涉具身智能伦理规则类专利申请的客体审查

01 弁言小序

具身智能（Embodied Artificial Intelligence，简称EAI）通过机器人、智能体等实体载体搭建智能系统，依靠实体设备和现实环境持续交互完成感知、决策与执行，通过交互产生的反馈数据持续优化自身行为策略，实现动态自适应。简而言之，具身智能通常是搭载物理载体、可直接作用于现实场景的实体智能系统。正因其拥有干预现实的能力，行业内逐步形成了适配智能体的各类伦理规则，本质是平衡多方权益的行为约束标准。然而，具身智能的应用场景复杂多元，固定的一套伦理规则难以适配所有工况，由此衍生出为具身智能动态选择伦理规则的需求，通过匹配伦理规则约束自主决策，规避或降低人机交互伦理风险。

在此产业背景下，根据场景特点、具身智能属性，为机器人选择伦理规则、进行价值对齐的相关专利申请数量逐渐增长。与传统为机器人规划行动类的专利申请相比，此类专利申请的方案重点在于描述如何为机器人选择适配当前场景的伦理规则，通常既涉及算法决策也包含硬件执行，其客体认定成为新的审查难点。本文结合一件复审案例，探讨基于AI模型为具身智能选择伦理规则类专利申请的客体审查思路，旨在为此类案件的客体审查实践提供参考。

02 理念阐述

根据专利法第二条第二款规定，发明，是指对产品、方法或者其改进所提出的新的技术方案。《专利审查指南》第二部分第九章第6.1.3节规定，如果该项权利要求记载了对要解决的技术问题采用了利用自然规律的技术手段，并且由此获得符合自然规律的技术效果，则该权利要求限定的解决方案属于专利法第二条第二款所述的技术方案。

基于AI模型为具身智能选择伦理规则类专利申请既涉及模型、风险量化等算法层面的设计，也包括将决策逻辑应用至机器人实体。在客体判断中，需要从伦理的基本概念入手，结合人工智能伦理、伦理规则以及伦理风险的本质属性，准确判断方案是否解决了技术问题、是否采用了利用自然规律的技术手段以及是否获得了技术效果。

依据领域内的普遍认知，伦理，是人类在个体共存与社会运行中，基于理性反思、情感共情和进化本能，而形成的关于“对错、好坏、应当与不应当”的价值立场和判断体系。人工智能伦理，是将人类伦理应用于人工智能系统的设计、开发、部署与使用过程中所形成的原则、规范和实践。人工智能伦理规则，是将抽象的人工智能伦理具象化、程序化而人为定义的行为约束准则，划分出具身智能在不同交互场景下可执行、需规避的具体行为边界。人工智能伦理风险，是人工智能装置在研发、落地、交互等过程中，因伦理规则缺失、适配偏差、程序执行异化、价值对齐失衡等问题，引发的违背人类公序良俗、道德准则、社会公平及个体权益的各类潜在隐患与现实危害。

同一事件场景中，适配的伦理规则、伦理风险的有无及程度，并非客观的既定结论。相关判断依赖于人类对个体发展、社会运行及二者互动关系的认知，同时受制于特定的文化背景、法律制度规范、个体道德素养与群体价值共识，是人类主观价值立场的外化结果。不同价值立场下，人工智能装置在同一事件场景的适配伦理规则、风险程度存在显著差异。换言之，伦理风险的本质是依据人类价值体系形成的主观判断结果，具备不确定性。因此，根据前述人为定义的伦理规则与依据人类价值体系形成的伦理风险评判体系，为人工智能装置选择伦理规则的问题源于人类价值取舍与道德判定，不属于符合自然规律的技术问题；若方案利用深度学习算法或模型挖掘事件场景、人工智能装置与各预设伦理风险类型概率之间的关联关系，如前所述，因模型的输入与输出之间具有不确定性，二者的关联关系不符合自然规律。同时，即便方案还记载了方案由机器人等硬件执行，若该硬件仅作为算法的执行载体，算法步骤并未体现出与机器人数据存取、硬件控制等存在特定技术关联，也未针对机器人实体的感知、规划、执行等功能进行性能改进，则前述手段不属于为解决技术问题而采用的遵循自然规律的技术手段，也未获得技术效果，方案不构成技术方案。

值得注意的是，并非所有涉及具身智能伦理约束、价值对齐的专利申请均当然不属于技术方案。若专利申请虽记载有伦理约束、价值对齐等内容，但其发明目的并非进行人类主观层面的价值取舍或道德判定，而是针对具身智能实体运行过程中存在的技术缺陷加以改进：例如，基于预设的价值函数量化机器人遵循特定策略所获得的累积奖励，挖掘传感器采集的物理场景的事件信息、动作行为、用户意图等输入与机器人行动规划输出之间的关联关系，生成兼顾价值函数、可供机器人执行的物理控制指令，获得交互更灵活的技术效果，此种情形则可能构成技术方案。

03 案例演绎

某复审案件涉及一种基于动态人工智能伦理规则的伦理风险防范方法和机器人。结合说明书的记载，其要解决的问题是：现有的机器人、智能装置通常只设定一套伦理规则，难以适用于所有事件场景，可能产生较高的伦理风险。

为解决该问题，权利要求1提供一种人工智能方法，该方法由机器人执行，主要步骤包括：采集人工智能装置的属性、所在事件场景的特点，获取人工智能装置所遵循的伦理规则以及产生各种预设风险类型的人工智能伦理风险结果，基于以上数据构建数据集，将数据集中的事件场景及人工智能装置的属性作为模型的输入，将人工智能装置遵循各预设伦理规则的行为所产生的各预设风险类型的伦理风险概率作为模型的输出，训练得到场景规则预测深度学习模型，基于该训练好的模型为当前事件场景中的人工智能装置选择伦理风险综合概率最低的伦理规则。伦理风险综合概率的量化方式为：将模型输出的各预设风险类型的伦理风险的概率、对应该伦理风险的危害程度进行加权平均，得到伦理风险综合概率。

关于问题，本案要解决的问题中，人工智能伦理规则的适配与否、伦理风险的存在性以及风险程度判定，均依赖于人类主观价值体系、文化语境与道德共识，无法脱离特定的价值立场而客观定义。因此，本案所要解决的问题是进行不同场景下的价值取舍与伦理规则适配，该问题本身的前提不确定且随价值立场变化，不属于技术问题。

关于手段，本案意图利用深度学习模型挖掘数据集中“事件场景－伦理规则－伦理风险”之间的关联关系，以用于后续预测。然而，如前所述，由于“人工智能伦理风险”本身是价值判断，该数据集中关于伦理风险的概率标签并非客观事实的反映，而是标注者价值立场的投射。因此，模型在利用数据集进行训练过程中所挖掘出的关联关系，并非反映客观世界自然规律的关联关系，而是反映特定数据集中人为标注规则的关联关系，即，反映的是价值立场所代表的逻辑关联。利用这种模型预测当前事件场景中的人工智能装置发生预定伦理风险的概率，其本质是对前述特定价值立场的复现和执行，而非利用了自然规律的技术手段。

进一步地，本案在选择伦理规则时，将深度学习模型预测出的发生预设风险类型的人工智能伦理风险的概率和各预设风险类型的人工智能伦理风险的危害程度进行加权平均，计算综合概率，并选择最小综合概率对应的伦理规则作为当前事件场景中人工智能装置需要遵循的伦理规则。在加权计算中进一步引入的危害程度权重的赋值仍然体现的是人为设定的价值偏好，不同的赋权将直接导致不同的规则选择结果，因此，该加权计算的过程是在执行人为定义的选择逻辑，依然没有遵循自然规律。而且，“机器人”只是作为方法步骤的执行载体，各步骤与机器人的内部结构不存在特定技术关联，未对机器人的内部性能进行改进，因此，也不构成技术手段。综合来看，本案未采用利用自然规律的技术手段。

关于效果，本案声称为人工智能装置针对当前的事件场景选取伦理规则，以降低人工智能伦理风险。然而，由于“人工智能伦理风险”本身无法客观量化，其是否“降低”或“防范成功”，同样依赖于特定的价值立场来判断。在不同的价值立场下，评价结果可能截然不同。因此，该效果不属于符合自然规律的技术效果。

通过以上分析可知，本案根据人为定义的人工智能伦理规则与伦理风险价值评判体系，使用深度学习模型拟合、伦理风险量化等步骤实现人工智能伦理风险的计算、人工智能伦理规则的动态选择，整体方案体现的是人类的主观价值取舍，所要解决的问题本身依赖主观价值判断，未解决技术问题；采用的手段所遵循的是人为设定的评判规则与选择逻辑，而非自然规律；亦未产生脱离主观价值立场、符合自然规律的技术效果。因此，本案权利要求1请求保护的方案不构成专利法意义上的技术方案。

当前，具身智能伦理约束成为行业应用刚需，专利申请方案通常涉及深度学习模型、量化计算、硬件执行等手段，这些手段易造成客体判断的混淆。在审查实践中，应当结合伦理规则、伦理风险的概念，准确判断方案要解决的问题是否属于符合自然规律的技术问题，在此基础上，基于“技术三要素”对方案进行整体审查，准确把握专利法第二条第二款的适用边界。该案的客体判断思路为基于AI模型为具身智能选择伦理规则类专利申请的客体认定提供了清晰的实践指引。