說(shuō)起創(chuàng)造性的判斷，很容易想到創(chuàng)造性判斷“三步法”，《專(zhuān)利審查指南》中也有記載：

(1)確定最接近的現(xiàn)有技術(shù)。

(2)確定發(fā)明的區(qū)別特征和發(fā)明實(shí)際解決的技術(shù)問(wèn)題。

(3)判斷要求保護(hù)的發(fā)明對(duì)本領(lǐng)域的技術(shù)人員來(lái)說(shuō)是否顯而易見(jiàn)。

而算法應(yīng)用于各個(gè)領(lǐng)域，尤其是人工智能領(lǐng)域。人工智能領(lǐng)域具有發(fā)展迅速、數(shù)據(jù)量龐大、應(yīng)用領(lǐng)域廣泛、智能化程度高等特點(diǎn)。對(duì)于申請(qǐng)人來(lái)講，如何對(duì)算法在審查中的專(zhuān)利進(jìn)行創(chuàng)造性答復(fù)的尺度進(jìn)行把握以爭(zhēng)取到好結(jié)果是尤為重要的。

接下來(lái)通過(guò)案例做進(jìn)一步了解。

案 例

涉案專(zhuān)利：

CN201910958076.8：一種建立廢鋼等級(jí)劃分神經(jīng)網(wǎng)絡(luò)模型方法。

權(quán)利要求1：

無(wú)效請(qǐng)求：

針對(duì)涉案專(zhuān)利的權(quán)利要求1，無(wú)效請(qǐng)求人提交了3個(gè)證據(jù)對(duì)其提出無(wú)效：

證據(jù)1

CN201910201422.8：一種基于CNN的廢鋼鐵種類(lèi)自動(dòng)識(shí)別方法及裝置。

證據(jù)2

“Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning”，Christian et al，原文打印件及相關(guān)中文譯文。

證據(jù)3

北京郵電大學(xué)碩士學(xué)位論文《基于深度學(xué)習(xí)的細(xì)粒度圖像識(shí)別研究》。

具體而言，請(qǐng)求人認(rèn)為證據(jù)1公開(kāi)了如何建立基于卷積神經(jīng)網(wǎng)絡(luò)的廢鋼鐵圖像分類(lèi)模型，根據(jù)建立基于卷積神經(jīng)網(wǎng)絡(luò)的廢鋼鐵圖像分類(lèi)模型方法可以實(shí)現(xiàn)廢鋼等級(jí)劃分神經(jīng)網(wǎng)絡(luò)模型的建立。并且證據(jù)1已經(jīng)涉及了用于廢鋼鐵的回收、分選領(lǐng)域，其中圖像增強(qiáng)包括了去除水印和噪聲的相關(guān)內(nèi)容。

證據(jù)2公開(kāi)了利用具有多條線(xiàn)路卷積層或卷積層加池化層計(jì)算的集合對(duì)多種圖像特征進(jìn)行提取。

證據(jù)3公開(kāi)的細(xì)粒度圖像識(shí)別可以用于對(duì)同一大類(lèi)下的不同子類(lèi)進(jìn)行識(shí)別，適用于識(shí)別不同分類(lèi)等級(jí)的廢鋼鐵。而在基于神經(jīng)網(wǎng)絡(luò)模型的圖像識(shí)別方法中，利用卷積神經(jīng)網(wǎng)絡(luò)提取圖像中目標(biāo)的顏色、邊緣、紋理特征等淺層信息，以及語(yǔ)義信息、特征之間的關(guān)聯(lián)特征等深層信息，屬于本領(lǐng)域的公知常識(shí)。

無(wú)效理由：

權(quán)利要求1相對(duì)于證據(jù)1、證據(jù)2和公知常識(shí)的結(jié)合，或者證據(jù)1、證據(jù)2和證據(jù)3的結(jié)合不具備創(chuàng)造性。

合議組看法：

1

涉案專(zhuān)利權(quán)1是用于廢鋼收儲(chǔ)的等級(jí)分類(lèi)檢測(cè)，記載了不同等級(jí)圖像特征數(shù)據(jù)的對(duì)應(yīng)限定。而證據(jù)1全文公開(kāi)的是如何對(duì)廢鋼鐵的種類(lèi)進(jìn)行自動(dòng)識(shí)別，僅涉及如何進(jìn)行種類(lèi)識(shí)別以及識(shí)別結(jié)果是何種料型，其并未提及有關(guān)規(guī)格、等級(jí)以及對(duì)分類(lèi)操作后如何進(jìn)一步分級(jí)等相關(guān)內(nèi)容。

因此，從證據(jù)1所給出的應(yīng)用場(chǎng)景、方法步驟和重要參數(shù)中無(wú)法得到建立廢鋼料等級(jí)劃分的神經(jīng)網(wǎng)絡(luò)模型，以及對(duì)混雜在一起的各種類(lèi)型的廢鋼料進(jìn)行等級(jí)劃分的技術(shù)啟示。

2

證據(jù)2雖然公開(kāi)了在卷積神經(jīng)網(wǎng)絡(luò)模型中對(duì)圖像數(shù)據(jù)特征進(jìn)行提取時(shí)可以采用的具體模塊構(gòu)成。但是，沒(méi)有公開(kāi)具體提取的是圖像數(shù)據(jù)的哪些特征，也沒(méi)有公開(kāi)提取相關(guān)數(shù)據(jù)特征用于何種具體的應(yīng)用場(chǎng)景、解決該場(chǎng)景中具體存在的哪些技術(shù)問(wèn)題。同樣也沒(méi)給出相應(yīng)的技術(shù)結(jié)合啟示。

3

證據(jù)3公開(kāi)了一種基于深度學(xué)習(xí)的細(xì)粒度圖像識(shí)別研究，其表明可以用CNN提取圖像邊緣紋理這樣的原始信息和高級(jí)語(yǔ)義信息。但是，證據(jù)3同樣沒(méi)有公開(kāi)提取相關(guān)數(shù)據(jù)特征用于何種具體的應(yīng)用場(chǎng)景、解決該場(chǎng)景中具體存在的哪些技術(shù)問(wèn)題。因此，也沒(méi)給出相應(yīng)的技術(shù)結(jié)合啟示。

4

目前亦無(wú)證據(jù)表明建立對(duì)廢鋼料等級(jí)劃分的神經(jīng)網(wǎng)絡(luò)模型，以達(dá)到對(duì)廢鋼收儲(chǔ)的等級(jí)分類(lèi)檢測(cè)，以及針對(duì)該問(wèn)題如何具體選取數(shù)據(jù)參數(shù)和相關(guān)模塊屬于本領(lǐng)域的公知常識(shí)。

5

綜上，現(xiàn)有技術(shù)整體上不存在相關(guān)的技術(shù)啟示，請(qǐng)求人的無(wú)效理由不成立。

【總結(jié)】

在判斷包含算法特征的發(fā)明專(zhuān)利的創(chuàng)造性時(shí)，應(yīng)將算法和應(yīng)用場(chǎng)景進(jìn)行整體把握。

即使現(xiàn)有技術(shù)公開(kāi)了相同或類(lèi)似的算法架構(gòu)及相關(guān)模塊，但由于算法應(yīng)用到不同場(chǎng)景時(shí)，需要根據(jù)應(yīng)用場(chǎng)景的不同、所要解決的技術(shù)問(wèn)題的不同對(duì)算法的訓(xùn)練模式、重要參數(shù)或相關(guān)步驟等進(jìn)行調(diào)整，如果該調(diào)整解決了不同應(yīng)用場(chǎng)景下特定的技術(shù)問(wèn)題并相應(yīng)獲得了有益的技術(shù)效果，則在創(chuàng)造性判斷時(shí)應(yīng)予以考慮。