作者：崔祥 專利代理師、實習律師

隨著人工智能的逐漸興起，創(chuàng)新人員迫切的希望其在人工智能領(lǐng)域具有創(chuàng)造性的智力活動成果通過專利的形式來得到有效的保護。實際上，在中國，與人工智能有關(guān)的專利申請數(shù)量在急劇增長。在人工智能領(lǐng)域，深度學(xué)習（Deep Learning，DL）無疑是實現(xiàn)人工智能的一個重要途徑。因此，對于人工智能領(lǐng)域的專利代理師而言，如何撰寫涉及深度學(xué)習的專利申請的權(quán)利要求顯得尤為重要。

深度學(xué)習是機器學(xué)習的一種，通過建立具有階層結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)，在計算系統(tǒng)中實現(xiàn)人工智能。深度學(xué)習源于且高于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，其核心就是通過深度結(jié)構(gòu)逐層以簡單概念構(gòu)建復(fù)雜概念，自動提取分布式的特征。撰寫這一類的權(quán)利要求時，可以遵循一些基本的原則或步驟，這樣可以避免一些常見的錯誤。

根據(jù)客戶的交底材料中的技術(shù)方案判斷交底中所涉及的深度學(xué)習模型是否是一種常規(guī)的套用。如果交底中的深度學(xué)習模型只是將現(xiàn)有深度學(xué)習模型應(yīng)用于數(shù)據(jù)集，并沒有對該模型作出任何的改進，那么這種深度學(xué)習模型的應(yīng)用就只是一種常規(guī)的套用。針對這種常規(guī)的套用，我們可以不需要關(guān)注該深度學(xué)習模型的結(jié)構(gòu)以及訓(xùn)練過程，只將該模型當作一種黑盒，這種黑盒能夠?qū)斎氲臄?shù)據(jù)集進行處理并且能夠有相應(yīng)的輸出。

此種情況，將權(quán)利要求尤其是獨立權(quán)利要求的撰寫重點放在交底材料中那些與深度學(xué)習模型無關(guān)的真正的創(chuàng)新點。在實際案件處理過程中，往往很多都是屬于這種情況，否則需要進一步判斷深度學(xué)習模型的改進點。

根據(jù)客戶給出的交底材料判斷是否是對模型結(jié)構(gòu)作出了改進。深度學(xué)習模型是一種通過一些深度結(jié)構(gòu)進行逐層抽象，變相的把問題一步一步地簡化的階層模型，結(jié)構(gòu)相對其它的機器學(xué)習模型較為復(fù)雜，具有相對較多的種類，相應(yīng)的對模型結(jié)構(gòu)本身作出改進的空間也較大。

因此，在該模型不屬于常規(guī)的套用的情況下，就需要判斷該模型是否具有結(jié)構(gòu)方面的改進。深度學(xué)習模型的結(jié)構(gòu)具有創(chuàng)新點或者就是一個新的模型結(jié)構(gòu)，則根據(jù)模型的結(jié)構(gòu)來撰寫權(quán)利要求。我們在根據(jù)該深度學(xué)習模型的結(jié)構(gòu)進行撰寫權(quán)利要求時，需要進一步判斷將重點落實在模型訓(xùn)練階段還是模型應(yīng)用階段。

下面通過對比兩個不同階段示例（模型應(yīng)用階段和模型訓(xùn)練階段）來直觀的呈現(xiàn)兩者之間的不同。

模型應(yīng)用階段的獨立權(quán)利要求：一種在車輛中用于使用深度學(xué)習算法在同一網(wǎng)絡(luò)中同時執(zhí)行多個車載感測任務(wù)的處理器實現(xiàn)的方法，所述方法包含：接收來自所述車輛上的傳感器的視覺傳感器數(shù)據(jù)；使用卷積神經(jīng)網(wǎng)絡(luò)中的多個特征層根據(jù)所述視覺傳感器數(shù)據(jù)確定特征組；并且使用所述卷積神經(jīng)網(wǎng)絡(luò)根據(jù)由所述多個特征層確定的所述特征組同時估計檢測到的物體的邊界框、自由空間邊界和檢測到的物體姿態(tài)；其中所述神經(jīng)網(wǎng)絡(luò)包含：多個自由空間估計層，其配置為評估所述特征組以確定所述視覺傳感器數(shù)據(jù)中相對于所述車輛的所述自由空間的邊界并且標記所述邊界；多個物體檢測層，其配置為評估所述特征組以檢測圖像中的物體并估計圍繞所述檢測到的物體的邊界框；以及多個物體姿態(tài)檢測層，其配置為評估所述特征組以估計每個物體的方向。

模型訓(xùn)練階段的獨立權(quán)利要求：一種數(shù)據(jù)分類模型訓(xùn)練方法，其特征在于，包括，采用識別對象通用數(shù)據(jù)集對神經(jīng)網(wǎng)絡(luò)分類模型各個層的參數(shù)值進行訓(xùn)練，獲得第一神經(jīng)網(wǎng)絡(luò)分類模型；采用識別對象實際數(shù)據(jù)集對第一神經(jīng)網(wǎng)絡(luò)分類模型頂部若干層的參數(shù)值進行訓(xùn)練，獲得第二神經(jīng)網(wǎng)絡(luò)分類模型；再次采用所述識別對象實際數(shù)據(jù)集對第二神經(jīng)網(wǎng)絡(luò)分類模型各個層的參數(shù)值進行訓(xùn)練，獲得完成訓(xùn)練的第三神經(jīng)網(wǎng)絡(luò)分類模型；其中，識別對象通用數(shù)據(jù)集中數(shù)據(jù)的類別數(shù)量小于第一類別數(shù)量預(yù)設(shè)值、類別內(nèi)的樣本數(shù)量大于第一類內(nèi)樣本數(shù)預(yù)設(shè)值，識別對象實際數(shù)據(jù)集中數(shù)據(jù)的類別數(shù)量大于第二類別數(shù)量預(yù)設(shè)值，第一類別數(shù)量預(yù)設(shè)值小于第二類別數(shù)量預(yù)設(shè)值。

對比上面兩個不同階段的獨立權(quán)利要求，讀者可以清晰地感受到兩者的不同。模型應(yīng)用階段的示例中，通過應(yīng)用模型得到了具體的輸出；而在模型訓(xùn)練階段的示例中，則是通過訓(xùn)練獲得了多個模型。在撰寫此類權(quán)利要求的過程中，還應(yīng)當注意的是，不能夠?qū)⒛Ｐ蛻?yīng)用階段和模型訓(xùn)練階段雜糅進一個權(quán)利要求中，即要符合單邊撰寫的要求。因為模型應(yīng)用階段的實際執(zhí)行客體和模型訓(xùn)練階段的實際執(zhí)行客體有可能不同。

相應(yīng)地，一份交底材料中的技術(shù)方案既涉及模型訓(xùn)練階段也涉及模型應(yīng)用階段，則可以撰寫兩個不同的獨立權(quán)利要求。我國的專利侵權(quán)的判定遵循全面覆蓋原則，即只有被訴侵權(quán)技術(shù)方案包含與權(quán)利要求記載的全部技術(shù)特征相同或者等同的技術(shù)特征的才會被認定其落入專利權(quán)的保護范圍。如果一個權(quán)利要求中包含了多個實際執(zhí)行客體的話，顯然是增加了專利權(quán)人維權(quán)的實際困難，不利于對技術(shù)方案的全面保護。

在撰寫涉及深度學(xué)習的權(quán)利要求時，應(yīng)當盡可能的詳細清楚，避免出現(xiàn)得不到說明書支持的情況，從而使得審查員能夠確信該專利應(yīng)當被授權(quán)。在實踐中，關(guān)于該領(lǐng)域的權(quán)利要求的撰寫還有許多其它的情況，根據(jù)交底材料的實際內(nèi)容可以做出相應(yīng)的改變，以得到合適的權(quán)利要求，為客戶爭取盡可能多的利益。