专利法思维下的人工智能技术及其保护策略
2020/4/28 14:58:23  点击率[10]  评论[0]
【法宝引证码】
    【学科类别】专利法
    【出处】微信公众号:国浩律师事务所
    【写作时间】2020年
    【中文摘要】近年来,人工智能专利的申请、审查以及司法保护成为业界的热点话题。本文作者在总结实务工作经验的基础上,基于专利法视角分析了人工智能技术的特点,并结合我国最新修改的《专利审查指南》和新近专利侵权司法案例,对人工智能技术在专利申请和专利侵权诉讼中的几个保护难点进行梳理何讨论,以期有助于AI创新主体提升AI专利质量和专利保护力度。
    【中文关键字】人工智能;专利
    【全文】

      一、专利法思维下的AI技术
     
      专利权是典型的技术与法律相结合而形成的产物,正确理解AI技术的特点是使用专利有效保护AI技术的基础。
     
      (一) 由抽象到具体的三个技术维度
     
      2019年WIPO发布名为《Technology Trends 2019:Artificial Intelligence》的报告,[注1]该报告从底层实现、功能性应用和产业应用三个维度分析了AI技术的发展趋势。此三个维度体现了AI技术由抽象到具体的渐变过程,契合专利制度更倾向于保护实用技艺而非自然科学基础研究的功能,因而从这三个维度理解AI技术,有助于我们分析和讨论AI专利客体适格性、权利要求保护范围大小、创造性判断以及权利要求解释和侵权判断难易程度等问题。
     
      1. AI底层实现技术(AI techniques)
     
      AI底层实现技术是指实现人工智能功能应用的以统计或数学模型表示的各种核心算法,即底层算法,包括机器学习(machine learning)、模糊逻辑(fuzzy logic)、概率推理(Probabilistic Reasoning)、本体工程(Ontology engineering)、逻辑编程(Logic programming)等。机器学习又可以细分为深度学习(Deep learning)、神经网络(neural networks)、分类和回归树(Classification and regression trees)、支持向量机(Support vector machines)等。机器学习按照学习方法分为多任务学习(Multi-task learning)、有监督学习(Supervised learning)、无监督学习(Unsupervised learning)、强化学习(Reinforced learning)等。
     
      据WIPO的统计,机器学习是当前最为流行的AI实现技术。涉及机器学习的专利数量占全部人工智能实现技术专利数量的98%。从2013年至2016年,深度学习专利数量的增长率高达175%,神经网络专利数量的增长率为46%。[注2]
     
      2. AI功能性应用技术(AI functional applications)
     
      AI功能性应用是指使用AI底层算法实现的技术性功能,包括计算机视觉(computer vision)、自然语言处理(natural language processing)、语音处理(speech processing)、分布式人工智能(Distributed AI)、知识表示与推理(Knowledge representation and reasoning)、计划与调度(Planning and scheduling)等。其中,计算机视觉进一步分为增强现实(Augmented reality)、图像和视频分割(Image and video segmentation)、符号识别(Character recognition)、目标跟踪(Object tracking)、场景理解(Scene understanding)等。自然语言处理包括机器翻译(Machine translation)、智能对话(Dialogue)、情感分析(Sentiment analysis)等。语音处理(speech processing)包括语音识别、语音转换等。
     
      WIPO报告显示,在所有与人工智能有关的专利中,计算机视觉、自然语言处理和语音处理技术的专利数量占比分别为49%、14%以及13%。[注3]
     
      3. AI产业应用技术( AI application fields)
     
      AI底层算法和应用功能被广泛使用于各个产业领域,从而实现工业化和商业化应用。WIPO报告显示,近几年人工智能应用较为活跃的产业领域为交通运输、通信以及生物医药,各领域专利数量分别占所有人工智能专利数量的24%、24%以及19 %。[注4]交通运输领域可以细分为自动驾驶、车辆识别等,通信领域的应用如计算机网络,生物医药领域的应用包括生理参数监测、医学影像及疾病诊断、遗传/基因技术等。前述这些产业应用因与普通大众的生活密切关联而较为引人关注。实际上,在商业结构化数据领域,AI技术同样具有广泛的应用。由于结构化数据对于驱动企业的业务发展、营收、数据安全以及数据治理等具有重要作用,未来AI技术在商业结构化数据领域中有着巨大的开发潜能。[注5]
     
      (二) 动态的AI技术:事前算法训练和事中模型优化迭代
     
      在机械时代或软件时代,技术方案确定后,产品结构或计算机程序流程不再发生变化,产品或计算机程序所实现的功能和效果也确定不变。但实施AI技术的AI系统或产品则有别于此。
     
      使用AI技术的AI系统或产品并非在算法模型搭建完成时就可以自然地实现某一功能,完成某一工作,其需要一个动态的学习过程,从海量数据中提取出特征,针对特征获取最优训练模型,并用最优训练模型进行测试,进而实现预期功能。例如,在纽约大学医学院Aristotelis教授完成的一项使用人工智能自动诊断肺癌的研究项目中,为了让卷积神经网络具有自动诊断肺癌的功能,研究人员收集了1200个包括健康和疾病肺样本在内的80万张肺部图片来训练卷积神经网络,即将该80万张肺部图片提供给卷积神经网络进行识别,并告诉其每一张图片对应的诊断结论是什么。经过两个星期的训练后,该神经系统的肺癌诊断的准确性达到 97%,略好于三名病理学家的独立诊断结果。研究人员还表示,如果用更多的样本进行训练,该AI模型的诊断准确性可以进一步提高。[注6]而在实际的应用过程中,每一个真实的病例就是一个训练样本,长期的实际应用过程本身也是训练过程,经过长期的实际应用可以进一步提升诊断的准确性。
     
      训练过程通常体现为训练方法,并且通过数据汇聚、沉淀及更新,进行机器自我调参及优化,实现个性学习、知识图谱不断迭代,最后改进学习路径。在实际使用过程,基于不断数据汇聚及沉淀,借助算法实现模型的自我更新,以及模型指标体系提炼升级,实现基于机器学习的自我建模,让模型愈加完善、精准。因此,AI系统或产品在训练完成具备某一功能之后,其模型和算法还可以不断地自我更新完善。例如,阿尔法围棋(AlphaGo)为了应对围棋的复杂性,结合了监督学习和强化学习的优势。其通过训练形成一个策略网络(policy network),将棋盘上的局势作为输入信息,并对所有可行的落子位置生成一个概率分布。然后,训练出一个价值网络(value network)对自我对弈进行预测,以 -1(对手的绝对胜利)到1(AlphaGo的绝对胜利)的标准,预测所有可行落子位置的结果。前述两种网络自身都十分强大,而阿尔法围棋将这两种网络整合到基于概率的蒙特卡罗树搜索(MCTS)中,实现了更强的优势。新版的阿尔法围棋产生大量自我对弈棋局,为下一代版本提供了训练数据,此过程循环往复。
     
      从上述例子可以看出,AI技术所涉及的不仅仅是事先预定规则的算法或静态算法模型的构建和使用,还包括算法模型的训练、优化,以及算法模型的调度使用策略等。如果将算法视为传统方法中的步骤,将模型视为传统方法中作用的对象(物品),则与传统方法不同之处在于,算法和模型在AI技术实施过程中是可以调整和优化的,而这种调整和优化不是在人力干预下发生的,而是AI系统或产品在实际使用过程中,根据过往数据或经验不断地改进和完善获得的。因此,AI技术方案呈现为动态过程。在对AI技术进行专利保护时,除了运用传统的结构思维或规则思维理解技术方案外,还需探寻更贴合AI技术的动态化思维来理解、表达和确定AI技术方案。
     
      二、专利申请中的AI技术保护策略
     
      客体适格性和创造性一直是AI专利申请中关注度较高的话题。继EPO 和USPTO之后,国家知识产权局(CNIPA)于2019年最后一天也就AI等新领域专利申请对《专利审查指南》进行了修改。新修改的《专利审查指南》将近几年AI专利申请审查实践中探索的有益做法上升到正式的《专利审查指南》中,并统一了审查标准。同时,新修改的《专利审查指南》也为创新主体有效保护AI创新成果提出了更高的要求。
     
      (一) 在符合客体适格性的前提下争取较大的专利保护范围
     
      1. AI专利申请客体适格性争议反映的是申请人争取较大专利保护范围的努力
     
      通常,AI技术需要通过计算机软件来实施,EPO首席经济学家Yann Ménière甚至将人工智能视为“超级软件”。[注7]因此,《专利审查指南》中涉及计算机程序的发明专利申请审查规则同样适用于AI专利申请。在计算机实施发明或软件相关发明的专利审查中,对于算法或数学计算规则不属于专利法保护客体这一认知,实践中已经不存在较大争议。但是在AI技术领域,有关算法的客体适格性问题再次引起关注,以致其成为EPO、USPTO以及CNIPA修订专利审查指南首先要解决的问题。算法客体适格性问题之所以在AI专利申请中引起关注,主要还是与AI技术的特点有关。AI技术创新主要体现在AI算法创新,功能性应用和产业应用均依赖于AI算法实现,功能性应用和产业应用的技术突破倚重于AI算法的改进和创新,功能性应用和产业应用技术方案,不可避免地包含AI算法。如前所述,底层实现算法、功能性应用和产业应用是由抽象到具体渐变的三个维度。在专利法思维下,一旦通过专利控制了各种AI底层算法,就能够控制其功能性应用和产业应用。当通过改进算法获得的功能性应用和产业应用技术方案后,申请人为了获得较大保护范围,往往倾向于将专利保护范围抽象概括至算法本身或者无限接近于算法。另外,AI底层算法已被视为基础性研发工具,而专利权利要求不应当旨在垄断作为科研工具的抽象概念。[注8]由此就会产生AI专利申请在争取较大保护范围时其保护客体是否适格的问题。
     
      2. 如何在争取较大专利保护范围时满足客体适格性:整体性考虑原则
     
      AI创新主体究竟将功能性应用和产业应用技术方案抽象到什么程度既符合客体适格性要求,又能获得较大的保护范围,是AI技术专利保护的首要难题。对此,新修订的《专利审查指南》给出了整体性考虑原则。整体性考虑原则是指,为了解决技术问题而利用技术手段并获得技术效果的包含AI算法的发明专利申请是适格的保护客体;其中,权利要求除了包含算法特征外,还需要包含技术特征;算法特征和技术特征作为一个整体,需采用了利用自然规律的技术手段、解决了技术问题,并且由此获得符合自然规律的技术效果。AI创新主体在整体性考虑原则之下保护AI技术创新时,需要注意以下两点:
     
      第一,判断权利要求保护的方案是否为技术方案时,不以权利要求保护主题名称为判断依据,而是将权利要求记载的算法特征和技术特征作为一个整体,对其中涉及的技术手段、解决的技术问题和获得的技术效果进行具体分析。例如,新修订的《专利审查指南》给出的审查示例2,其保护的主题名称为“一种卷积神经网络模型的训练方法”,单从主题名称看,应不属于专利法保护客体,但主题名称之后的具体方案明确了模型训练方法的各步骤处理的数据均为图像数据以及各步骤如何处理图像数据,体现出神经网络训练算法与图像信息处理密切相关。该技术方案所解决的是如何克服CNN模型仅能识别具有固定尺寸的图像的技术问题,采用了在不同卷积层上对图像进行不同处理并训练的手段,利用的是遵循自然规律的技术手段,获得了训练好的CNN模型能够识别任意尺寸待识别图像的技术效果。因此,将权利要求记载的算法特征与技术特征作为一个整体进行分析后,可以确定该发明专利申请欲保护的方案为技术方案,属于专利保护客体。
     
      第二,在判断权利要求保护的方案是否解决了技术问题时,不应仅仅考虑申请人在说明书中所声称的问题,应当从技术手段入手整体判断解决的问题是什么、是不是技术问题。例如,在第29176号复审决定中,专利复审委员会并没有简单地将申请人在说明书中所声称的“为同业金融机构、公司等集团用户提供人民币异地资金汇划服务”这一问题作为权利要求保护方案所要解决的问题,而是从技术手段入手作整体判断,认为涉案申请通过专线的有线传输网络来传输信息,克服了使用Internet网络带来的易遭受攻击、易受公众网络运行状况影响的缺点,同时采用密押设备对传输的信息进行加密来确保了交易信息传输的安全性。[注9]其中,克服易遭受攻击、确保交易信息传输的安全性均属于技术问题。该复审决定涉及的技术方案虽然不属于AI技术领域,但对AI技术领域相同问题的辨析给出了有益的指引。目前,AI技术在传统的非技术领域也无处不在。例如,AI技术在包括经济学、音乐、艺术、心理学、语言学和文学在内的文科领域得到了广泛的应用。在这些非技术领域的AI应用技术方案,更应当注意从技术手段入手做整体判断,而不是仅仅考虑申请人在说明书中所声称的非技术应用问题。
     
      (二) 将算法特征与技术特征相关联,以示出算法特征对技术方案创造性所做出的贡献
     
      审查实践中,AI专利申请涉及的创造性问题主要有两个:第一,在进行创造性判断时,是否需要考虑算法特征对技术方案做出的贡献;第二,如果权利要求与最接近的现有技术的应用场景相同,区别仅在于算法的调整,或者如果权利要求与最接近现有技术的区别仅在于应用场景不同,如何具体评价创造性。
     
      1. 考虑算法特征对技术方案创造性所作贡献的前提:算法特征与技术特征关联性考虑原则
     
      对于在创造性判断中是否需要考虑算法特征对技术方案做出的贡献的问题,新修改的《专利审查指南》给出了关联考虑原则,即应将与技术特征功能上彼此相互支持、存在相互作用关系的算法特征与所述技术特征作为一个整体考虑,考虑算法特征对技术方案做出的技术贡献。换言之,是否考虑算法特征对技术方案的创造性做出贡献,需要以算法特征与技术特征在功能上彼此相互支持、存在相互作用关系为前提。所谓功能上彼此相互支持、存在相互作用关系是指算法特征与技术特征紧密结合、共同构成了解决某一技术问题的技术手段,并且能够获得相应的技术效果。如果算法特征与技术特征不是功能上彼此相互支持,不存在相互作用关系,没有紧密结合、共同构成解决某一技术问题的技术手段,即便算法有改进,也不予考虑该算法特征对技术方案创造性的贡献。
     
      例如在新修改的《专利审查指南》审查示例7中,专利申请技术方案与对比文件1的区别在于采用的模糊决策的实现算法。由于该模糊决策的具体实现算法及其应用于机器人稳定状态的判断均未被其他对比文件公开,也不是公知常识,因此,根据模糊决策算法之区别认可了该专利申请技术方案的创造性。也即模糊决策与机器人稳定状态判断相关联后,应当考虑算法特征对技术方案创造性所作出的贡献。而在审查示例10中,专利申请技术方案与对比文件1的区别在于设定的具体情感分类规则。由于即使情感分类规则不同,对相应数据进行着色处理的技术手段也可以是相同的,不必做出改变,因此情感分类规则与具体的可视化手段并非功能上彼此相互支持、存在相互作用关系,即算法特征与技术特征之间没有关联结合形成技术手段。该专利申请技术方案相对于现有技术的贡献仅在于提出一种新的情感分类规则,并没有实际解决任何技术问题,即没有针对现有技术做出技术上的贡献。因此,在判断专利申请技术方案创造性时,即便情感分类规则有改进,也不予考虑其对技术方案创造性的贡献。
     
      需要强调的是,创造性判断中是否解决了技术问题,与客体适格性判断中是否解决了技术问题,是有区别的。创造性判断中是指作为区别特征的算法特征没有解决任何技术问题,而不是权利要求整体作为一个技术方案没有解决任何技术问题。客体适格性判断中是指权利要求整体是否解决了技术问题从而构成技术方案。例如在前述审查示例10中,就权利要求整体而言,解决了具体情感规则的可视化问题,采用了对相应数据进行着色的技术手段,利用了人眼视觉感官的自然属性,遵循了自然规律,获得了展示动态观点演变的技术效果,属于《专利法》第2条第2款规定的技术方案,但权利要求相对于对比文件1而言,没有实际解决任何技术问题。
     
      2. 算法特征与技术特征关联后的创造性审查基准
     
      对于涉及算法的专利申请,如果权利要求与最接近的现有技术的功能性应用或产业应用场景相同,区别仅在于AI底层算法的改进,例如同样用于无人驾驶中障碍物的识别,权利要求的算法对参数和公式进行了重新选取或调整,其实际解决的技术问题是进一步提高检测障碍物的准确性,如果现有技术中整体上不存在解决此问题的技术启示,则权利要求是非显而易见的。
     
      如果权利要求与最接近现有技术的区别仅在于功能性应用或产业应用场景不同。例如,将人脸识别中常用的求取最优解迭代算法移植到核医学图像重建中,技术方案发明人会觉得很有创新,但从专利审查的角度看,此时采用的人工智能算法是已知,算法本身未做改进,仅仅是已知的算法应用到另一场景中。此时涉及到转用发明,在判断创造性时,通常要考虑转用的远近、难易程度、是否需要克服技术上困难、是否存在技术启示、转用带来的技术效果等因素。
     
      总之,在进行创造性判断时,首先需要判断,算法特征与技术特征是否在功能上彼此相互支持,存在相互作用关系。当算法特征成为所采取的技术手段的组成部分之后,再进一步考虑现有技术中是否存在相应技术启示。
     
      (三) 获取高质量AI专利申请的建议
     
      如前所述,AI技术可以分为底层实现技术、功能应用和产业应用三个维度。在进行专利挖掘和布局时时,可以沿着这三个维度由算法至具体应用依次展开需要保护的技术方案。例如,在一件专利申请中,将算法作为向上游提炼的基础方案,将功能应用作为核心方案,将具体应用作为向下游扩展的外围或卖点技术专利。也可以从专利群布局的角度,将算法作为基础专利,将功能应用作为核心专利,将具体应用作为外围专利或卖点专利。当然,将算法申请专利或者布局算法权项时,其方案不能是没有任何物理意义的纯算法,需要算法特征与技术特征做一定的技术关联与结合。
     
      对于AI专利申请,无论是客体适格性判断中的整体性考虑原则,还是创造性判断中的关联性考虑原则,反映的均是算法特征与技术特征之间在技术问题、技术手段以及技术效果三个方面的关系。因此在撰写权利要求书和说明书时,需要处处留意算法特征与技术特征之间技术性关系的表述。对于具体撰写要点,CNIPA发布的《2020年<专利审查指南>第二部分第九章修改解读》[注10]已经进行了部分阐述,本文不再赘述。总之,需要围绕算法特征与技术特征作为一个整体,在功能上彼此相互支持、存在相互作用关系来展开。
     
      三、专利侵权诉讼中的AI技术保护策略
     
      人工智能专利侵权案件,实践中尚少见,本文结合AI技术的特点和新近专利侵权司法实践,从新产品制造方法举证责任倒置和方法专利对产品延伸保护两个方面,尝试探索人工智能专利侵权诉讼中的保护策略。
     
      (一) 将人工智能模型训练方法专利解释为新产品制造方法专利,适用举证责任倒置破除AI专利侵权认定难的问题
     
      鉴于抽象的算法模型在人工智能功能性应用和产业应用技术方案中的底层实现作用,相较于传统方法专利或软件专利,人工智能专利的侵权可视化程度更低。在涉及人工智能专利侵权判断和保护时,寻找和提供足够的证据证明侵权行为存在对于人工智能专利权人来说是一项巨大的挑战。
     
      为了弥补方法专利权人不利的举证地位,现行《专利法》设置了新产品制造方法发明专利举证责任倒置制度。当专利侵权纠纷涉及新产品制造方法专利时,由制造同样产品的制造者提供其产品制造方法不同于专利方法的证明。[注11]当然,该制度具有一定的适用范围。首先,举证责任倒置制度仅适用于产品制造方法,不适用于其他方法,例如不适用于作业方法、使用方法等。[注12]所谓产品制造方法,通常是指作用于一定的物品,使之在结构、形状或者物理化学特性上产生变化。其次,举证责任倒置制度适应于新产品,不适用于已知产品的制造方法。本文认为,对于涉及模型训练和模型构建的人工智能技术方案,可以尝试利用新产品制造方法举证责任倒置制度强化人工智能专利的保护力度。具体理由如下:
     
      第一,在涉及模型训练和模型构建的人工智能技术方案中,模型训练和模型构建过程与产品制造方法具有内在的逻辑一致性。如前所述,模型训练过程是使用特定的训练数据作用于人工智能算法模型,使之具有或优化其识别和判断特性,从而获得具有新特性和功能的算法模型。这一过程是从一种算法模型转换为另一种算法模型从而获得新算法模型的过程。例如,在新修改的《专利审查指南》审查示例2中,权利要求涉及一种卷积神经网络模型的训练方法,经过一系列的训练步骤后,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,以获得在识别图像类别时能够识别任意尺寸的待识别图像的CNN模型。该训练方法作用于CNN模型,使之在模型结构上产生变化,符合产品制造方法的内涵,可以视为模型制造方法。模型构建过程则是从无到有的过程,同样属于模型制造方法。
     
      第二,现有专利审查实践和司法实践具有将算法模型解释为专利法中产品的解释空间。虽然算法模型不是专利法中传统意义上有形的、物理意义上的产品,但将算法模型视作涉及计算机程序的虚拟装置,符合人工智能技术方案基于软件实现的特性。而由程序模块构成的虚拟装置作为专利法中的产品已经被我国专利审查实践和司法实践所认可。2010年版《专利审查指南》已经就涉及计算机流程的虚拟装置权利要求的撰写做出规定,可见,《专利审查指南》也有意将虚拟装置权利要求与方法权利要求予以区别。另外,在2015年京知行初字第06705号行政判决书中,北京知识产权法院认为,尽管基于计算机流程的虚拟装置权利要求与基于计算机流程的方法权利要求具有同源性,虚拟装置权利要求的撰写形式与实体装置权利要求的撰写在形式上有差异,但这种差异并不能构成对要求保护的权利要求类型发生变化的理由,不能将作为产品权利要求的虚拟装置视为方法权利要求。[注13]因此,虽然算法模型不具有实体结构,但在虚拟装置的视角下,将算法模型解释为产品并不存在障碍。
     
      另外,不断精进专利撰写技巧也可以很好地解决这一问题。例如,仍然以前述审查示例2为例,该审查示例2权利要求保护主题可以改为:“一种图像识别装置/设备的形成/制造方法,包括卷积神经网络模型训练,其特征在于,……”,从而将卷积神经网络模型训练技术方案同时以产品制造方法的形式予以保护。因此,对于AI技术创新主体,可以尝试在专利申请过程中提前布局以产品制造方法为主题的保护权项,以便为将来在侵权诉讼中使用举证责任倒置创造条件。
     
      第三,通过专利申请证明训练或构建的模型属于新产品。《最高人民法院关于审理侵犯专利权纠纷案件应用法律若干问题的解释(2009)》第17条规定,产品或者制造产品的技术方案在专利申请日以前为国内外公众所知的,人民法院应当认定该产品不属于举证责任倒置中的新产品。其中,“为国内外公众所知”表明是否为新产品的判断采用了新颖性标准。[注14]产品或者制造产品的技术方案在专利申请日以前不为国内外公众所知的则为新产品。而证明在专利申请日以前不为国内外公众所知的最好办法就是将算法模型本也申请专利。例如,一种CNN模型及其训练方法,[注15]一种交通事故严重性预测CSP?CNN模型及其建模方法。[注16]算法模型权项如果获得授权,自然能证明其新颖性,即使没有授权,如果审查意见以没有创造性为由驳回专利申请,同样可以证明其新颖性,从而为模型训练方法或构建方法专利适用举证责任倒置提供基础。
     
      据称,日本法院为了应对AI技术方案难以被直接观察的难题,法院已经在一些专利侵权案件中发出“文件生产命令”(document production orders),以便揭示AI系统的基本工作流程。[注17]对于日本法院发出的“文件生产命令”的法律依据和性质如何,作者尚未做深入研究,但至少看起来与我国制造方法专利举证责任倒置制度有异曲同工之处。
     
      (二) 尝试主张将人工智能方法专利的保护延伸至人工智能系统或产品
     
      制造方法专利权的延伸保护是指方法专利的排他性延伸至依照该专利方法直接获得的产品。即任何人未经方法专利权人许可,不得为生产经营目的使用、许诺销售、销售或者进口依照该专利方法直接获得的产品。只有制造加工方法可以获得延伸保护。制造加工方法与作业方法、使用方法的区别在于,作业方法、使用方法的目的不在于改变所涉及物品本身的结构、特性或功能。[注18]
     
      2019年底,由最高院审理的腾达公司与敦骏公司侵害发明专利纠纷一案备受关注。[注19]主要原因在于,最高院在该案判决中详细阐述了涉及网络通信领域多主体实施方法专利的直接侵权行为认定的基本规则及其法理基础,解决了司法实践中长期存在的困惑。实际上,该案判决还有另外一个值得关注的问题。在该案中,涉案专利保护的是一种网络接入认证方法,根据该方法并不能直接获得包括被诉侵权产品在内的任何产品,该方法实际上可以归类为设备作业方法或控制设备运行的方法。但是该案一审判决被控侵权人“停止制造、许诺销售、销售涉案的路由器产品”。最高院在二审判决中也支持了该项判决,并进一步解释到,在认定直接侵犯方法发明专利权的情况下,判令腾达公司立即停止制造、许诺销售、销售涉案路由器产品,是指判令其停止制造、许诺销售、销售固化了涉案专利方法实质内容的涉案路由器产品。该解释的思路似乎是,当方法专利以软件形式被固化在硬件设备之后,由于该设备之运行必然机械再现专利方法,如果仅判决承担停止实施专利方法而不停止制造、销售固化了专利方法的产品,不利于有效保护方法专利权人。本文认为,该项判决的专利法基础及判决理由还需要进行深入的研究和论证,以证明该项判决的合理性。但该项判决为人工智能方法专利的司法保护提供了新的思路。
     
      虽然该案涉案专利属于通信技术领域,不属于AI技术领域,但AI技术与涉案技术有相同的特点。AI技术需要依赖计算机软件来实施。AI方法专利在实际应用中,往往以软件的形式安装固化在硬件设备中,用户在使用该硬件设备时触发软件在后台自动运行,使硬件设备表现出特定的智能、完成特定的功能。侵权行为人完全可以在未获得专利权人许可的情况下,将AI专利方法以软件的形式安装在其制造的硬件设备中,通过对外销售硬件设备获得不当利益。此时,如果AI方法专利的保护可以延伸至以软件的形式固化了该专利方法的产品,则更有利于保护AI专利权人。
     
      因此,在经后的AI专利侵权案件中,专利权人可以引证前述最高院的判决,尝试主张将AI方法专利保护延伸至AI系统或产品。当然,还需考虑固化AI专利方法的设备是通用设备还是专用设备,如构是通用设备,则延伸保护范围可能过大。如果是专用设备,尚有比照提供侵权专用零部件的思路进一步论证要求停止生产、销售设备的合理性之基础。
     
      四、尚待深入研究的问题
     
      虽然第一件人工智能专利申请出现在1980年代,但据统计,全部世界有一半以上的人工智能专利出现于2013年之后。[注20]与机械时代或软件时代的专利相比,人工智能专利尚为新生事物,对于如何在专利法思维下理解、表达和保护AI 技术方案,还有非常多的问题需要深入研究。如前所述,AI技术方案呈现为动态过程。而专利申请文件的语言表达、专利申请审查以及专利侵权判断,追求的是语言的确定性和技术方案的可视化。如何化解诸如此类的矛盾,以使专利保护制度与AI技术发展相适应,除了不断精进AI专利申请文件撰写方法外,还有待于在更深入理解AI技术的基础上,就AI专利保护理念、思路做更接近实务的广泛讨论。

    【作者简介】
    孟睿,国浩南京办公室律师,业务领域:知识产权、专利申请代理。
    【注释】
    [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] “结构化数据不应该被人工智能忘之脑后!”,来源于AI科技评论微信公众号,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] 参见第29176号复审决定(200410049846.0),转引自《以案说法——专利复审、无效典型案例指引》,国家知识产权局专利复审委员会编著,知识产权出版社2018年版。
    [10] http://www.cnipa.gov.cn/zcfg/zcjd/1145668.htm
    [11] 参见《专利法》第61条。
    [12] 尹新天,《中国专利法详解》,知识产权出版社,2011年版,第680页。
    [13] 参见北京知识产权法院2015年京知行初字第06705号行政判决书。
    [14] 尹新天,《中国专利法详解》,知识产权出版社,2011年版,第681页。
    [15] 参见申请号为CN201910864377.4的发明专利申请。
    [16] 参见申请号为CN201810930337.0的发明专利申请。
    [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,《中国专利法详解》,知识产权出版社,2011年版,第159页。
    [19] 具体案情参见(2019)最高法知民终147号判决书。
    [20] WIPO Technology Trends 2019:Artificial Intelligence,at 86.

    本网站文章仅代表作者个人观点,不代表本网站的观点与看法。
    转载请注明出自北大法律信息网
0
北大法律信息网
www.chinalawinfo.com
法律动态
网站简介
合作意向
网站地图
资源导航
版权声明
北大法宝
www.pkulaw.cn
法宝动态
法宝优势
经典客户
免费试用
产品服务
专业定制
购买指南
邮件订阅
法律会刊
北大英华
www.pkulaw.com
英华简介
主要业务
产品列表
英华网站
联系我们
用户反馈
返回顶部
二维码