发布时间：2020-02-14           浏览量： 摘要：
12月31日，国家知识产权局发布了“关于修改《专利审查指南》的公告（第343号）”，决定对《专利审查指南》作出修改，自2020年2月1日起施行。
国家知识产权局关于修改《专利审查指南》的决定
国家知识产权局决定对《专利审查指南》作出修改。
在《专利审查指南》第二部分第九章增加第6节，内容如下：
6. 包含算法特征或商业规则和方法特征的发明专利申请审查相关规定
涉及人工智能、“互联网+”、大数据以及区块链等的发明专利申请，一般包含算法或商业规则和方法等智力活动的规则和方法特征，本节旨在根据专利法及其实施细则，对这类申请的审查特殊性作出规定。
6.1 审查基准
审查应当针对要求保护的解决方案，即权利要求所限定的解决方案进行。在审查中，不应当简单割裂技术特征与算法特征或商业规则和方法特征等，而应将权利要求记载的所有内容作为一个整体，对其中涉及的技术手段、解决的技术问题和获得的技术效果进行分析。
6.1.1 根据专利法第二十五条第一款第(二)项的审查
如果权利要求涉及抽象的算法或者单纯的商业规则和方法，且不包含任何技术特征，则这项权利要求属于专利法第二十五条第一款第(二)项规定的智力活动的规则和方法，不应当被授予专利权。例如，一种基于抽象算法且不包含任何技术特征的数学模型建立方法，属于专利法第二十五条第一款第(二)项规定的不应当被授予专利权的情形。再如，一种根据用户的消费额度进行返利的方法，该方法中包含的特征全部是与返利规则相关的商业规则和方法特征，不包含任何技术特征，属于专利法第二十五条第一款第(二)项规定的不应当被授予专利权的情形。
如果权利要求中除了算法特征或商业规则和方法特征，还包含技术特征，该权利要求就整体而言并不是一种智力活动的规则和方法，则不应当依据专利法第二十五条第一款第(二)项排除其获得专利权的可能性。
6.1.2 根据专利法第二条第二款的审查
如果要求保护的权利要求作为一个整体不属于专利法第二十五条第一款第(二)项排除获得专利权的情形，则需要就其是否属于专利法第二条第二款所述的技术方案进行审查。
对一项包含算法特征或商业规则和方法特征的权利要求是否属于技术方案进行审查时，需要整体考虑权利要求中记载的全部特征。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。例如，如果权利要求中涉及算法的各个步骤体现出与所要解决的技术问题密切相关，如算法处理的数据是技术领域中具有确切技术含义的数据，算法的执行能直接体现出利用自然规律解决某一技术问题的过程，并且获得了技术效果，则通常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。
6.1.3 新颖性和创造性的审查
对包含算法特征或商业规则和方法特征的发明专利申请进行新颖性审查时，应当考虑权利要求记载的全部特征，所述全部特征既包括技术特征，也包括算法特征或商业规则和方法特征。
对既包含技术特征又包含算法特征或商业规则和方法特征的发明专利申请进行创造性审查时，应将与技术特征功能上彼此相互支持、存在相互作用关系的算法特征或商业规则和方法特征与所述技术特征作为一个整体考虑。“功能上彼此相互支持、存在相互作用关系”是指算法特征或商业规则和方法特征与技术特征紧密结合、共同构成了解决某一技术问题的技术手段,并且能够获得相应的技术效果。
例如，如果权利要求中的算法应用于具体的技术领域，可以解决具体技术问题，那么可以认为该算法特征与技术特征功能上彼此相互支持、存在相互作用关系，该算法特征成为所采取的技术手段的组成部分，在进行创造性审查时，应当考虑所述的算法特征对技术方案作出的贡献。
再如，如果权利要求中的商业规则和方法特征的实施需要技术手段的调整或改进，那么可以认为该商业规则和方法特征与技术特征功能上彼此相互支持、存在相互作用关系，在进行创造性审查时，应当考虑所述的商业规则和方法特征对技术方案作出的贡献。
6.2 审查示例
以下，根据上述审查基准，给出包含算法特征或商业规则和方法特征的发明专利申请的审查示例。
(1)属于专利法第二十五条第一款第(二)项范围之内的包含算法特征或商业规则和方法特征的发明专利申请，不属于专利保护的客体。
【例1】
一种建立数学模型的方法
申请内容概述
发明专利申请的解决方案是一种建立数学模型的方法，通过增加训练样本数量，提高建模的准确性。该建模方法将与第一分类任务相关的其它分类任务的训练样本也作为第一分类任务数学模型的训练样本，从而增加训练样本数量，并利用训练样本的特征值、提取特征值、标签值等对相关数学模型进行训练，并最终得到第一分类任务的数学模型，克服了由于训练样本少导致过拟合而建模准确性较差的缺陷。
申请的权利要求
一种建立数学模型的方法，其特征在于，包括以下步骤：
根据第一分类任务的训练样本中的特征值和至少一个第二分类任务的训练样本中的特征值，对初始特征提取模型进行训练，得到目标特征提取模型;其中，所述第二分类任务是与所述第一分类任务相关的其它分类任务;
根据所述目标特征提取模型，分别对所述第一分类任务的每个训练样本中的特征值进行处理，得到所述每个训练样本对应的提取特征值;
将所述每个训练样本对应的提取特征值和标签值组成提取训练样本，对初始分类模型进行训练，得到目标分类模型;
将所述目标分类模型和所述目标特征提取模型组成所述第一分类任务的数学模型。
分析及结论
该解决方案不涉及任何具体的应用领域，其中处理的训练样本的特征值、提取特征值、标签值、目标分类模型以及目标特征提取模型都是抽象的通用数据，利用训练样本的相关数据对数学模型进行训练等处理过程是一系列抽象的数学方法步骤，最后得到的结果也是抽象的通用分类数学模型。该方案是一种抽象的模型建立方法，其处理对象、过程和结果都不涉及与具体应用领域的结合，属于对抽象数学方法的优化，且整个方案并不包括任何技术特征，该发明专利申请的解决方案属于专利法第二十五条第一款第(二)项规定的智力活动的规则和方法，不属于专利保护客体。
(2)为了解决技术问题而利用技术手段并获得技术效果的包含算法特征或商业规则和方法特征的发明专利申请，属于专利法第二条第二款规定的技术方案，因而属于专利保护的客体。
【例2】
一种卷积神经网络模型的训练方法
申请内容概述
发明专利申请的解决方案是，在各级卷积层上对训练图像进行卷积操作和最大池化操作后，进一步对最大池化操作后得到的特征图像进行水平池化操作，使训练好的CNN模型在识别图像类别时能够识别任意尺寸的待识别图像。
申请的权利要求
一种卷积神经网络CNN模型的训练方法，其特征在于，所述方法包括：
获取待训练CNN模型的初始模型参数，所述初始模型参数包括各级卷积层的初始卷积核、所述各级卷积层的初始偏置矩阵、全连接层的初始权重矩阵和所述全连接层的初始偏置向量;
获取多个训练图像;
在所述各级卷积层上，使用所述各级卷积层上的初始卷积核和初始偏置矩阵，对每个训练图像分别进行卷积操作和最大池化操作，得到每个训练图像在所述各级卷积层上的第一特征图像;
对每个训练图像在至少一级卷积层上的第一特征图像进行水平池化操作，得到每个训练图像在各级卷积层上的第二特征图像;
根据每个训练图像在各级卷积层上的第二特征图像确定每个训练图像的特征向量;
根据所述初始权重矩阵和初始偏置向量对每个特征向量进行处理，得到每个训练图像的类别概率向量;
根据所述每个训练图像的类别概率向量及每个训练图像的初始类别，计算类别误差;
基于所述类别误差，对所述待训练CNN模型的模型参数进行调整;
基于调整后的模型参数和所述多个训练图像，继续进行模型参数调整的过程，直至迭代次数达到预设次数;
将迭代次数达到预设次数时所得到的模型参数作为训练好的CNN模型的模型参数。
分析及结论
该解决方案是一种卷积神经网络CNN模型的训练方法，其中明确了模型训练方法的各步骤中处理的数据均为图像数据以及各步骤如何处理图像数据，体现出神经网络训练算法与图像信息处理密切相关。该解决方案所解决的是如何克服CNN模型仅能识别具有固定尺寸的图像的技术问题，采用了在不同卷积层上对图像进行不同处理并训练的手段，利用的是遵循自然规律的技术手段，获得了训练好的CNN模型能够识别任意尺寸待识别图像的技术效果。因此，该发明专利申请的解决方案属于专利法第二条第二款规定的技术方案，属于专利保护客体。
 (3)未解决技术问题，或者未利用技术手段，或者未获得技术效果的包含算法特征或商业规则和方法特征的发明专利申请，不属于专利法第二条第二款规定的技术方案，因而不属于专利保护的客体。
【例3】
一种消费返利的方法
申请内容概述
发明专利申请提出一种消费返利的方法，通过计算机执行设定的返利规则给予消费的用户现金券，从而提高了用户的消费意愿，为商家获得了更多的利润。
申请的权利要求
一种消费返利的方法，其特征在于，包括以下步骤：
用户在商家进行消费时，商家根据消费的金额返回一定的现金券，具体地，
商家采用计算机对用户的消费金额进行计算，将用户的消费金额R划分为M个区间，其中，M为整数，区间1到区间M的数值由小到大，将返回现金券的额度F也分为M个值，M个数值也由小到大进行排列;
根据计算机的计算值，判断当用户本次消费金额位于区间1时，返利额度为第1个值，当用户本次消费金额位于区间2时，返利额度为第2个值，依次类推，将相应区间的返利额度返回给用户。
分析及结论
该解决方案涉及一种消费返利的方法，该方法是由计算机执行的，其处理对象是用户的消费数据，所要解决的是如何促进用户消费的问题，不构成技术问题，所采用的手段是通过计算机执行人为设定的返利规则，但对计算机的限定只是按照指定的规则根据用户消费金额确定返利额度，不受自然规律的约束，因而未利用技术手段，该方案获得的效果仅仅是促进用户消费，不是符合自然规律的技术效果。因此，该发明专利申请不属于专利法第二条第二款规定的技术方案，不属于专利保护的客体。
 (4)在进行创造性审查时，应当考虑与技术特征在功能上彼此相互支持、存在相互作用关系的算法特征或商业规则和方法特征对技术方案作出的贡献。
【例4】
一种基于多传感器信息仿人机器人跌倒状态检测方法
申请内容概述
现有对仿人机器人步行时跌倒状态的判定主要利用姿态信息或ZMP点位置信息，但这样判断是不全面的。发明专利申请提出了基于多传感器检测仿人机器人跌倒状态的方法，通过实时融合机器人步态阶段信息、姿态信息和ZMP点位置信息，并利用模糊决策系统，判定机器人当前的稳定性和可控性，为机器人下一步动作提供参考。
申请的权利要求
一种基于多传感器信息仿人机器人跌倒状态检测方法，其特征在于包含如下步骤：
(1)通过对姿态传感器信息、零力矩点ZMP传感器信息和机器人步行阶段信息进行融合，建立分层结构的传感器信息融合模型;
(2)分别利用前后模糊决策系统和左右模糊决策系统来判定机器人在前后方向和左右方向的稳定性，具体步骤如下：
根据机器人支撑脚和地面之间的接触情况与离线步态规划确定机器人步行阶段;
利用模糊推理算法对ZMP点位置信息进行模糊化;
利用模糊推理算法对机器人的俯仰角或滚动角进行模糊化;
确定输出隶属函数;
根据步骤～步骤确定模糊推理规则;
去模糊化。
分析及结论
对比文件1公开了仿人机器人的步态规划与基于传感器信息的反馈控制，并根据相关融合信息对机器人稳定性进行判断，其中包括根据多个传感器信息进行仿人机器人稳定状态评价，即对比文件1公开了发明专利申请的解决方案中的步骤(1)，该解决方案与对比文件1的区别在于采用步骤(2)的具体算法的模糊决策方法。
基于申请文件可知，该解决方案有效地提高了机器人的稳定状态以及对其可能跌倒方向判读的可靠性和准确率。姿态信息、ZMP点位置信息以及步行阶段信息作为输入参数，通过模糊算法输出判定仿人机器人稳定状态的信息，为进一步发出准确的姿势调整指令提供依据。因此，上述算法特征与技术特征在功能上彼此相互支持、存在相互作用关系，相对于对比文件1，确定发明实际解决的技术问题为：如何判断机器人稳定状态以及准确预测其可能的跌倒方向。上述模糊决策的实现算法及将其应用于机器人稳定状态的判断均未被其它对比文件公开，也不属于本领域公知常识，现有技术整体上并不存在使本领域技术人员改进对比文件1以获得要求保护发明的启示，要求保护的发明技术方案相对于最接近的现有技术是非显而易见的，具备创造性。
6.3 说明书及权利要求书的撰写
6.3.1 说明书的撰写
包含算法特征或商业规则和方法特征的发明专利申请的说明书应当清楚、完整地描述发明为解决其技术问题所采用的解决方案。所述解决方案在包含技术特征的基础上，可以进一步包含与技术特征功能上彼此相互支持、存在相互作用关系的算法特征或商业规则和方法特征。
说明书中应当写明技术特征和与其功能上彼此相互支持、存在相互作用关系的算法特征或商业规则和方法特征如何共同作用并且产生有益效果。例如，包含算法特征时，应当将抽象的算法与具体的技术领域结合，至少一个输入参数及其相关输出结果的定义应当与技术领域中的具体数据对应关联起来;包含商业规则和方法特征时，应当对解决技术问题的整个过程进行详细描述和说明，使得所属技术领域的技术人员按照说明书记载的内容，能够实现该发明的解决方案。
说明书应当清楚、客观地写明发明与现有技术相比所具有的有益效果，例如质量、精度或效率的提高，系统内部性能的改善等。如果从用户的角度而言，客观上提升了用户体验，也可以在说明书中进行说明，此时，应当同时说明这种用户体验的提升是如何由构成发明的技术特征，以及与其功能上彼此相互支持、存在相互作用关系的算法特征或商业规则和方法特征共同带来或者产生的。
6.3.2 权利要求书的撰写
包含算法特征或商业规则和方法特征的发明专利申请的权利要求应当以说明书为依据，清楚、简要地限定要求专利保护的范围。权利要求应当记载技术特征以及与技术特征功能上彼此相互支持、存在相互作用关系的算法特征或商业规则和方法特征。
本章其他内容无修改。
本决定自2020年2月1日起施行。


来源：国家知识产权局网站