人工智能(Artificial Intelligence，AI)，是一个以计算机科学（Computer Science）为基础，由计算机、心理学、哲学等多学科交叉融合的交叉学科，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。人工智能与基因工程、纳米科学并称为二十一世纪三大尖端技术。近年来，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呈逐年上升趋势。

人工智能领域专利授权影响因素

人工智能领域的专利申请，大多通过训练模型来实现分类、识别等任务。通过分析近年来该领域相关审查结果可以发现，影响该领域专利申请授权的主要因素在于：

1)提供的纯算法类的模型不属于专利的保护客体；

2)方案属于套用现有模型在其余领域的简单转用，创造性不足。

不属于保护客体的问题

针对1)，《专利法》第二十五条第一款第(二)项中规定：对智力活动的规则和方法不授予专利权。

智力活动，是指人的思维运动，它源于人的思维，经过推理、分析和判断产生出抽象的结果，或者必须经过人的思维运动作为媒介，间接地作用于自然产生结果。智力活动的规则和方法是指导人们进行思维、表述、判断和记忆的规则和方法。由于其没有采用技术手段或者利用自然规律，也未解决技术问题和产生技术效果，因而不构成技术方案。它既不符合专利法第二条第二款的规定，又属于专利法第二十五条第一款第(二)项规定的情形。因此，指导人们进行这类活动的规则和方法不能被授予专利权。

以一个权利要求的示例进行说明：

1.一种高维序列数据预测方法，其特征在于，包括：

将高维序列数据输入训练好的预测循环神经网络模型，获取预测结果；

其中，所述训练好的预测循环神经网络模型通过如下步骤获取：

根据第一输入门、第一遗忘门和第一输入调制门搭建任一时刻记忆；根据第二输入门、第二遗忘门和第二输入调制门搭建任一层记忆；搭建任一输出门；根据所述任一时刻记忆、所述任一层记忆和所述任一输出门更新所述任一隐藏状态；

基于所述任一时刻记忆、所述任一层记忆和更新的任一隐藏状态构建任一时空记忆单元，所述任一时空记忆单元为一个长短时间记忆网络；

通过所有时空记忆单元搭建所述预测循环神经网络模型，其中，所述预测循环神经网络模型是以时刻和层为维度的二维模型，所述任一时空记忆单元处于所述任一层记忆对应的层以及所述任一时刻记忆对应的时刻；

将由观测值组成的张量序列数据输入所述预测循环神经网络模型进行训练，获得所述训练好的预测循环神经网络模型。

审查意见指出：权利要求1请求保护一种高维序列数据预测方法，其限定部分的全部内容均为智力活动的规则和方法，即该权利要求的特征部分是将高维序列数据输入训练好的神经网络模型以获取预测结果与建立模型的过程，在该过程中并未将上述方法应用于具体的领域，解决具体的技术问题，训练数据的输入以及分类结果的输出并未限定具体技术领域的具体物理参数，且算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。因此，其内容仅仅涉及算法，属于专利法第25条第1款第(二)项所述的智力活动的规则和方法的范围，属于不授予专利权的客体。

该点给予申请人的启示在于，研究设计该模型的过程中应当充分考虑模型可以应用的领域以及解决的具体问题，比如，输入模型的数据可以为图像、文本、音频等有实际物理含义的参数；对图像的识别比如可以具体是人脸图像识别、雷达图像目标识别等，以便于和具体领域结合，解决该领域内具体的技术问题，并根据所选场景尽可能针对性地进行方案改进，形成详细完整的技术方案。

创造性不足的问题

针对2)，由于目前用于分类、识别等任务的成熟网络模型较多，申请人往往是选用其中一种，具体使用本领域的数据集进行网络模型训练，得到对该领域具体目标进行分类、识别的模型。但如果仅仅是将现有模型直接应用于一个具体的领域，会被认定为是利用该模型本身已知的性质，申请方案容易想到，无需付出创造性劳动，因此不具备创造性。

人工智能领域研究改进建议

基于上述分析，从专利申请及授权的角度，对专利申请人在研究开发的过程中、以及专利产出的过程中的研究改进提出以下建议供参考。

（1）可以针对如何解决具体领域内的技术问题，考虑是否可以对模型的结构、模型的训练过程、模型输入数据的获得过程以及模型输出数据的处理过程等方面进行改进，使得整体方案体现出“不容易想到”的效果。

（2）由于仿真等实验数据可以佐证方案的可行性以及先进性，因此建议申请人尽可能提供相应的实验数据以验证方案效果。

（3）由于人工智能领域的方案通常较为复杂，通过经验丰富的代理人和发明人的细致沟通，以及对方案的充分挖掘，以较高的质量完成申请文件，也能进一步提高人工智能领域专利申请文件的授权概率。