瑞途原创 | 浅谈AI领域涉及神经网络模型的专利权利要求的撰写策略

（本文约3700字，阅读约需6分钟。）

引言

人工智能（Artificial Intelligence，AI）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，与基因工程、纳米科学并称为二十一世纪三大尖端技术[1]。人工智能（AI）正推动着技术的发展，从自动驾驶汽车到医疗诊断，再到智能制造，很多领域都能看到人工智能的影子。同时，各国对人工智能也越来越重视，人工智能领域的专利数量逐年提升。

联合国世界知识产权组织WIPO发布了首份《2019技术趋势——人工智能报告》（WIPO Technology Trends 2019 – ArtificialIntelligence）。报告显示，自20世纪50年代人工智能出现以来至2016年，科研人员已提交超过34万份人工智能发明专利申请，发表的科学出版物超过160万篇（部）。而这其中的专利超过半数是2013年以后公开的。其中在国别专利总申请量方面，美国、中国、日本排在前三位[2]。

国家知识产权局知识产权出版社i智库日前发布的《中国人工智能专利价值及竞争力报告》指出，中国人工智能专利申请量正处于快速发展时期。报告显示，截至2019年11月，人工智能领域中国专利授权量为2.5431万件，中国申请人的授权量占比为81%[3]。

针对AI领域层出不穷的技术成果，如何进行高质量的专利申请，也日益成为业界关注的热点问题。

技术背景简介

在AI领域，大多数的专利都会涉及到神经网络模型，例如CNN、RNN模型等，在利用神经网络模型解决具体的问题时，主要是先通过样本数据对神经网络模型进行训练，使得神经网络模型能够通过训练掌握数据中所蕴含的规律，然后利用训练好的模型进行预测、识别、分类等操作。因此，在利用神经网络模型时，涉及两个阶段：模型的训练阶段和模型的应用阶段。

模型的训练是为了得到最优的模型，因此在模型的训练阶段会涉及数据的筛选、模型内部结构变化、选择优化算法等，例如在做深度学习时，很重要的问题就是调参，当神经网络的基本结构确定后，如何确定模型参数就是一个很重要的问题。在调参过程中，需要调的参数包括很多，例如：神经网络的层数、每层神经元的个数、如何初始化Weights和biases等。

模型的应用是利用神经网络模型解决具体问题的过程，生活中有很多常见的例子，例如上班时人脸打卡，使用共享单车时手机扫描等，可以说，应用神经网络模型的例子比比皆是。模型的应用阶段会涉及数据采集、特征提取、模型结构的改变、模型的组合、模型输出结果的应用等[4]。

因此模型的训练和模型应用是相对独立但又相互重合，因为在应用神经网络模型处理问题的时候，必须先对模型进行训练，然后才能应用。

权利要求搭建基本思路

在撰写涉及神经网络模型的专利时，必须根据交底材料的具体情况，确定侧重点。通常需考虑两个问题：

（1）技术方案是对模型的套用还是对模型进行了改进，或者说是提出了一种全新的模型；

（2）若技术方案对模型进行了改进，那么技术方案中，侧重点是应用模型解决特定的技术问题，还是通过模型训练，提高训练模型的速度或是得到更优的模型。

下面针对以上两种情况进行具体说明。

（一）技术方案中简单套用神经网络模型

当技术方案只是直接将现有的神经网络模型应用于特定领域的数据集，利用该特定领域的数据集训练得到符合需求的模型，而并没有对神经网络模型本身进行改进，那么可以认为是对模型的简单的套用。例如常用的卷积神经网络模型VGG、MobileNet、ResNet、DenseNet等，对于这些常用神经网络模型，其网络结构基本是不变的，只是单纯的将这些模型应用于特定的领域，然后利用该领域的数据对模型进行训练，使模型学习数据中蕴含的特定规律，最后用训练好的模型进行预测或分类等。

对于这类简单的套用，模型本身并不是技术方案中具有创造性的部分，具有创造性部分体现在模型的应用上[5]。因此，对于这种情况，可以简单的将网络模型比作一个黑盒子，当输入特定的数据，就能输出相应的结果，在撰写权利要求时，无需纠结网络模型的内部结构以及其训练过程。此时，在撰写独立权利要求时，应将侧重点多放在与模型无关的部分，例如图像中特征的标记等，如果模型的训练过程中对解决技术问题有一定影响，可以将模型的训练过程作为从属权利要求。

案例1（CN10677861B）

在该专利中，创新点并不在于神经网络模型的改进。虽然，独立权利要求中提及的第一人脸的图像特征以及第二人脸的图像特征均是利用神经网络模型得到的，但在其独立权利要求中，侧重点均放在了与神经网络模型无关的操作中。因为这种情况，只是将神经网络模型作为一个用于特征提取的工具，并不涉及神经网络模型的改进，技术方案只是对于神经网络模型的简单套用，模型以及其训练过程对于本领域技术人员都是公知的，因此在撰写权利要求时，侧重点放在了应用模型完成具体的操作，而没有涉及网络模型的内部结构以及模型训练过程。诚然，发明人在利用神经网络提取特征时，也必定考虑了神经网络模型本身，但是，由于神经网络本身不是专利的创新点，因此在撰写权利要求时，侧重点与神经网络模型无关。

（二）技术方案中对神经网络模型进行了改进

对于AI领域的很多专利，神经网络模型的改进就是该技术方案的创新点，或者说，该技术方案中涉及的就是一种新的网络模型结构，那么确定技术方案中的创新点时，不能简单地认为是对神经网络模型的单纯套用。撰写权利要求过程中，需要将侧重点放在神经网络模型的改进或者构建上。例如，很多常用的卷积神经网络模型中卷积层通常采用的是普通的卷积形式，而很多技术方案中，为了提高模型的泛化能力，采用了深度可分离卷积替换原神经网路模型中的普通的卷积层，因此神经网络模型的结构发生了变化，那么在撰写权利要求时，需要有所体现。

当对模型进行改进时，根据模型结构撰写权利要求时，需要考虑模型训练阶段和模型应用阶段，但侧重点是放在模型的训练阶段还是应用阶段呢？这需要根据技术方案进行具体分析。

在目前多数的这类专利中，是利用改进的或者新构建的网络模型解决特定领域的问题，对于这类技术方案，一般是将侧重点放在模型的应用阶段；而对于一些是为了提高模型的训练效率或者是得到更好的模型的技术方案，这时侧重点会落在模型的训练阶段上。

案例2(CN104680508B)

该专利中，构建了一个新的用于目标物体检测的卷积神经网络模型，其创新点就在于该神经网络模型，因此在撰写权利要求时，侧重点在于模型的应用阶段。

案例3(CN106778682B)

该专利是通过模型训练以得到更好的神经网络模型，在训练模型的过程中，神经网络模型的参数不断的变化，通过训练策略，得到更新后的神经网络模型。因此，该专利侧重于通过训练得到更新后的模型，而非与应用模型解决特定领域的问题，故在撰写权利要求时，侧重点放在了模型训练阶段。

权利要求拓展

从上述案例2和案例3中，可以很直观的看到，当创新点侧重于模型的应用阶段时，多是利用模型解决特定的问题或利用模型完成特定的操作，而当创新点侧重于模型的训练阶段时，则是为了得到理想的模型。

因此，在撰写权利要求时，如果技术方案中既包括模型的训练阶段也包括模型的应用阶段，模型的应用阶段以及训练阶段都是发明的创新点时，可以考虑构建两个独立权利要求。如果发明的创新点体现在模型的应用阶段，模型的训练只是现有技术，或者是现有技术的简单组合，或是对模型的应用阶段起到辅助作用且创造性不是很明显，可以将模型的训练阶段列入从属权利中。

案例4（CN108038474B）

该案例中构建了两个独立权利要求，权利要求1是利用神经网络模型进行人脸检测，并且其创新点也是如何利用神经网络模型进行人脸检测，因此，在构建权利要求1时侧重于模型的应用阶段。而独立权利要求5的目的是为了得到理想的神经网络模型，并且模型的训练过程不属于现有技术，而是发明人的创新点，因此独立权利要求5侧重于模型的训练阶段。由于模型的应用和训练都属于该专利的创新点，因此，可以构建两个独立权利要求。

案例5（CN106650699B）

该案例中，创新点体现在神经网络模型的应用阶段，因此构建独立权利要求时，侧重点放在了模型的应用阶段，但是模型的训练对于提高模型应用阶段起到了辅助作用，并且在模型的训练阶段中，又存在具有创新点的操作处理，但是相对于模型的应用阶段，模型的训练阶段的创新度又明显偏弱，因此在构建权利要求时，将模型的训练阶段放在了从属权利中。

通常情况下，模型的应用阶段和训练阶段不会放在同一个独立权利要求中，但也有例外情形，例如模型训练和模型应用分割开后都是现有技术，当单独构建独立权利要求时，创造性明显不足，那么就需要将模型训练和模型应用放到一起来写，以突出创新点。

案例6（CN107392896）

该专利中，模型的应用阶段在于利用训练好的VGG16模型进行检测识别木材图像的缺陷，而训练阶段，则是通过对训练集中的图像进行预处理，利用ADAM算法对模型做最速下降优化，完成对模型的训练。如果将模型的应用阶段和训练阶段割裂开，可以发现，应用阶段和训练阶段均是现有技术，因此这种情况下，可以将模型应用和模型训练放在一个独立权利要求中，以突出创造性。

结语

在撰写涉及神经网络专利申请的权利要求时，应该充分的理解技术方案的内容，确定技术方案的创新点，才能搭建出更能实现有效保护的专利权利要求，并且在撰写权利要求时，构建的方式也不完全是绝对的，需要具体情况具体分析。

参考文献：

[1]百度百科. 人工智能，https://baike.baidu.com/item/人工智能/9180?fr=aladdin.

[2]东西智库. 《2019年WIPO技术趋势——人工智能》, https://www.dx2025.com/archives/28145.html.

[3]何可. 《中国人工智能专利申请量逾2.5万件》,中国质量报，http://www.cqn.com.cn/zgzlb/content/2020-01/07/content_7997344.htm

[4]华进知识产权.《AI这么火，那么专利申请文件怎么撰写？》, https://biaotianxia.com/article/4941.html.

[5]崔祥.《浅谈AI领域涉及深度学习专利权利要求的撰写策略》,https://www.sohu.com/a/318986523_99902024.