发布时间: 2020-05-26
作者：车玲玲 资深专利代理师
一、人工智能技术整体专利态势
人工智能（AI）正在日益推动技术和商业的快速发展。受数字化大数据和快速计算机处理能力的推动，人工智能从理论领域开始转向全球市场，具有潜在的革命性影响。与全球的变化趋势相比，近十年来，在中国进行专利申请的年度增长率明显更高，尤其是最近两年，几乎呈现直线上升的趋势。可见，人工智能的技术研发在我国达到了空前的热度，这对全球申请总量的增长也起到了极大的促进作用。中国人工智能专利的申请量已全球第一，但中国人工智能专利的授权率一直不高，明显低于美国、日本、欧洲、以色列。美国在2014年的Alice案之后提高了人工智能专利的授权门槛，欧洲降低了人工智能专利申请的审查标准，中国放宽了人工智能专利申请的审查要求。旧的人工智能专利撰写方式，在美国容易被认为是“抽象概念”、“纯数学范畴”；在欧洲常常被认为“缺乏技术手段”；而在中国被冠以“智力活动的规则”。在当前的审查形式下，需要改变专利撰写方式，多采用结构属性方式去撰写，解决了专利保护客体问题，自身的创造性一般是没有问题的，授权率自然就提高。
二、KIPO公布的人工智能（AI）相关领域专利审查示例
韩国专利局（KIPO）于2020年4月14公布了人工智能（AI）相关领域专利审查示例，以帮助业界申请AI相关发明并提高AI相关申请的审查结果的可预测性。在此笔者通过其中两个示例向大家介绍一下韩国对于AI相关领域审查的最新动向。
这里说明的是基于机器学习的人工智能（AI）相关发明的审查示例。基于机器学习的AI相关发明是，以通过AI学习来执行特定功能为特点的计算机软件相关发明，分为AI学习建模发明和AI应用发明。
三、具体示例
示例1：利用机器学习的住宅温度自动控制系统
【权利要求1】一种利用机器学习的住宅温度自动控制系统，包括：存储单元，存储以往的每日的气象信息以及住宅的温度控制信息；学习模型生成单元，生成机器学习模型，该机器学习模型使用存储在存储单元中的温度、湿度、风速、云量和细尘浓度信息中的至少一个以上的每日的气象信息和住宅的温度控制信息作为学习数据；收集单元，从气象局服务器收集温度、湿度、风速、云量和细尘浓度信息中的至少一个以上的当前气象信息；以及输出单元，通过使用根据学习模型生成单元生成的机器学习模型，输出根据输入到所述收集单元的当前气象信息来预测出的住宅的温度自动控制信息。
【说明书的内容】（概要）本发明的一个目的是通过利用气象信息与住宅的温度之间的相关关系来自动控制住宅的温度。本发明具有通过使用从气象局服务器收集的每日气象信息和住宅温度控制信息作为学习数据，并使用机器学习模型，来输出住宅的自动温度控制信息，并降低住宅的能源使用成本的效果。本发明的机器学习模型可以使用人工神经网络（ANN）作为已知的机器学习模型。作为一个具体实施例，住宅的自动温度控制系统将从气象局服务器收集的当前气象信息的温度数据与过去的每日气象信息的温度数据进行比较，但是使用机器学习模型，输出根据当前温度数据所预测的住宅的温度自动控制信息。
【结论】
1、说明书公开不充分，无法实施。
2、权利要求1的发明得不到说明书的支持。
【结论1的理由（第42条第3款第1项）】在本发明的说明书中，仅描述了一些输入数据（温度、湿度信息）与训练模型的输出数据（自动控制住宅温度的信息）之间的相关性，而并未描述其他输入数据（风速、云量和细尘浓度信息）与训练模型的输出数据之间的相关性。如果未具体描述输入数据和训练模型的输出数据之间的相关性，则很难说说明书清楚、详细地记载为本领域技术人员能够容易地使用技术相关性来进行信息处理。当然，如果本领域技术人员能够应用申请时的技术常识或在本发明的说明书中描述的实施例来估计（理解）相关性，则属于例外情形。
然而，在本发明的说明书中，未具体描述细尘浓度数据和用于自动控制住宅的温度的信息之间的相关性，并且对于本领域技术人员而言，从申请时的技术常识来看，细尘浓度数据和用于自动控制住宅的温度的信息之间存在某种相关性并非是显而易见的。另外，本发明的说明书中未提供根据细粉尘浓度信息来自动控制住宅的温度的实施例（实验例），因而很难说说明书的记载满足可实施要件。因此，可以确定说明书没有以清楚和详细的方式描述本发明，以使本领域技术人员可以根据申请时的技术常识、说明书和附图容易地实施本发明。
【结论2的理由（第42条第4款第1项）】在权利要求1的发明中，以特征结构描述了一种学习模型生成单元，该学习模型生成单元用于使用气象信息（温度、湿度、风速、云量和细尘浓度信息）和住宅温度控制信息作为学习数据来生成机器学习模型。然而，在本发明的说明书中，作为与上述学习模型生成单元对应的具体结构，仅描述了使用温度和湿度信息作为学习数据的学习模型生成单元，并未描述使用微尘浓度信息作为学习数据的学习模型生成单元，即使考虑了申请时的技术常识，也不能将其视为是显而易见的。因此，在本发明的说明书中没有描述与权利要求1的发明相对应的具体结构，并且相比于申请时的技术常识，属于无法将本发明的说明书中描述的内容扩展或普遍化到要求保护的发明的整个范围（包括细尘信息的气象信息）的情形，因此可以认为权利要求1的发明得不到说明书的支持。
示例2：城市交通速度预测系统
【权利要求1】一种城市交通速度预测系统，包括：
信息提取单元，用于提取与每个时间段的交通量的变化、地理信息、天气信息和施工信息有关的历史记录信息；
模型构建单元，根据提取的历史记录信息来生成道路图案向量之后，执行ANN（人工神经网络）学习以找出道路图案与路段的平均速度之间的函数关系；和交通预测单元，通过使用与预测用输入图案向量的所属簇相对应的局部ANN来预测路段的平均速度，
所述模型构建单元包括：输入图案向量生成单元，通过将提取的历史记录信息与对应道路的检测信息结合来生成输入图案向量；数据划分单元，通过对输入图案向量的数据集进行聚类，通过划分相似图案的数据集群来估计晶格结构的簇，并生成估计簇的范围；ANN学习单元，其对每个估计簇中的输入图案向量分别进行ANN学习；以及模型结构DB，用于存储由数据分割单元生成的估计簇的范围信息和在ANN学习单元中对每个簇的输入图案向量分别进行学习的ANN。
【申请时的技术常识】人工神经网络（ANN）与多层感知器(MLP)之间虽然存在术语表述上的差异，但两者的技术实质上相同。
【对比文件1】涉及一种基于多层感知器（MLP）的交通量预测方法，在交通繁忙的城市地区，基于影响交通拥堵的时间因素（例如星期几，时间信息，有无降水，占用，交通量，车道流入/流出量，交叉路口和人行横道的数量，公交车站信息，施工信息等）和路段环境的各种因素，利用神经网络算法来预测市中心路段的交通拥堵。本发明由多层感知器结构组成，为了预测每小时的平均速度，选择影响交通拥堵的各种因素作为输入变量，并且选择交通量作为输出变量。收集包括日特征，时间特征，交通量，占用率，施工区间和有无降水中的至少一项的输入数据，并且基于所收集的数据执行预处理。确定预处理数据的学习条件和学习终止条件。预处理过程是在构建神经网络算法之前，对与交通量相关的输入变量进行标准化并删除不必要的信息的过程。多层感知器的初始权重是随机设置的，最终权重由反向传播算法确定并经过训练。
【结论】权利要求1的发明相对于对比文件具备创造性。
【判断理由】共同点：权利要求1与对比文件的发明目的、以及在交通信息预测机器学习中使用的包括每个时间段的交通量信息、地理信息、天气信息和施工信息的学习数据实质上相同。不同点：学习模型（对于学习数据的加工（预处理）和人工神经网络的配置方式）不同。对于区别的判断：尽管对比文件中公开了使用基于多层感知器（MLP）的学习模型来预测交通量，但是未描述用于对输入图案数据进行聚类或针对每个簇训练单独的局部人工神经网络的结构。本领域技术人员根据对比文件所公开的对输入变量进行标准化并删除不必要的信息的预处理过程，难以容易地得出权利要求1中的对输入图案数据进行聚类或针对每个簇训练单独的局部人工神经网络的结构。就效果而言，可以通过与所属簇相对应的局部ANN，更准确地预测出特定路段的平均速度。因此，本领域普通技术人员不能从所引用的发明容易地实施，因此可以认为权利要求1的发明是具备创造性的。
四、小结
本文通过韩国最新公布的人工智能（AI）相关领域专利审查示例介绍了韩国审查的最新动向，希望能够给大家提供一些启示。
