根據國(guó)家知識産權局發布的《2022年(nián)中國(guó)專利調查報告》顯示，2022年(nián)我國(guó)有效發明專利産業化率爲36.7%，創近五年(nián)新高，反映了我國(guó)知識産權轉移轉化支撐實體(tǐ)經濟創新發展的能力持續增強。越來(lái)越多的企業選擇通過申請(qǐng)專利的方式對自(zì)身(shēn)所擁有的創新型技術(shù)進行保護。在電學領域，伴随着計(jì)算機(jī)技術(shù)的快(kuài)速更新以及人(rén)工(gōng)智能領域的飛速發展，與之相(xiàng)關的專利申請(qǐng)量大(dà)大(dà)提升，由此在審查答複中會出現保護客體(tǐ)的問(wèn)題。筆者本文針對保護客體(tǐ)的理(lǐ)解和答複思路(lù)進行分(fēn)享。在《專利法》第二條第二款明确規定：發明，是指對産品、方法或者其改進所提出的新的技術(shù)方案。此外，在中國(guó)知識産權局2010年(nián)版的《專利審查指南(nán)》中，還(hái)對不符合專利法第二條第二款規定的客體(tǐ)進行了解釋說(shuō)明，具體(tǐ)内容爲：“專利法所稱的發明，是對産品、方法或者其改進所提出的新的技術(shù)方案，……技術(shù)方案是對要解決的技術(shù)問(wèn)題所采取的利用了自(zì)然規律的技術(shù)手段的集合。技術(shù)手段通常是由技術(shù)特征來(lái)體(tǐ)現的。未采用技術(shù)手段解決技術(shù)問(wèn)題，以獲得(de)符合自(zì)然規律的技術(shù)效果的方案，不屬于專利法第二條第二款規定的客體(tǐ)。”上述内容可(kě)以簡單理(lǐ)解爲：與客體(tǐ)保護相(xiàng)互關聯的《專利法》第二條第二款規定所對應的“技術(shù)方案”應該同時具備三種要素：（1）技術(shù)手段；（2）技術(shù)問(wèn)題；（3）技術(shù)效果。即一件(jiàn)申請(qǐng)的發明，需要保證通過核心技術(shù)手段解決了現有技術(shù)中由于技術(shù)缺陷導緻的該領域的技術(shù)問(wèn)題，且最終通過上述核心技術(shù)手段達到了有益的技術(shù)效果。（1）自(zì)然規律，非人(rén)爲設定的數學規律,即不以人(rén)的意志爲轉移的規律。其中，自(zì)然規律可(kě)以理(lǐ)解爲在特定物理(lǐ)環境下，反映各個對象關系的規律。數學規律可(kě)以理(lǐ)解爲沒有物理(lǐ)含義的幾個數字之間進行的計(jì)算。（2）權利要求中所有技術(shù)特征與技術(shù)問(wèn)題結合的緊密程度；即所有技術(shù)特征在解決本申請(qǐng)所對應的技術(shù)問(wèn)題上構成了一個整體(tǐ)，并存在解決問(wèn)題的必要技術(shù)特征。（3）存在技術(shù)效果，即在解決技術(shù)問(wèn)題的情況下，達到了現有技術(shù)所無法實現的技術(shù)效果。筆者通過兩個相(xiàng)關示例進行解釋說(shuō)明，審查指南(nán)中就(jiù)相(xiàng)關某些領域還(hái)出具的審查示例：示例1：
一種建立數學模型的方法，其特征在于，包括以下步驟：
根據第一分(fēn)類任務的訓練樣本中的特征值和至少一個第二分(fēn)類任務的訓練樣本中的特征值，對初始特征提取模型進行訓練，得(de)到目标特征提取模型；其中，所述第二分(fēn)類任務是與所述第一分(fēn)類任務相(xiàng)關的其它分(fēn)類任務；根據所述目标特征提取模型，分(fēn)别對所述第一分(fēn)類任務的每個訓練樣本中的特征值進行處理(lǐ)，得(de)到所述每個訓練樣本對應的提取特征值；将所述每個訓練樣本對應的提取特征值和标簽值組成提取訓練樣本，對初始分(fēn)類模型進行訓練，得(de)到目标分(fēn)類模型；将所述目标分(fēn)類模型和所述目标特征提取模型組成所述第一分(fēn)類任務的數學模型。
可(kě)以看(kàn)出，例1中的處理(lǐ)對象是所有訓練樣本，方案中的特征值、樣本等特征均沒有任何特定物理(lǐ)含義的特征，是數學層面的參數，因此，該方案可(kě)以認爲是反應數學層面（或數字層面）的規律，并非是物理(lǐ)層面的規律，整體(tǐ)方案可(kě)以理(lǐ)解爲對抽象數學方法的優化，其整個過程也都(dōu)不涉及與具體(tǐ)應用領域的結合，且整個方案也并不包括任何技術(shù)特征。因此，筆者認爲例1不符合客體(tǐ)要求。示例2：
一種卷積神經網絡CNN模型的訓練方法，其特征在于，所述方法包括：獲取待訓練CNN模型的初始模型參數，所述初始模型參數包括各級卷積層的初始卷積核、所述各級卷積層的初始偏置矩陣、全連接層的初始權重矩陣和所述全連接層的初始偏置向量；獲取多個訓練圖像；在所述各級卷積層上，使用所述各級卷積層上的初始卷積核和初始偏置矩陣，對每個訓練圖像分(fēn)别進行卷積操作(zuò)和最大(dà)池化操作(zuò)，得(de)到每個訓練圖像在所述各級卷積 層上的第一特征圖像；對每個訓練圖像在至少一級卷積層上的第一特征圖像進行水平池化操作(zuò)，得(de)到每個訓練圖像在各級卷積層上的第二特征圖像；根據每個訓練圖像在各級卷積層上的第二特征圖像确定每個訓練圖像的特征向量；根據所述初始權重矩陣和初始偏置向量對每個特征向量進行處理(lǐ)，得(de)到每個訓練圖像的類别概率向量；根據所述每個訓練圖像的類别概率向量及每個訓練圖像的初始類别，計(jì)算類别誤差；基于所述類别誤差，對所述待訓練CNN模型的模型參數進行調整；基于調整後的模型參數和所述多個訓練圖像，繼續進行模型參數調整的過程，直至叠代次數達到預設次數；将叠代次數達到預設次數時，所得(de)到的模型參數作(zuò)爲訓練好的CNN模型的模型參數。
基于上述内容可(kě)以知曉的是，示例2是針對樣本爲圖像的方案所設計(jì)的處理(lǐ)圖像數據的技術(shù)方案，示例2中使用了如(rú)特征圖像、訓練圖像等多個更爲具體(tǐ)的特征，這些特征表征了神經網絡算法與圖像信息處理(lǐ)之間的密切聯系，并且使用上述技術(shù)方案：通過在不同卷積層對圖像進行不同處理(lǐ)并訓練的手段，解決了CNN模型進能識别具有固定尺寸的圖像的技術(shù)問(wèn)題，最終達到使用訓練好的CNN模型能識别任意尺寸待識别圖像的技術(shù)效果。因此，示例2符合客體(tǐ)要求。而且，應将權利要求的方案作(zuò)爲一個整體(tǐ)進行考察，判斷整個方案是否采用了技術(shù)手段，解決了技術(shù)問(wèn)題并産生(shēng)了技術(shù)效果。而不是通過判斷個别特征解決了技術(shù)問(wèn)題并産生(shēng)了技術(shù)效果，從(cóng)而得(de)出該權利要求的方案爲技術(shù)方案的結論，以得(de)到确定對應的發明申請(qǐng)是否符合專利法第2條第2款的客體(tǐ)要求。上述爲工(gōng)作(zuò)過程中個人(rén)的一小點理(lǐ)解，僅是進行了簡要分(fēn)析，僅望以此文爲大(dà)家提供些許幫助。
關鍵詞：
發明專利,申請(qǐng)專利,專利申請(qǐng),技術(shù)方案,專利
康信：
菏澤開發區冠博知識産權代理有限公司于1994年(nián)成立，是一家能夠提供全方位知識産權法律服務的機(jī)構，總部設在北京，在天津、青島、西安、武漢、杭州、廣州、德國(guó)、美國(guó)、日(rì)本設有分(fēn)支機(jī)構。康信現有員(yuán)工(gōng)510餘名，其中包括經驗豐富的律師(shī)、專利代理(lǐ)師(shī)、商标代理(lǐ)人(rén)和專業技術(shù)人(rén)員(yuán)410餘名。康信公司的PCT申請(qǐng)代理(lǐ)量連續幾年(nián)跻身(shēn)全球PCT申請(qǐng)事(shì)務所前五強。
咨詢電話(huà)：
010-56571588
