈现出逐步明晰与适度放宽的趋势。这种明晰体现在审查规则对人工智能等新兴领域技术特点的适配性增强，例如针对算法改进类方面，将算法与计算机系统内部结构的特定技术关联作为判断的关键点，形成了更具操作性的审查基准。在标准的适用过程中，重点在于考量算法与计算机系统内部结构是否在技术实现层面相互适应、彼此配合；而适度放宽则表现为对新兴技术创新形态的包容度提升，不再简单将涉及通用领域算法的申请归为纯抽象概念，而是更注重结合技术创新形态进行综合研判。