作者：車(chē)玲玲 資深專(zhuān)利代理師

一、人工智能技術(shù)整體專(zhuān)利態(tài)勢(shì)

人工智能（AI）正在日益推動(dòng)技術(shù)和商業(yè)的快速發(fā)展。受數(shù)字化大數(shù)據(jù)和快速計(jì)算機(jī)處理能力的推動(dòng)，人工智能從理論領(lǐng)域開(kāi)始轉(zhuǎn)向全球市場(chǎng)，具有潛在的革命性影響。與全球的變化趨勢(shì)相比，近十年來(lái)，在中國(guó)進(jìn)行專(zhuān)利申請(qǐng)的年度增長(zhǎng)率明顯更高，尤其是最近兩年，幾乎呈現(xiàn)直線(xiàn)上升的趨勢(shì)。可見(jiàn)，人工智能的技術(shù)研發(fā)在我國(guó)達(dá)到了空前的熱度，這對(duì)全球申請(qǐng)總量的增長(zhǎng)也起到了極大的促進(jìn)作用。中國(guó)人工智能專(zhuān)利的申請(qǐng)量已全球第一，但中國(guó)人工智能專(zhuān)利的授權(quán)率一直不高，明顯低于美國(guó)、日本、歐洲、以色列。美國(guó)在2014年的Alice案之后提高了人工智能專(zhuān)利的授權(quán)門(mén)檻，歐洲降低了人工智能專(zhuān)利申請(qǐng)的審查標(biāo)準(zhǔn)，中國(guó)放寬了人工智能專(zhuān)利申請(qǐng)的審查要求。舊的人工智能專(zhuān)利撰寫(xiě)方式，在美國(guó)容易被認(rèn)為是“抽象概念”、“純數(shù)學(xué)范疇”；在歐洲常常被認(rèn)為“缺乏技術(shù)手段”；而在中國(guó)被冠以“智力活動(dòng)的規(guī)則”。在當(dāng)前的審查形式下，需要改變專(zhuān)利撰寫(xiě)方式，多采用結(jié)構(gòu)屬性方式去撰寫(xiě)，解決了專(zhuān)利保護(hù)客體問(wèn)題，自身的創(chuàng)造性一般是沒(méi)有問(wèn)題的，授權(quán)率自然就提高。

二、KIPO公布的人工智能（AI）相關(guān)領(lǐng)域?qū)＠麑彶槭纠?

韓國(guó)專(zhuān)利局（KIPO）于2020年4月14公布了人工智能（AI）相關(guān)領(lǐng)域?qū)＠麑彶槭纠?，以幫助業(yè)界申請(qǐng)AI相關(guān)發(fā)明并提高AI相關(guān)申請(qǐng)的審查結(jié)果的可預(yù)測(cè)性。在此筆者通過(guò)其中兩個(gè)示例向大家介紹一下韓國(guó)對(duì)于AI相關(guān)領(lǐng)域?qū)彶榈淖钚聞?dòng)向。

這里說(shuō)明的是基于機(jī)器學(xué)習(xí)的人工智能（AI）相關(guān)發(fā)明的審查示例?；跈C(jī)器學(xué)習(xí)的AI相關(guān)發(fā)明是，以通過(guò)AI學(xué)習(xí)來(lái)執(zhí)行特定功能為特點(diǎn)的計(jì)算機(jī)軟件相關(guān)發(fā)明，分為AI學(xué)習(xí)建模發(fā)明和AI應(yīng)用發(fā)明。

三、具體示例

示例1：利用機(jī)器學(xué)習(xí)的住宅溫度自動(dòng)控制系統(tǒng)

【權(quán)利要求1】一種利用機(jī)器學(xué)習(xí)的住宅溫度自動(dòng)控制系統(tǒng)，包括：存儲(chǔ)單元，存儲(chǔ)以往的每日的氣象信息以及住宅的溫度控制信息；學(xué)習(xí)模型生成單元，生成機(jī)器學(xué)習(xí)模型，該機(jī)器學(xué)習(xí)模型使用存儲(chǔ)在存儲(chǔ)單元中的溫度、濕度、風(fēng)速、云量和細(xì)塵濃度信息中的至少一個(gè)以上的每日的氣象信息和住宅的溫度控制信息作為學(xué)習(xí)數(shù)據(jù)；收集單元，從氣象局服務(wù)器收集溫度、濕度、風(fēng)速、云量和細(xì)塵濃度信息中的至少一個(gè)以上的當(dāng)前氣象信息；以及輸出單元，通過(guò)使用根據(jù)學(xué)習(xí)模型生成單元生成的機(jī)器學(xué)習(xí)模型，輸出根據(jù)輸入到所述收集單元的當(dāng)前氣象信息來(lái)預(yù)測(cè)出的住宅的溫度自動(dòng)控制信息。

【說(shuō)明書(shū)的內(nèi)容】（概要）本發(fā)明的一個(gè)目的是通過(guò)利用氣象信息與住宅的溫度之間的相關(guān)關(guān)系來(lái)自動(dòng)控制住宅的溫度。本發(fā)明具有通過(guò)使用從氣象局服務(wù)器收集的每日氣象信息和住宅溫度控制信息作為學(xué)習(xí)數(shù)據(jù)，并使用機(jī)器學(xué)習(xí)模型，來(lái)輸出住宅的自動(dòng)溫度控制信息，并降低住宅的能源使用成本的效果。本發(fā)明的機(jī)器學(xué)習(xí)模型可以使用人工神經(jīng)網(wǎng)絡(luò)（ANN）作為已知的機(jī)器學(xué)習(xí)模型。作為一個(gè)具體實(shí)施例，住宅的自動(dòng)溫度控制系統(tǒng)將從氣象局服務(wù)器收集的當(dāng)前氣象信息的溫度數(shù)據(jù)與過(guò)去的每日氣象信息的溫度數(shù)據(jù)進(jìn)行比較，但是使用機(jī)器學(xué)習(xí)模型，輸出根據(jù)當(dāng)前溫度數(shù)據(jù)所預(yù)測(cè)的住宅的溫度自動(dòng)控制信息。

【結(jié)論】

1、說(shuō)明書(shū)公開(kāi)不充分，無(wú)法實(shí)施。

2、權(quán)利要求1的發(fā)明得不到說(shuō)明書(shū)的支持。

【結(jié)論1的理由（第42條第3款第1項(xiàng)）】在本發(fā)明的說(shuō)明書(shū)中，僅描述了一些輸入數(shù)據(jù)（溫度、濕度信息）與訓(xùn)練模型的輸出數(shù)據(jù)（自動(dòng)控制住宅溫度的信息）之間的相關(guān)性，而并未描述其他輸入數(shù)據(jù)（風(fēng)速、云量和細(xì)塵濃度信息）與訓(xùn)練模型的輸出數(shù)據(jù)之間的相關(guān)性。如果未具體描述輸入數(shù)據(jù)和訓(xùn)練模型的輸出數(shù)據(jù)之間的相關(guān)性，則很難說(shuō)說(shuō)明書(shū)清楚、詳細(xì)地記載為本領(lǐng)域技術(shù)人員能夠容易地使用技術(shù)相關(guān)性來(lái)進(jìn)行信息處理。當(dāng)然，如果本領(lǐng)域技術(shù)人員能夠應(yīng)用申請(qǐng)時(shí)的技術(shù)常識(shí)或在本發(fā)明的說(shuō)明書(shū)中描述的實(shí)施例來(lái)估計(jì)（理解）相關(guān)性，則屬于例外情形。

然而，在本發(fā)明的說(shuō)明書(shū)中，未具體描述細(xì)塵濃度數(shù)據(jù)和用于自動(dòng)控制住宅的溫度的信息之間的相關(guān)性，并且對(duì)于本領(lǐng)域技術(shù)人員而言，從申請(qǐng)時(shí)的技術(shù)常識(shí)來(lái)看，細(xì)塵濃度數(shù)據(jù)和用于自動(dòng)控制住宅的溫度的信息之間存在某種相關(guān)性并非是顯而易見(jiàn)的。另外，本發(fā)明的說(shuō)明書(shū)中未提供根據(jù)細(xì)粉塵濃度信息來(lái)自動(dòng)控制住宅的溫度的實(shí)施例（實(shí)驗(yàn)例），因而很難說(shuō)說(shuō)明書(shū)的記載滿(mǎn)足可實(shí)施要件。因此，可以確定說(shuō)明書(shū)沒(méi)有以清楚和詳細(xì)的方式描述本發(fā)明，以使本領(lǐng)域技術(shù)人員可以根據(jù)申請(qǐng)時(shí)的技術(shù)常識(shí)、說(shuō)明書(shū)和附圖容易地實(shí)施本發(fā)明。

【結(jié)論2的理由（第42條第4款第1項(xiàng)）】在權(quán)利要求1的發(fā)明中，以特征結(jié)構(gòu)描述了一種學(xué)習(xí)模型生成單元，該學(xué)習(xí)模型生成單元用于使用氣象信息（溫度、濕度、風(fēng)速、云量和細(xì)塵濃度信息）和住宅溫度控制信息作為學(xué)習(xí)數(shù)據(jù)來(lái)生成機(jī)器學(xué)習(xí)模型。然而，在本發(fā)明的說(shuō)明書(shū)中，作為與上述學(xué)習(xí)模型生成單元對(duì)應(yīng)的具體結(jié)構(gòu)，僅描述了使用溫度和濕度信息作為學(xué)習(xí)數(shù)據(jù)的學(xué)習(xí)模型生成單元，并未描述使用微塵濃度信息作為學(xué)習(xí)數(shù)據(jù)的學(xué)習(xí)模型生成單元，即使考慮了申請(qǐng)時(shí)的技術(shù)常識(shí)，也不能將其視為是顯而易見(jiàn)的。因此，在本發(fā)明的說(shuō)明書(shū)中沒(méi)有描述與權(quán)利要求1的發(fā)明相對(duì)應(yīng)的具體結(jié)構(gòu)，并且相比于申請(qǐng)時(shí)的技術(shù)常識(shí)，屬于無(wú)法將本發(fā)明的說(shuō)明書(shū)中描述的內(nèi)容擴(kuò)展或普遍化到要求保護(hù)的發(fā)明的整個(gè)范圍（包括細(xì)塵信息的氣象信息）的情形，因此可以認(rèn)為權(quán)利要求1的發(fā)明得不到說(shuō)明書(shū)的支持。

示例2：城市交通速度預(yù)測(cè)系統(tǒng)

【權(quán)利要求1】一種城市交通速度預(yù)測(cè)系統(tǒng)，包括：

信息提取單元，用于提取與每個(gè)時(shí)間段的交通量的變化、地理信息、天氣信息和施工信息有關(guān)的歷史記錄信息；

模型構(gòu)建單元，根據(jù)提取的歷史記錄信息來(lái)生成道路圖案向量之后，執(zhí)行ANN（人工神經(jīng)網(wǎng)絡(luò)）學(xué)習(xí)以找出道路圖案與路段的平均速度之間的函數(shù)關(guān)系；和交通預(yù)測(cè)單元，通過(guò)使用與預(yù)測(cè)用輸入圖案向量的所屬簇相對(duì)應(yīng)的局部ANN來(lái)預(yù)測(cè)路段的平均速度，

所述模型構(gòu)建單元包括：輸入圖案向量生成單元，通過(guò)將提取的歷史記錄信息與對(duì)應(yīng)道路的檢測(cè)信息結(jié)合來(lái)生成輸入圖案向量；數(shù)據(jù)劃分單元，通過(guò)對(duì)輸入圖案向量的數(shù)據(jù)集進(jìn)行聚類(lèi)，通過(guò)劃分相似圖案的數(shù)據(jù)集群來(lái)估計(jì)晶格結(jié)構(gòu)的簇，并生成估計(jì)簇的范圍；ANN學(xué)習(xí)單元，其對(duì)每個(gè)估計(jì)簇中的輸入圖案向量分別進(jìn)行ANN學(xué)習(xí)；以及模型結(jié)構(gòu)DB，用于存儲(chǔ)由數(shù)據(jù)分割單元生成的估計(jì)簇的范圍信息和在ANN學(xué)習(xí)單元中對(duì)每個(gè)簇的輸入圖案向量分別進(jìn)行學(xué)習(xí)的ANN。

【申請(qǐng)時(shí)的技術(shù)常識(shí)】人工神經(jīng)網(wǎng)絡(luò)（ANN）與多層感知器(MLP)之間雖然存在術(shù)語(yǔ)表述上的差異，但兩者的技術(shù)實(shí)質(zhì)上相同。

【對(duì)比文件1】涉及一種基于多層感知器（MLP）的交通量預(yù)測(cè)方法，在交通繁忙的城市地區(qū)，基于影響交通擁堵的時(shí)間因素（例如星期幾，時(shí)間信息，有無(wú)降水，占用，交通量，車(chē)道流入/流出量，交叉路口和人行橫道的數(shù)量，公交車(chē)站信息，施工信息等）和路段環(huán)境的各種因素，利用神經(jīng)網(wǎng)絡(luò)算法來(lái)預(yù)測(cè)市中心路段的交通擁堵。本發(fā)明由多層感知器結(jié)構(gòu)組成，為了預(yù)測(cè)每小時(shí)的平均速度，選擇影響交通擁堵的各種因素作為輸入變量，并且選擇交通量作為輸出變量。收集包括日特征，時(shí)間特征，交通量，占用率，施工區(qū)間和有無(wú)降水中的至少一項(xiàng)的輸入數(shù)據(jù)，并且基于所收集的數(shù)據(jù)執(zhí)行預(yù)處理。確定預(yù)處理數(shù)據(jù)的學(xué)習(xí)條件和學(xué)習(xí)終止條件。預(yù)處理過(guò)程是在構(gòu)建神經(jīng)網(wǎng)絡(luò)算法之前，對(duì)與交通量相關(guān)的輸入變量進(jìn)行標(biāo)準(zhǔn)化并刪除不必要的信息的過(guò)程。多層感知器的初始權(quán)重是隨機(jī)設(shè)置的，最終權(quán)重由反向傳播算法確定并經(jīng)過(guò)訓(xùn)練。

【結(jié)論】權(quán)利要求1的發(fā)明相對(duì)于對(duì)比文件具備創(chuàng)造性。

【判斷理由】共同點(diǎn)：權(quán)利要求1與對(duì)比文件的發(fā)明目的、以及在交通信息預(yù)測(cè)機(jī)器學(xué)習(xí)中使用的包括每個(gè)時(shí)間段的交通量信息、地理信息、天氣信息和施工信息的學(xué)習(xí)數(shù)據(jù)實(shí)質(zhì)上相同。不同點(diǎn)：學(xué)習(xí)模型（對(duì)于學(xué)習(xí)數(shù)據(jù)的加工（預(yù)處理）和人工神經(jīng)網(wǎng)絡(luò)的配置方式）不同。對(duì)于區(qū)別的判斷：盡管對(duì)比文件中公開(kāi)了使用基于多層感知器（MLP）的學(xué)習(xí)模型來(lái)預(yù)測(cè)交通量，但是未描述用于對(duì)輸入圖案數(shù)據(jù)進(jìn)行聚類(lèi)或針對(duì)每個(gè)簇訓(xùn)練單獨(dú)的局部人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。本領(lǐng)域技術(shù)人員根據(jù)對(duì)比文件所公開(kāi)的對(duì)輸入變量進(jìn)行標(biāo)準(zhǔn)化并刪除不必要的信息的預(yù)處理過(guò)程，難以容易地得出權(quán)利要求1中的對(duì)輸入圖案數(shù)據(jù)進(jìn)行聚類(lèi)或針對(duì)每個(gè)簇訓(xùn)練單獨(dú)的局部人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。就效果而言，可以通過(guò)與所屬簇相對(duì)應(yīng)的局部ANN，更準(zhǔn)確地預(yù)測(cè)出特定路段的平均速度。因此，本領(lǐng)域普通技術(shù)人員不能從所引用的發(fā)明容易地實(shí)施，因此可以認(rèn)為權(quán)利要求1的發(fā)明是具備創(chuàng)造性的。

四、小結(jié)

本文通過(guò)韓國(guó)最新公布的人工智能（AI）相關(guān)領(lǐng)域?qū)＠麑彶槭纠榻B了韓國(guó)審查的最新動(dòng)向，希望能夠給大家提供一些啟示。