ARTICLE
22 May 2023

在答复审查意见时,如何确定当前技术方案属于保护客体?

K
Kangxin

Contributor

Kangxin Partners is a leading Chinese IP firm, providing comprehensive IP services to global and domestic clients for over 25 years. Experienced IP professionals work with clients ranging from startups to Fortune 500 companies to secure their IP assets. Kangxin grows exponentially while continuing to provide exceptional IP services.
根据国家知识产权局发布的《2022年中国专利调查报告》显示,2022年我国有效发明专利产业化率为36.7%,创近五年新高,反映了我国知识产权转移转化
China Intellectual Property

根据国家知识产权局发布的《2022年中国专利调查报告》显示,2022年我国有效发明专利产业化率为36.7%,创近五年新高,反映了我国知识产权转移转化支撑实体经济创新发展的能力持续增强。越来越多的企业选择通过申请专利的方式对自身所拥有的创新型技术进行保护。

在电学领域,伴随着计算机技术的快速更新以及人工智能领域的飞速发展,与之相关的专利申请量大大提升,由此在审查答复中会出现保护客体的问题。

笔者本文针对保护客体的理解和答复思路进行分享。

在《专利法》第二条第二款明确规定:发明,是指对产品、方法或者其改进所提出的新的技术方案。

此外,在中国知识产权局2010年版的《专利审查指南》中,还对不符合专利法第二条第二款规定的客体进行了解释说明,具体内容为:“专利法所称的发明,是对产品、方法或者其改进所提出的新的技术方案,……技术方案是对要解决的技术问题所采取的利用了自然规律的技术手段的集合。技术手段通常是由技术特征来体现的。未采用技术手段解决技术问题,以获得符合自然规律的技术效果的方案,不属于专利法第二条第二款规定的客体。”

上述内容可以简单理解为:与客体保护相互关联的《专利法》第二条第二款规定所对应的“技术方案”应该同时具备三种要素:(1)技术手段;(2)技术问题;(3)技术效果。即一件申请的发明,需要保证通过核心技术手段解决了现有技术中由于技术缺陷导致的该领域的技术问题,且最终通过上述核心技术手段达到了有益的技术效果。

对于三要素的理解:

  1. 自然规律,非人为设定的数学规律,即不以人的意志为转移的规律。其中,自然规律可以理解为在特定物理环境下,反映各个对象关系的规律。数学规律可以理解为没有物理含义的几个数字之间进行的计算。
  2. 权利要求中所有技术特征与技术问题结合的紧密程度;即所有技术特征在解决本申请所对应的技术问题上构成了一个整体,并存在解决问题的必要技术特征。
  3. 存在技术效果,即在解决技术问题的情况下,达到了现有技术所无法实现的技术效果。

笔者通过两个相关示例进行解释说明,审查指南中就相关某些领域还出具的审查示例:

示例1:

一种建立数学模型的方法,其特征在于,包括以下步骤:

根据第一分类任务的训练样本中的特征值和至少一个第二分类任务的训练样本中的特征值,对初始特征提取模型进行训练,得到目标特征提取模型;其中,所述第二分类任务是与所述第一分类任务相关的其它分类任务;根据所述目标特征提取模型,分别对所述第一分类任务的每个训练样本中的特征值进行处理,得到所述每个训练样本对应的提取特征值;将所述每个训练样本对应的提取特征值和标签值组成提取训练样本,对初始分类模型进行训练,得到目标分类模型;将所述目标分类模型和所述目标特征提取模型组成所述第一分类任务的数学模型。

可以看出,例1中的处理对象是所有训练样本,方案中的特征值、样本等特征均没有任何特定物理含义的特征,是数学层面的参数,因此,该方案可以认为是反应数学层面(或数字层面)的规律,并非是物理层面的规律,整体方案可以理解为对抽象数学方法的优化,其整个过程也都不涉及与具体应用领域的结合,且整个方案也并不包括任何技术特征。因此,笔者认为例1不符合客体要求。

示例2:

一种卷积神经网络CNN模型的训练方法,其特征在于,所述方法包括:获取待训练CNN模型的初始模型参数,所述初始模型参数包括各级卷积层的初始卷积核、所述各级卷积层的初始偏置矩阵、全连接层的初始权重矩阵和所述全连接层的初始偏置向量;获取多个训练图像;在所述各级卷积层上,使用所述各级卷积层上的初始卷积核和初始偏置矩阵,对每个训练图像分别进行卷积操作和最大池化操作,得到每个训练图像在所述各级卷积 层上的第一特征图像;对每个训练图像在至少一级卷积层上的第一特征图像进行水平池化操作,得到每个训练图像在各级卷积层上的第二特征图像;根据每个训练图像在各级卷积层上的第二特征图像确定每个训练图像的特征向量;根据所述初始权重矩阵和初始偏置向量对每个特征向量进行处理,得到每个训练图像的类别概率向量;根据所述每个训练图像的类别概率向量及每个训练图像的初始类别,计算类别误差;基于所述类别误差,对所述待训练CNN模型的模型参数进行调整;基于调整后的模型参数和所述多个训练图像,继续进行模型参数调整的过程,直至迭代次数达到预设次数;将迭代次数达到预设次数时,所得到的模型参数作为训练好的CNN模型的模型参数。

基于上述内容可以知晓的是,示例2是针对样本为图像的方案所设计的处理图像数据的技术方案,示例2中使用了如特征图像、训练图像等多个更为具体的特征,这些特征表征了神经网络算法与图像信息处理之间的密切联系,并且使用上述技术方案:通过在不同卷积层对图像进行不同处理并训练的手段,解决了CNN模型进能识别具有固定尺寸的图像的技术问题,最终达到使用训练好的CNN模型能识别任意尺寸待识别图像的技术效果。因此,示例2符合客体要求。

综上,笔者认为在初步答复该类案件时,可以从整体上考虑该方案是否是技术方案,重点应该就放在该方案是否采用了技术手段。

而且,应将权利要求的方案作为一个整体进行考察,判断整个方案是否采用了技术手段,解决了技术问题并产生了技术效果。

而不是通过判断个别特征解决了技术问题并产生了技术效果,从而得出该权利要求的方案为技术方案的结论,以得到确定对应的发明申请是否符合专利法第2条第2款的客体要求。

上述为工作过程中个人的一小点理解,仅是进行了简要分析,仅望以此文为大家提供些许帮助。

The content of this article is intended to provide a general guide to the subject matter. Specialist advice should be sought about your specific circumstances.

Mondaq uses cookies on this website. By using our website you agree to our use of cookies as set out in our Privacy Policy.

Learn More