原創 孟 睿 IPRdaily
來源：IPRdaily中文網
作者：孟 睿 南京大學法學院法學博士研究生
原標題：專利法思維下的人工智能技術及其保護策略
IPRdaily導讀：近年來，人工智能專利的申請、審查以及司法保護成為業界的熱點話題。本文作者在總結實務工作經驗的基礎上，從專利法視角分析了人工智能技術的特點，結合我國最新修改的《專利審查指南》和新近專利侵權司法案例，在專利申請和專利侵權訴訟一體化理念下對人工智能技術中的幾個保護難點進行梳理和討論，以期有助于AI創新主體提升AI專利質量和專利保護力度。
一
專利法思維下的AI技術
專利權是典型的技術與法律相結合而形成的產物，正確理解AI技術的特點是使用專利有效保護AI技術的基礎。
(一)由抽象到具體的三個技術維度
2019年WIPO發布名為《Technology Trends 2019：Artificial Intelligence》的報告，【1】該報告從底層實現、功能性應用和產業應用三個維度分析了AI技術的發展趨勢。此三個維度體現了AI技術由抽象到具體的漸變過程，契合專利制度更傾向于保護實用技藝而非自然科學基礎研究的功能，因而從這三個維度理解AI技術，有助于我們分析和討論AI專利客體適格性、權利要求保護范圍大小、創造性判斷以及權利要求解釋和侵權判斷難易程度等問題。
1、AI底層實現技術(AI techniques)
AI底層實現技術是指實現人工智能功能應用的以統計或數學模型表示的各種核心算法，即底層算法，包括機器學習(machine learning)、模糊邏輯(fuzzy logic)、概率推理(Probabilistic Reasoning)、本體工程(Ontology engineering)、邏輯編程(Logic programming)等。機器學習又可以細分為深度學習(Deep learning)、神經網絡(neural networks)、分類和回歸樹(Classification and regression trees)、支持向量機(Support vector machines)等。機器學習按照學習方法分為多任務學習(Multi-task learning)、有監督學習(Supervised learning)、無監督學習(Unsupervised learning)、強化學習(Reinforced learning)等。
據WIPO的統計，機器學習是當前最為流行的AI實現技術。涉及機器學習的專利數量占全部人工智能實現技術專利數量的98%。從2013年至2016年，深度學習專利數量的增長率高達175%，神經網絡專利數量的增長率為46%。【2】
2、AI功能性應用技術(AI functional applications)
AI功能性應用是指使用AI底層算法實現的技術性功能，包括計算機視覺(computer vision)、自然語言處理(natural language processing)、語音處理(speech processing)、分布式人工智能(Distributed AI)、知識表示與推理(Knowledge representation and reasoning)、計劃與調度(Planning and scheduling)等。其中，計算機視覺進一步分為增強現實(Augmented reality)、圖像和視頻分割(Image and video segmentation)、符號識別(Character recognition)、目標跟蹤(Object tracking)、場景理解(Scene understanding)等。自然語言處理包括機器翻譯(Machine translation)、智能對話(Dialogue)、情感分析(Sentiment analysis)等。語音處理(speech processing)包括語音識別、語音轉換等。
WIPO報告顯示，在所有與人工智能有關的專利中，計算機視覺、自然語言處理和語音處理技術的專利數量占比分別為49%、14%以及13%。【3】
3、AI產業應用技術( AI application fields)
AI底層算法和應用功能被廣泛使用于各個產業領域，從而實現工業化和商業化應用。WIPO報告顯示，近幾年人工智能應用較為活躍的產業領域為交通運輸、通信以及生物醫藥，各領域專利數量分別占所有人工智能專利數量的24%、24%以及19 %。【4】交通運輸領域可以細分為自動駕駛、車輛識別等，通信領域的應用如計算機網絡，生物醫藥領域的應用包括生理參數監測、醫學影像及疾病診斷、遺傳/基因技術等。前述這些產業應用因與普通大眾的生活密切關聯而較為引人關注。實際上，在商業結構化數據領域，AI技術同樣具有廣泛的應用。由于結構化數據對于驅動企業的業務發展、營收、數據安全以及數據治理等具有重要作用，未來AI技術在商業結構化數據領域中有著巨大的開發潛能。【5】
(二)動態的AI技術：事前算法訓練和事中模型優化迭代
在機械時代或軟件時代，技術方案確定后，產品結構或計算機程序流程不再發生變化，產品或計算機程序所實現的功能和效果也確定不變。但實施AI技術的AI系統或產品則有別于此。
使用AI技術的AI系統或產品并非在算法模型搭建完成時就可以自然地實現某一功能，完成某一工作，其需要一個動態的學習過程，從海量數據中提取出特征，針對特征獲取最優訓練模型，并用最優訓練模型進行測試，進而實現預期功能。例如，在紐約大學醫學院Aristotelis教授完成的一項使用人工智能自動診斷肺癌的研究項目中，為了讓卷積神經網絡具有自動診斷肺癌的功能，研究人員收集了1200個包括健康和疾病肺樣本在內的80萬張肺部圖片來訓練卷積神經網絡，即將該80萬張肺部圖片提供給卷積神經網絡進行識別，并告訴其每一張圖片對應的診斷結論是什么。經過兩個星期的訓練后，該神經系統的肺癌診斷的準確性達到 97%，略好于三名病理學家的獨立診斷結果。研究人員還表示，如果用更多的樣本進行訓練，該AI模型的診斷準確性可以進一步提高。【6】而在實際的應用過程中，每一個真實的病例就是一個訓練樣本，長期的實際應用過程本身也是訓練過程，經過長期的實際應用可以進一步提升診斷的準確性。
訓練過程通常體現為訓練方法，并且通過數據匯聚、沉淀及更新，進行機器自我調參及優化，實現個性學習、知識圖譜不斷迭代，最后改進學習路徑。在實際使用過程，基于不斷數據匯聚及沉淀，借助算法實現模型的自我更新，以及模型指標體系提煉升級，實現基于機器學習的自我建模，讓模型愈加完善、精準。因此，AI系統或產品在訓練完成具備某一功能之后，其模型和算法還可以不斷地自我更新完善。例如，阿爾法圍棋(AlphaGo)為了應對圍棋的復雜性，結合了監督學習和強化學習的優勢。其通過訓練形成一個策略網絡(policy network)，將棋盤上的局勢作為輸入信息，并對所有可行的落子位置生成一個概率分布。然后，訓練出一個價值網絡(value network)對自我對弈進行預測，以 -1(對手的絕對勝利)到1(AlphaGo的絕對勝利)的標準，預測所有可行落子位置的結果。前述兩種網絡自身都十分強大，而阿爾法圍棋將這兩種網絡整合到基于概率的蒙特卡羅樹搜索(MCTS)中，實現了更強的優勢。新版的阿爾法圍棋產生大量自我對弈棋局，為下一代版本提供了訓練數據，此過程循環往復。
從上述例子可以看出，AI技術所涉及的不僅僅是事先預定規則的算法或靜態算法模型的構建和使用，還包括算法模型的訓練、優化，以及算法模型的調度使用策略等。如果將算法視為傳統方法中的步驟，將模型視為傳統方法中作用的對象(物品)，則與傳統方法不同之處在于，算法和模型在AI技術實施過程中是可以調整和優化的，而這種調整和優化不是在人力干預下發生的，而是AI系統或產品在實際使用過程中，根據過往數據或經驗不斷地改進和完善獲得的。因此，AI技術方案呈現為動態過程。在對AI技術進行專利保護時，除了運用傳統的結構思維或規則思維理解技術方案外，還需探尋更貼合AI技術的動態化思維來理解、表達和確定AI技術方案。
二
專利申請中的AI技術保護策略
客體適格性和創造性一直是AI專利申請中關注度較高的話題。繼EPO和USPTO之后，國家知識產權局(CNIPA)于2019年最后一天也就AI等新領域專利申請對《專利審查指南》進行了修改。新修改的《專利審查指南》將近幾年AI專利申請審查實踐中探索的有益做法上升到正式的《專利審查指南》中，并統一了審查標準。同時，新修改的《專利審查指南》也為創新主體有效保護AI創新成果提出了更高的要求。
(一)在符合客體適格性的前提下爭取較大的專利保護范圍
1、AI專利申請客體適格性爭議反映的是申請人爭取較大專利保護范圍的努力
通常AI技術需要通過計算機軟件來實施，EPO首席經濟學家Yann Ménière甚至將人工智能視為“超級軟件”。【7】 因此，《專利審查指南》中涉及計算機程序的發明專利申請審查規則同樣適用于AI專利申請。在計算機實施發明或軟件相關發明的專利審查中，對于算法或數學計算規則不屬于專利法保護客體這一認知，實踐中已經不存在較大爭議。但是在AI技術領域，有關算法的客體適格性問題再次引起關注，以致其成為EPO、USPTO以及CNIPA修訂專利審查指南首先要解決的問題。算法客體適格性問題之所以在AI專利申請中引起關注，主要還是與AI技術的特點有關。AI技術創新主要體現在AI算法創新，功能性應用和產業應用均依賴于AI算法實現，功能性應用和產業應用的技術突破倚重于AI算法的改進和創新，功能性應用和產業應用技術方案，不可避免地包含AI算法。如前所述，底層實現算法、功能性應用和產業應用是由抽象到具體漸變的三個維度。在專利法思維下，一旦通過專利控制了各種AI底層算法，就能夠控制其功能性應用和產業應用。當通過改進算法獲得的功能性應用和產業應用技術方案后，申請人為了獲得較大保護范圍，往往傾向于將專利保護范圍抽象概括至算法本身或者無限接近于算法。另外，AI底層算法已被視為基礎性研發工具，而專利權利要求不應當旨在壟斷作為科研工具的抽象概念。【8】由此就會產生AI專利申請在爭取較大保護范圍時其保護客體是否適格的問題。
2、如何在爭取較大專利保護范圍時滿足客體適格性：整體性考慮原則
AI創新主體究竟將功能性應用和產業應用技術方案抽象到什么程度既符合客體適格性要求，又能獲得較大的保護范圍，是AI技術專利保護的首要難題。對此，新修訂的《專利審查指南》給出了整體性考慮原則。整體性考慮原則是指，為了解決技術問題而利用技術手段并獲得技術效果的包含AI算法的發明專利申請是適格的保護客體;其中，權利要求除了包含算法特征外，還需要包含技術特征;算法特征和技術特征作為一個整體，需采用了利用自然規律的技術手段、解決了技術問題，并且由此獲得符合自然規律的技術效果。AI創新主體在整體性考慮原則之下保護AI技術創新時，需要注意以下兩點：
第一，判斷權利要求保護的方案是否為技術方案時，不以權利要求保護主題名稱為判斷依據，而是將權利要求記載的算法特征和技術特征作為一個整體，對其中涉及的技術手段、解決的技術問題和獲得的技術效果進行具體分析。例如，新修訂的《專利審查指南》給出的審查示例2，其保護的主題名稱為“一種卷積神經網絡模型的訓練方法”，單從主題名稱看，應不屬于專利法保護客體，但主題名稱之后的具體方案明確了模型訓練方法的各步驟處理的數據均為圖像數據以及各步驟如何處理圖像數據，體現出神經網絡訓練算法與圖像信息處理密切相關。該技術方案所解決的是如何克服CNN模型僅能識別具有固定尺寸的圖像的技術問題，采用了在不同卷積層上對圖像進行不同處理并訓練的手段，利用的是遵循自然規律的技術手段，獲得了訓練好的CNN模型能夠識別任意尺寸待識別圖像的技術效果。因此，將權利要求記載的算法特征與技術特征作為一個整體進行分析后，可以確定該發明專利申請欲保護的方案為技術方案，屬于專利保護客體。
第二，在判斷權利要求保護的方案是否解決了技術問題時，不應僅僅考慮申請人在說明書中所聲稱的問題，應當從技術手段入手整體判斷解決的問題是什么、是不是技術問題。例如，在第29176號復審決定中，專利復審委員會并沒有簡單地將申請人在說明書中所聲稱的“為同業金融機構、公司等集團用戶提供人民幣異地資金匯劃服務”這一問題作為權利要求保護方案所要解決的問題，而是從技術手段入手作整體判斷，認為涉案申請通過專線的有線傳輸網絡來傳輸信息，克服了使用Internet網絡帶來的易遭受攻擊、易受公眾網絡運行狀況影響的缺點，同時采用密押設備對傳輸的信息進行加密來確保了交易信息傳輸的安全性。【9】其中，克服易遭受攻擊、確保交易信息傳輸的安全性均屬于技術問題。該復審決定涉及的技術方案雖然不屬于AI技術領域，但對AI技術領域相同問題的辨析給出了有益的指引。目前，AI技術在傳統的非技術領域也無處不在。例如，AI技術在包括經濟學、音樂、藝術、心理學、語言學和文學在內的文科領域得到了廣泛的應用。在這些非技術領域的AI應用技術方案，更應當注意從技術手段入手做整體判斷，而不是僅僅考慮申請人在說明書中所聲稱的非技術應用問題。
(二)將算法特征與技術特征相關聯，以示出算法特征對技術方案創造性所做出的貢獻
審查實踐中，AI專利申請涉及的創造性問題主要有兩個：第一，在進行創造性判斷時，是否需要考慮算法特征對技術方案做出的貢獻;第二，如果權利要求與最接近的現有技術的應用場景相同，區別僅在于算法的調整，或者如果權利要求與最接近現有技術的區別僅在于應用場景不同，如何具體評價創造性。
1、考慮算法特征對技術方案創造性所作貢獻的前提：算法特征與技術特征關聯性考慮原則
對于在創造性判斷中是否需要考慮算法特征對技術方案做出的貢獻的問題，新修改的《專利審查指南》給出了關聯考慮原則，即應將與技術特征功能上彼此相互支持、存在相互作用關系的算法特征與所述技術特征作為一個整體考慮，考慮算法特征對技術方案做出的技術貢獻。換言之，是否考慮算法特征對技術方案的創造性做出貢獻，需要以算法特征與技術特征在功能上彼此相互支持、存在相互作用關系為前提。所謂功能上彼此相互支持、存在相互作用關系是指算法特征與技術特征緊密結合、共同構成了解決某一技術問題的技術手段，并且能夠獲得相應的技術效果。如果算法特征與技術特征不是功能上彼此相互支持，不存在相互作用關系，沒有緊密結合、共同構成解決某一技術問題的技術手段，即便算法有改進，也不予考慮該算法特征對技術方案創造性的貢獻。
例如在新修改的《專利審查指南》審查示例7中，專利申請技術方案與對比文件1的區別在于采用的模糊決策的實現算法。由于該模糊決策的具體實現算法及其應用于機器人穩定狀態的判斷均未被其他對比文件公開，也不是公知常識，因此，根據模糊決策算法之區別認可了該專利申請技術方案的創造性。也即模糊決策與機器人穩定狀態判斷相關聯后，應當考慮算法特征對技術方案創造性所作出的貢獻。而在審查示例10中，專利申請技術方案與對比文件1的區別在于設定的具體情感分類規則。由于即使情感分類規則不同，對相應數據進行著色處理的技術手段也可以是相同的，不必做出改變，因此情感分類規則與具體的可視化手段并非功能上彼此相互支持、存在相互作用關系，即算法特征與技術特征之間沒有關聯結合形成技術手段。該專利申請技術方案相對于現有技術的貢獻僅在于提出一種新的情感分類規則，并沒有實際解決任何技術問題，即沒有針對現有技術做出技術上的貢獻。因此，在判斷專利申請技術方案創造性時，即便情感分類規則有改進，也不予考慮其對技術方案創造性的貢獻。
需要強調的是，創造性判斷中是否解決了技術問題，與客體適格性判斷中是否解決了技術問題，是有區別的。創造性判斷中是指作為區別特征的算法特征沒有解決任何技術問題，而不是權利要求整體作為一個技術方案沒有解決任何技術問題。客體適格性判斷中是指權利要求整體是否解決了技術問題從而構成技術方案。例如在前述審查示例10中，就權利要求整體而言，解決了具體情感規則的可視化問題，采用了對相應數據進行著色的技術手段，利用了人眼視覺感官的自然屬性，遵循了自然規律，獲得了展示動態觀點演變的技術效果，屬于《專利法》第2條第2款規定的技術方案，但權利要求相對于對比文件1而言，沒有實際解決任何技術問題。
2、算法特征與技術特征關聯后的創造性審查基準
對于涉及算法的專利申請，如果權利要求與最接近的現有技術的功能性應用或產業應用場景相同，區別僅在于AI底層算法的改進，例如同樣用于無人駕駛中障礙物的識別，權利要求的算法對參數和公式進行了重新選取或調整，其實際解決的技術問題是進一步提高檢測障礙物的準確性，如果現有技術中整體上不存在解決此問題的技術啟示，則權利要求是非顯而易見的。
如果權利要求與最接近現有技術的區別僅在于功能性應用或產業應用場景不同。例如，將人臉識別中常用的求取最優解迭代算法移植到核醫學圖像重建中，技術方案發明人會覺得很有創新，但從專利審查的角度看，此時采用的人工智能算法是已知，算法本身未做改進，僅僅是已知的算法應用到另一場景中。此時涉及到轉用發明，在判斷創造性時，通常要考慮轉用的遠近、難易程度、是否需要克服技術上困難、是否存在技術啟示、轉用帶來的技術效果等因素。
總之，在進行創造性判斷時，首先需要判斷，算法特征與技術特征是否在功能上彼此相互支持，存在相互作用關系。當算法特征成為所采取的技術手段的組成部分之后，再進一步考慮現有技術中是否存在相應技術啟示。
(三)獲取高質量AI專利申請的建議
如前所述，AI技術可以分為底層實現技術、功能應用和產業應用三個維度。在進行專利挖掘和布局時時，可以沿著這三個維度由算法至具體應用依次展開需要保護的技術方案。例如，在一件專利申請中，將算法作為向上游提煉的基礎方案，將功能應用作為核心方案，將具體應用作為向下游擴展的外圍或賣點技術專利。也可以從專利群布局的角度，將算法作為基礎專利，將功能應用作為核心專利，將具體應用作為外圍專利或賣點專利。當然，將算法申請專利或者布局算法權項時，其方案不能是沒有任何物理意義的純算法，需要算法特征與技術特征做一定的技術關聯與結合。
對于AI專利申請，無論是客體適格性判斷中的整體性考慮原則，還是創造性判斷中的關聯性考慮原則，反映的均是算法特征與技術特征之間在技術問題、技術手段以及技術效果三個方面的關系。因此在撰寫權利要求書和說明書時，需要處處留意算法特征與技術特征之間技術性關系的表述。對于具體撰寫要點，CNIPA發布的《2020年<專利審查指南>第二部分第九章修改解讀》【10】已經進行了部分闡述，本文不再贅述。總之，需要圍繞算法特征與技術特征作為一個整體，在功能上彼此相互支持、存在相互作用關系來展開。
三
專利侵權訴訟中的AI技術保護策略
人工智能專利侵權案件，實踐中尚少見，本文結合AI技術的特點和新近專利侵權司法實踐，從新產品制造方法舉證責任倒置和方法專利對產品延伸保護兩個方面，嘗試探索人工智能專利侵權訴訟中的保護策略。
(一)將人工智能模型訓練方法專利解釋為新產品制造方法專利，適用舉證責任倒置破除AI專利侵權舉證難的問題
鑒于抽象的算法模型在人工智能功能性應用和產業應用技術方案中的底層實現作用，相較于傳統方法專利或軟件專利，人工智能專利的侵權可視化程度更低。在涉及人工智能專利侵權判斷和保護時，尋找和提供足夠的證據證明侵權行為存在對于人工智能專利權人來說是一項巨大的挑戰。
為了彌補方法專利權人不利的舉證地位，現行《專利法》設置了新產品制造方法發明專利舉證責任倒置制度。當專利侵權糾紛涉及新產品制造方法專利時，由制造同樣產品的制造者提供其產品制造方法不同于專利方法的證明。【11】當然，該制度具有一定的適用范圍。首先，舉證責任倒置制度僅適用于產品制造方法，不適用于其他方法，例如不適用于作業方法、使用方法等。【12】所謂產品制造方法，通常是指作用于一定的物品，使之在結構、形狀或者物理化學特性上產生變化。其次，舉證責任倒置制度適應于新產品，不適用于已知產品的制造方法。本文認為，對于涉及模型訓練和模型構建的人工智能技術方案，可以嘗試利用新產品制造方法舉證責任倒置制度強化人工智能專利的保護力度。具體理由如下：
第一，在涉及模型訓練和模型構建的人工智能技術方案中，模型訓練和模型構建過程與產品制造方法具有內在的邏輯一致性。如前所述，模型訓練過程是使用特定的訓練數據作用于人工智能算法模型，使之具有或優化其識別和判斷特性，從而獲得具有新特性和功能的算法模型。這一過程是從一種算法模型轉換為另一種算法模型從而獲得新算法模型的過程。例如，在新修改的《專利審查指南》審查示例2中，權利要求涉及一種卷積神經網絡模型的訓練方法，經過一系列的訓練步驟后，將迭代次數達到預設次數時所得到的模型參數作為訓練好的CNN模型的模型參數，以獲得在識別圖像類別時能夠識別任意尺寸的待識別圖像的CNN模型。該訓練方法作用于CNN模型，使之在模型結構上產生變化，符合產品制造方法的內涵，可以視為模型制造方法。模型構建過程則是從無到有的過程，同樣屬于模型制造方法。
第二，現有專利審查實踐和司法實踐具有將算法模型解釋為專利法中產品的解釋空間。雖然算法模型不是專利法中傳統意義上有形的、物理意義上的產品，但將算法模型視作涉及計算機程序的虛擬裝置，符合人工智能技術方案基于軟件實現的特性。而由程序模塊構成的虛擬裝置作為專利法中的產品已經被我國專利審查實踐和司法實踐所認可。2010年版《專利審查指南》已經就涉及計算機流程的虛擬裝置權利要求的撰寫做出規定，可見，《專利審查指南》也有意將虛擬裝置權利要求與方法權利要求予以區別。另外，在2015年京知行初字第06705號行政判決書中，北京知識產權法院認為，盡管基于計算機流程的虛擬裝置權利要求與基于計算機流程的方法權利要求具有同源性，虛擬裝置權利要求的撰寫形式與實體裝置權利要求的撰寫在形式上有差異，但這種差異并不能構成對要求保護的權利要求類型發生變化的理由，不能將作為產品權利要求的虛擬裝置視為方法權利要求。【13】因此，雖然算法模型不具有實體結構，但在虛擬裝置的視角下，將算法模型解釋為產品并不存在障礙。
另外，不斷精進專利撰寫技巧也可以很好地解決這一問題。例如，仍然以前述審查示例2為例，該審查示例2權利要求保護主題可以改為：“一種圖像識別裝置/設備的形成/制造方法，包括卷積神經網絡模型訓練，其特征在于，……”，從而將卷積神經網絡模型訓練技術方案同時以產品制造方法的形式予以保護。因此，對于AI技術創新主體，可以嘗試在專利申請過程中提前布局以產品制造方法為主題的保護權項，以便為將來在侵權訴訟中使用舉證責任倒置創造條件。
第三，通過專利申請證明訓練或構建的模型屬于新產品。《最高人民法院關于審理侵犯專利權糾紛案件應用法律若干問題的解釋(2009)》第17條規定，產品或者制造產品的技術方案在專利申請日以前為國內外公眾所知的，人民法院應當認定該產品不屬于舉證責任倒置中的新產品。其中，“為國內外公眾所知”表明是否為新產品的判斷采用了新穎性標準。【14】產品或者制造產品的技術方案在專利申請日以前不為國內外公眾所知的則為新產品。而證明在專利申請日以前不為國內外公眾所知的最好辦法就是將算法模型本也申請專利。例如，一種CNN模型及其訓練方法，【15】一種交通事故嚴重性預測CSP?CNN模型及其建模方法。【16】算法模型權項如果獲得授權，自然能證明其新穎性，即使沒有授權，如果審查意見以沒有創造性為由駁回專利申請，同樣可以證明其新穎性，從而為模型訓練方法或構建方法專利適用舉證責任倒置提供基礎。
據稱，日本法院為了應對AI技術方案難以被直接觀察的難題，法院已經在一些專利侵權案件中發出“文件生產命令”(document production orders)，以便揭示AI系統的基本工作流程。【17】對于日本法院發出的“文件生產命令”的法律依據和性質如何，作者尚未做深入研究，但至少看起來與我國制造方法專利舉證責任倒置制度有異曲同工之處。
(二)嘗試主張將人工智能方法專利的保護延伸至人工智能系統或產品
制造方法專利權的延伸保護是指方法專利的排他性延伸至依照該專利方法直接獲得的產品。即任何人未經方法專利權人許可，不得為生產經營目的使用、許諾銷售、銷售或者進口依照該專利方法直接獲得的產品。只有制造加工方法可以獲得延伸保護。制造加工方法與作業方法、使用方法的區別在于，作業方法、使用方法的目的不在于改變所涉及物品本身的結構、特性或功能。【18】
2019年底，由最高院審理的騰達公司與敦駿公司侵害發明專利糾紛一案備受關注。【19】主要原因在于，最高院在該案判決中詳細闡述了涉及網絡通信領域多主體實施方法專利的直接侵權行為認定的基本規則及其法理基礎，解決了司法實踐中長期存在的困惑。實際上，該案判決還有另外一個值得關注的問題。在該案中，涉案專利保護的是一種網絡接入認證方法，根據該方法并不能直接獲得包括被訴侵權產品在內的任何產品，該方法實際上可以歸類為設備作業方法或控制設備運行的方法。但是該案一審判決被控侵權人“停止制造、許諾銷售、銷售涉案的路由器產品”。最高院在二審判決中也支持了該項判決，并進一步解釋到，在認定直接侵犯方法發明專利權的情況下，判令騰達公司立即停止制造、許諾銷售、銷售涉案路由器產品，是指判令其停止制造、許諾銷售、銷售固化了涉案專利方法實質內容的涉案路由器產品。該解釋的思路似乎是，當方法專利以軟件形式被固化在硬件設備之后，由于該設備之運行必然機械再現專利方法，如果僅判決承擔停止實施專利方法而不停止制造、銷售固化了專利方法的產品，不利于有效保護方法專利權人。本文認為，該項判決的專利法基礎及判決理由還需要進行深入的研究和論證，以證明該項判決的合理性。但該項判決為人工智能方法專利的司法保護提供了新的思路。
雖然該案涉案專利屬于通信技術領域，不屬于AI技術領域，但AI技術與涉案技術有相同的特點。AI技術需要依賴計算機軟件來實施。AI方法專利在實際應用中，往往以軟件的形式安裝固化在硬件設備中，用戶在使用該硬件設備時觸發軟件在后臺自動運行，使硬件設備表現出特定的智能、完成特定的功能。侵權行為人完全可以在未獲得專利權人許可的情況下，將AI專利方法以軟件的形式安裝在其制造的硬件設備中，通過對外銷售硬件設備獲得不當利益。此時，如果AI方法專利的保護可以延伸至以軟件的形式固化了該專利方法的產品，則更有利于保護AI專利權人。
因此，在經后的AI專利侵權案件中，專利權人可以引證前述最高院的判決，嘗試主張將AI方法專利保護延伸至AI系統或產品。當然，還需考慮固化AI專利方法的設備是通用設備還是專用設備，如構是通用設備，則延伸保護范圍可能過大。如果是專用設備，尚有比照提供侵權專用零部件的思路進一步論證要求停止生產、銷售設備的合理性之基礎。
四
尚待深入研究的問題
雖然第一件人工智能專利申請出現在1980年代，但據統計，全世界有一半以上的人工智能專利出現于2013年之后。【20】與機械時代或軟件時代的專利相比，人工智能專利尚為新生事物，對于如何在專利法思維下理解、表達和保護AI 技術方案，還有非常多的問題需要深入研究。如前所述，AI技術方案呈現為動態過程。而專利申請文件的語言表達、專利申請審查、專利無效以及專利侵權判斷，追求的是語言的確定性和技術方案的可視化。如何化解諸如此類的矛盾，以使專利保護制度與AI技術發展相適應，除了不斷精進AI專利申請文件撰寫方法外，還有待于在更深入理解AI技術的基礎上，就AI專利保護理念、思路做更接近實務的廣泛討論。
注：
【1】WIPO Technology Trends 2019：Artificial Intelligence，https://www.wipo.int/tech_trends/zh/
【2】WIPO Technology Trends 2019：Artificial Intelligence，at 31.
【3】 WIPO Technology Trends 2019：Artificial Intelligence，at 47.
【4】 WIPO Technology Trends 2019：Artificial Intelligence，at 51.
【5】 “結構化數據不應該被人工智能忘之腦后!”，來源于AI科技評論微信公眾號，https://mp.weixin.qq.com/s/vQnJm-Om2SzraF81a19TWg
【6】 WIPO Technology Trends 2019：Artificial Intelligence，at 103.
【7】EPO，Patenting Artificial Intelligence Conference summary，May 30, 2018, https://www.epo.org/learning-events/events/conferences/2018/ai2018.html
【8】 2019 Revised Patent Subject Matter Eligibility Guidance，https://federalregister.gov/d/2018-28282.
【9】 參見第29176號復審決定(200410049846.0)，轉引自《以案說法——專利復審、無效典型案例指引》，國家知識產權局專利復審委員會編著，知識產權出版社2018年版。
【10】 http://www.cnipa.gov.cn/zcfg/zcjd/1145668.htm
【11】 參見《專利法》第61條。
【12】 尹新天，《中國專利法詳解》，知識產權出版社，2011年版，第680頁。
【13】 參見北京知識產權法院2015年京知行初字第06705號行政判決書。
【14】尹新天，《中國專利法詳解》，知識產權出版社，2011年版，第681頁。
【15】 參見申請號為CN201910864377.4的發明專利申請。
【16】 參見申請號為CN201810930337.0的發明專利申請。
【17】 EPO，Patenting Artificial Intelligence Conference summary，May 30, 2018, https://www.epo.org/learning-events/events/conferences/2018/ai2018.html
【18】尹新天，《中國專利法詳解》，知識產權出版社，2011年版，第159頁。
【19】 具體案情參見(2019)最高法知民終147號判決書。
【20】 WIPO Technology Trends 2019：Artificial Intelligence，at 86.
來源：IPRdaily中文網(iprdaily.cn)
作者：孟睿 南京大學法學院法學博士研究生
編輯：IPRdaily王穎 校對：IPRdaily縱橫君
