知己知彼，應對AI專利壁壘
返回列表
來源：
發布日期： 2019.08.22
近日，人工智能（AI）公司都將目光放在了谷歌公司的AI專利上——“使用深度神經網絡處理圖像”“用于強化學習的方法與裝置”“為圖像分類生成訓練樣本的系統與方法”“用于解決神經網絡中的過擬合的系統和方法”等。事實上，谷歌、微軟等科技巨頭在機器學習方面的專利布局方面還包括更多的基礎算法和通用技術，這引發了業界的廣泛擔憂?；跈C器學習的創業公司將面對強大的技術壁壘和侵權風險，機器學習技術的研究和發展或將受到影響。那么算法模型是否具備可專利性，專利申請授權后又該如何應對呢？
實際上，中美對于算法模型的可專利性判斷在原則上是相近的。
我國《專利審查指南》規定：“如果一項權利要求僅僅涉及一種算法或數學計算規則，則該權利要求屬于智力活動的規則和方法，不屬于專利保護的客體。如果一項權利要求除其主題名稱之外，對其進行限定的全部內容僅僅涉及一種算法或者數學計算規則，則該權利要求實質上僅僅涉及智力活動的規則和方法，不屬于專利保護的客體?！?/span>
美國專利法（35 U.S.C.101）也涉及專利保護客體的相關規定。從美國審查程序手冊的相關描述來看，美國認為如果所要求的過程僅涉及數字、抽象概念或想法或其信號表達，所述過程不能應用于適當的主題則不構成法定客體。美國最高法院在Benson案中強調了抽象的數學公式并非專利法意義上的保護客體，隨后在In re Walter和Abele案中逐步形成兩步判定法：首先，判斷權利要求是否對某一算法提出保護要求，然后，判斷算法是否被應用于具體環境、是否與前后物理要素之間存在結構性聯系（在裝置發明中）或者被用來限制特定的物理步驟（在方法發明中）。
這些規定與判例對算法模型是否能夠被授予專利權做出了解釋。中美都認為單純的算法與數學計算規則不屬于專利保護客體，是不能夠被授予專利權的。
再來了解下美國專利商標局對深度學習算法模型的專利審查思路。谷歌Dropout專利（公告號為US9406017B2）保護的是訓練神經網絡的算法模型。谷歌其他還在審查中的公開號分別為US20160335540A1（Dropout專利的分案申請）、US20160098632A1、US20170076196A1的專利申請也都是保護訓練神經網絡的算法模型。美國專利商標局在2017年6月后的多次審查意見中不約而同指出其不屬于專利保護的客體，不具備可專利性（參考美國專利商標局網站http://globaldossier.uspto.gov/）。
這表明美國專利商標局對深度學習算法模型的審查趨向嚴格，單純的數學模型可能無法再獲得專利權，那么深度學習的基礎算法和通用技術也就不會像業界擔憂的那樣被科技巨頭壟斷，當然，這還需要對美國專利商標局的審查結論持續關注。
對于已獲得授權的深度學習相關專利，例如谷歌的Dropout專利，創業公司可能會面臨侵權風險。盡管谷歌還沒有實施深度學習相關專利，類似的申請行為可能僅僅是防御性的，更多是為了防備專利流氓，但是，我國人工智能企業還是要積極做好準備去應對可能的侵權風險。
在面對侵權訴訟時，合理運用無效程序可以幫助被訴人來對抗風險。如果科技公司使用深度學習算法模型專利發起了訴訟，那么被訴人可以參考美國專利商標局的審查意見，依據35 U.S.C.101等條款提起專利無效訴訟進行反制。
在研發階段做好專利預警，可以幫助創業公司規避風險，具體來說就是知己知彼。
如何知彼呢？由于美國專利商標局對深度學習算法模型的審查已經趨向嚴格，申請人可能會采取將算法模型與具體應用結合或增加技術上的關聯等方式來獲得專利權，為了更好地了解這一領域的專利布局現狀，就需要做好專利預警，來指導研發工作的開展。
如何知己呢？要根據公司的定位和目標規劃好研發方向，首先，深度學習開源框架豐富多樣，可以通過選擇不同的硬件芯片公司及其提供的開發軟件，結合不同深度學習開源框架的使用，來降低風險；其次，深度學習的基礎算法大多是開源的，可以在開源算法的基礎上進行二次開發，來獲得更符合預期的性能；再次，在訓練神經網絡時，特定的訓練樣本能夠得到對應的最優模型參數，可以將算法模型與特定的應用相關聯；最后，不同的算法通常各有所長，研發人員可以根據對于運算速度或者網絡模型性能的不同追求進一步開發替代算法?？偟膩碚f，科技公司需要從多角度拓寬思路，積極應對專利侵權風險。
18027124727?18620026217