算法的专利保护之道
算法的专利保护之道
随着人工智能技术和大数据产业的迅猛发展，算法日益成为越来越多的新兴高科技企业的核心竞争力。如何对算法进行专利保护成为企业界和知识产权领域的热点问题。本文结合我国最新的专利审查规则以及诸多相关案例，试对算法的专利保护问题进行梳理。
一、算法可以得到专利保护吗？
目前对包含算法特征的专利申请，申请人往往存在认识上的误区。
误区一：算法不能申请专利
一种观点认为算法不能申请专利。这种观点的由来要追溯到1985年版审查指南，其中直接排除计算机软件发明被授予专利权的可能。但是，在1993年版审查指南中，已经开始考虑计算机软件与硬件结合的情况，承认软件辅助、从属的地位，如果算法与计算机硬件结合，具有得到专利授权的可能。在后续的多次修改中，逐渐放宽了对涉及计算机程序的专利申请的审查标准。在最新的2023版审查指南中，第二部分第九章第6节是“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”，对算法相关专利申请给出了具体的审查标准。也就是说，算法可以得到专利保护。
误区二：只要是算法，都可以得到专利保护
专利法第二十五条规定，对智力活动的规则和方法，不授予专利权。
专利审查指南中对于智力活动的规则和方法给出了示例，其中明确包括“计算机程序本身”。
计算机领域有一个著名的公式：程序=算法+数据结构，该公式的提出者是被称作帕斯卡Pascal（编程语言）之父的尼克劳斯·沃思，沃思获得了1984年图灵奖，是一位数学和计算机行业的“大神”。计算机程序本身不能作为专利保护客体，作为程序核心的算法本身自然也难以被专利保护。
小结：算法+技术特征=专利保护客体
2023版专利审查指南规定：如果一项权利要求仅仅涉及智力活动的规则和方法，则不应当被授予专利权；如果一项权利要求中既包含智力活动的规则和方法的内容，又包含技术特征，则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，不应当依据专利法第二十五条排除其获得专利权的可能性。
因此，算法可以得到专利保护，但是必须与技术特征相伴。
二、算法属于专利保护客体的类型
2023版《专利审查指南》给出三种类型包含算法的方案，可以得到专利保护。
类型（一）：
“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”。
下面通过几个实际案例分析类型（一）。
实例1：依据高炉炉况调整喷吹用混合煤粉中配加兰炭数量的方法
权利要求1：一种依据高炉炉况调整喷吹用混合煤粉中配加兰炭数量的方法，其特征在于采用如下方法进行调整喷吹用混合煤粉中添加兰炭数量计算：LT＝A+k1×FW+k2×FYL+k3×HFF+k4×PCI 公式中符号：LT为吨铁喷吹煤粉量中兰炭配加数量，kg/t；A为常数，取值71～74，kg/t；k1为系数，kg/(t•℃)，FW为高炉鼓风温度，℃；k2为系数，kg/t，FYL为鼓风中富氧率，％；k3为系数，kg/t，HFF为喷吹煤粉中挥发分含量，％；k4为系数，PCI为喷吹煤比，kg/t；k1取值-0.155～-0.164；k2取值2672～2737；k3取值160～168；k4取值0.351～0.359；FW取值800～1350℃；FYL取值0％～8.0％；HFF取值8.0％～35.0％；PCI取值60～240kg/t。
原审查部门认为权利要求为智力活动的规则和方法，不属于专利保护客体，予以驳回。具体理由为：
本申请要求保护的方法根据喷吹煤粉中的挥发分（产品的特点），通过人为设定出操作工艺中的参数：高炉鼓风温度、鼓入热风温度中富氧率、喷吹煤比，利用上述高炉冶炼过程中的各种参数通过数学计算的方式计算获得兰炭的配加量；其参数之间相互的关系以及系数的调整均是人为通过生产实践进行规定的，是一种指导人们面对高炉冶炼众多参数进行调整的一种思维和判断的方法。
申请人不服驳回决定，请求复审，合议组认为：
方案中高炉鼓风温度、鼓风中富氧率、喷吹煤比、喷吹煤粉中的挥发分含量均为具有实际意义的技术参数。由此可见，权利要求1包含了技术特征，不是人为主观制定的单纯的智力活动的规则和方法，不属于专利法第25条第1款第（二）项规定的不授予专利权的情形。
可见，合议组的判断标准符合类型（一），即算法（公式）处理的数据具有特定的技术含义，属于技术特征，整体方案为技术方案，不属于专利法第25条第1款第（二）项规定的情形。
实例2：用于大规模数据标定的迁移学习方法及系统
权利要求1为：
一种用于大规模数据标定的迁移学习方法，包括：
步骤a)利用基于已标定的源域数据训练的至少两个分类器分别对待标定的目标域数据进行标定，对于所述至少两个分类器的标定结果，采用大多数投票准则将标定结果取得一致的所述目标域数据组成候选集，其余目标域数据构成余部；
步骤b)对于源域数据和候选集的目标域数据，分别将数据按其标定进行分组，将具有相同标定的源域数据组和目标域数据组变换至同一空间使得变换后的源域数据组和目标域数据组满足相同分布，并将变换后得到的各源域数据组和目标域数据组分别归并成新源域和新候选集；
步骤c)基于在新源域上训练的分类器对新候选集中的目标域数据进行标定，并利用新候选集中各数据的标定结果更新对未经变换的候选集中各数据的标定；
步骤d)基于经更新标定后的候选集训练分类器，并利用该分类器完成对余部中目标数据的标定。
原审查部门认为权利要求为智力活动的规则和方法，不属于专利保护客体，予以驳回。驳回意见为：
该解决方案不涉及任何应用领域，其中处理的源域数据以及目标域数据都是抽象的通用数据，上述方法并未应用于具体的领域，解决具体的技术问题，该方法中的输入输出并未限定具体技术领域的具体物理参数，且该方法涉及的参数也未应用于具体的领域，不具有相应的物理含义。具体而言，利用训练的分类器对按照一定规则选出的候选集中的目标域数据进行标定，以及利用更新后的分类器对余下的目标数据进行标定等处理过程是一系列抽象的数学方法步骤，该迁移学习方法的处理对象、过程和结果都不涉及与具体应用领域的结合，仅是抽象的数据标定方法，属于对抽象的数学方法本身的优化，因此属于专利法第25 条第1 款第（2）项规定的智力活动的规则和方法，不属于专利保护客体。
申请人提交复审请求，认为：
本申请方案并非是按照人为制定的规则来对数据进行标定，而是利用已标定数据内在的客观规律对于未标定数据进行处理，对于给定的源域和目标域数据，其标定结果是可重复的，本申请的手段不属于智力活动的规则和方法。
合议组认为：
本申请的处理对象为大规模通用数据，不具有任何物理含义/技术含义，无法体现与任何具体技术领域（如人脸识别、自动驾驶领域）的适用与关联，通用数据之间也不能反映任何具有技术含义上的客观规律，其处理结果的可重复性是由于算法本身设定了相应的运算规则，但算法是源于人的思维，经过推理、分析和判断产生出抽象的结果，并没有遵循自然规律，不构成技术手段。
申请人后来修改了权利要求书，添加技术特征：
“其中所述源域数据为人身体的一个部位对应的行为数据和标记；所述目标域数据为人身体的另一部位对应的行为数据”。
针对该修改，合议组认为：
本申请权利要求1限定的大规模数据标定的迁移学习方法和人体动作识别技术领域相结合，处理的源域数据和目标域数据是人体动作识别技术领域的技术数据，具有客观的技术含义，从而限定的不再是抽象的数据标定算法。
合议组的判断标准与类型（一）一致，通过修改将抽象的数据与具体的应用领域关联，使数据具有特定的技术含义，从而克服了不属于专利保护客体的问题。
实例3：一种包括实现为人工神经元的关联存储器的用于神经形态图压缩的计算机系统
权利要求1. 一种包括实现为人工神经元的关联存储器的用于神经形态图压缩的计算机系统，其包括：多个树突，所述多个树突中的树突包括多个树突隔室，其中树突隔室中的相应一个与多个输入中的相应一个唯一地相关联，每个树突隔室包括对应于突触激活强度的第一权重值以及对应于相应树突隔室对其它激活的接收性的第二权重值；多个树突隔室从作为树突的远端梢的顶点到作为树突的近端处的胞体被线性布置；其中具有为零的接收性值的树突隔室被配置成将来自所述多个树突隔室中更远端的一个树突隔室的激活输入作为激活输出而电子地传输到所述多个树突隔室中更近端的一个；其中电子地传输激活输入包括立即地传输激活输入而没有顺序闩锁。
审查部门的驳回理由是不属于专利保护客体：
权利要求1所解决的问题是现有神经网络中树突无法有效计算重合的问题，采样的方法是：其中具有为零的接收性值的树突隔室被配置成将来自所述多个树突隔室中更远端的一个树突隔室的激活输入作为激活输出而电子地传输到所述多个树突隔室中更近端的一个；其中电子地传输激活输入包括立即地传输激活输入而没有顺序闩锁。由此可知，其所要解决的并不是专利法意义上的技术问题，其所要达到的效果并不是专利法意义上的技术效果，并且所采用的手段是神经网络本身的改进的手段，该手段不是专利法意义上的技术手段，不符合专利法第2条第2款的规定。
申请人提交复审后，合议组基于说明书对权利要求1进行了解释，其中的多个树突、多个树突隔室限定的是存储器的构造，而且限定了存储器执行激活输入的方式，因此，权利要求1的方案限定的是存储器的构造，属于技术特征。
类型（二）：
如果权利要求的解决方案涉及深度学习、分类、聚类等人工智能、大数据算法的改进，该算法与计算机系统的内部结构存在特定技术关联，能够解决如何提升硬件运算效率或执行效果的技术问题，包括减少数据存储量、减少数据传输量、提高硬件处理速度等，从而获得符合自然规律的计算机系统内部性能改进的技术效果，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。
示例：
权利要求 1
一种深度神经网络模型的训练方法，包括：
当训练数据的大小发生改变时，针对改变后的训练数据，分别计算所述改变后的训练数据在预设的候选训练方案中的训练耗时；
从预设的候选训练方案中选取训练耗时最小的训练方案作为所述改变后的训练数据的最佳训练方案，所述候选训练方案包括单处理器训练方案和基于数据并行的多处理器训练方案；
将所述改变后的训练数据在所述最佳训练方案中进行模型训练。
分析及结论：
示例的方案涉及的数据为抽象的训练数据，难以判定其确切的技术含义，但是，示例的方案中选择适配具有不同处理效率的单处理器训练方案或多处理器训练方案，该模型训练方法与计算机系统的内部结构存在特定技术关联，提升了训练过程中硬件的执行效果，从而符合类型（二），属于专利保护的客体。
类型（三）：
如果权利要求的解决方案处理的是具体应用领域的大数据，利用分类、聚类、回归分析、神经网络等挖掘数据中符合自然规律的内在关联关系，据此解决如何提升具体应用领域大数据分析可靠性或精确性的技术问题，并获得相应的技术效果，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。
示例：
一种电子券使用倾向度的分析方法，其特征在于，包括：
根据电子券的信息对电子券进行归类以得到电子券种类；
根据电子券的应用场景获取用户样本数据；
根据用户行为，从所述用户样本数据中提取用户行为特征，所述用户行为包括：浏览网页、搜索关键词、加关注、加入购物车、购买以及使用电子券；
以用户样本数据作为训练样本，以用户行为特征作为属性标签，针对不同种类的电子券来训练电子券使用倾向度识别模型；
通过训练后的电子券使用倾向度识别模型对电子券的被使用概率进行预测，得到用户对于不同种类电子券的使用倾向度。
分析及结论：
该解决方案涉及一种电子券使用倾向度的分析方法，该方法处理的是电子券相关的大数据，通过对电子券进行归类、获取样本数据、确定行为特征及进行模型训练，挖掘出用户行为特征与电子券使用倾向度之间的内在关联关系。其中算法处理的数据为电子券信息、电子券种类、用户样本数据等，难以判断其确切技术含义，不易匹配类型（一）；也没有与计算机系统的内部结构存在特定技术关联，从而提升训练过程中硬件的执行效果，不匹配类型（二）；但是，该示例的方案解决了如何提升分析用户对电子券使用倾向度的精确性的技术问题，因此符合类型（三），属于专利保护客体。
三、算法获得专利保护的基本申请策略
通过上述分析，对包含算法的发明专利申请，可以从上述三种属于专利保护客体的类型的角度考虑申请策略：
（一）在权利要求中明确算法涉及的具体技术领域，处理的数据具有特定技术含义，以满足类型（一）；
（二）如果不能满足类型（一）的情形，但算法为人工智能或大数据领域，可以考虑算法是否与计算机硬件关联，解决如何提升硬件运算效率或执行效果的技术问题，以满足类型（二）；
（三）如果不能满足类型（一）和（二）的情形，还可以从算法是否解决了大数据分析可靠性或精确性的技术问题，以满足类型（三）。
综上所属，算法的可专利性问题是一个值得持续关注和研究的问题，在实际操作中也必将出现更多的问题和挑战。由于算法容易因使用而处于公开状态，选择专利方式（公开换保护）保护算法无疑具有显著的优势和独到的价值。
本文原文来自搜狐网