多模型专利申请的创造性判断

　　张敏姣 徐卫锋 熊婷

　　【弁言小序】

　　随着人工智能（AI）技术与各应用场景的深度融合，多源异构、高复杂度的数据处理需求持续增长，对模型的泛化能力、任务适配精度与处理效率提出了更高要求，而单模型往往难以兼顾分析全面性以及场景适配性，因此，依托多模型的数据处理架构逐步成为 AI领域技术研发与专利布局的重点方向。在工业设备状态监测、网络搜索推荐、音视频内容生成、智能会话交互等多行业应用场景中，基于多模型的数据处理已形成成熟的落地路径，相关专利申请的数量也逐年攀升，技术方案常覆盖AI通用标准流程的数据采集、模型构建、模型训练、模型应用等多个关键环节。

　　相较于传统的单模型专利申请，多模型专利申请的技术方案更为复杂，既可能包含算法模型本身的结构设计，也可能涉及多模型间的协同作用关系。因此，在判断此类案件的创造性过程中，模型之间的关系以及对应的技术效果如何考量，亟待厘清。本文结合 AI领域复审典型案例，围绕利用多模型进行数据处理类方案的创造性判断展开分析，提炼可适用于同类案件的审查思路。

　　【理念阐述】

　　专利法意义上的创造性，要求发明具备突出的实质性特点和显著的进步，在审查实践中，以《专利审查指南》第二部分第四章第节“突出的实质性特点的判断方法”规定的“三步法”作为判断基础，即先确定最接近的现有技术，再确定发明与最接近现有技术的区别特征，并基于区别特征重新确定发明实际解决的技术问题，最后判断要求保护的发明对本领域的技术人员来说是否显而易见。《专利审查指南》特别强调，在重新确定技术问题时，对于功能上彼此相互支持、存在相互作用关系的技术特征，应整体考虑所述技术特征和它们之间的关系在要求保护的发明中所达到的技术效果，这一原则在多模型专利申请的创造性判断中尤为重要。

　　当专利申请涉及利用多种模型进行数据处理时，基于“三步法”这一判断基准来确定该专利申请相对于现有技术是否具备突出的实质性特点时，则需要判断该多个模型之间是否“功能上彼此相互支持、存在相互作用关系”。结合模型类技术方案的创新特点，上述判断实际是判断该多模型之间是否存在协同作用关系。在审查实践中，多模型间协同作用关系的存在与否，可围绕基于 AI通用标准流程的各个环节所提取出的关键考量因素来综合认定，例如，多模型间是否存在相互约束的处理顺序，多模型间的输入输出数据是否具备关联性，多模型的训练过程是否相互依赖，多模型的输出结果是否需要作进一步的融合、交叉修正、联合判定等后处理，等等。如果多模型之间在模型构建、模型训练、模型应用等任一阶段存在关联约束，例如，某个模型的输入、运行或参数调整依赖于其他模型，缺少某一模型则会影响整体技术效果，则认为多模型间存在协同作用关系。反之，若多个模型仅为相互并行模式，各个模型能够单独完成对输入数据的处理、独立输出处理后的最终结果，模型之间无数据交互、无执行顺序约束、无训练过程依赖，则多模型间不构成协同作用关系。在确定区别特征和发明实际解决的技术问题、判断现有技术是否给出技术启示时需要考虑多模型之间是否存在协同作用关系。若多模型之间存在协同作用关系，在确定区别特征和发明实际解决的技术问题时，应当整体考量存在协同作用关系的多模型的相关特征以及其协同后能够实现的功能；在判断现有技术是否给出技术启示时，需考量各个模型是否被公开或属于本领域公知常识，各个模型的功能是否相同/相似，多模型之间的协同关系是否被公开或属于本领域的公知常识，多模型协同后是否功能相同/相似以及技术效果是否可预期等等。若多模型之间不存在协同作用关系，确定区别特征和发明实际解决的技术问题时，可分别考虑每个模型的功能；判断现有技术是否给出技术启示时，则可分别考量各个模型是否被公开或属于本领域公知常识，各个模型对应的功能是否相同/相似。

　　【案例演绎】

　　该案涉及企业品牌海外传播数据的分析方法，主要应用于跨境品牌营销、海外舆情监测场景，旨在对海外社交平台、新闻媒体、行业资讯等多渠道传播数据进行全面分析，为品牌传播策略调整提供数据支撑。该申请的具体处理流程为，首先对采集到的品牌海外传播数据进行清洗、去重等预处理操作，随后将预处理后的数据分别输入至情感分析模型、声量趋势分析模型、热点分析模型、自动摘要模型、文本聚类模型、文本分类模型、多维度分析模型、实体消歧模型、实体识别模型共九种自然语言处理模型，各模型分别对同一批数据开展独立分析并输出对应结果，最终将所有模型的输出结果进行展示。对比文件1的应用场景与本申请相同，公开了企业品牌传播数据分析的完整流程，涉及品牌传播数据的采集、预处理与分析展示环节，但仅采用情感分析单一模型完成文本数据处理。将本申请与对比文件1对比，区别特征在于，本申请在情感分析模型的基础上，还引入其他八种自然语言处理模型并行处理数据，同时对各模型的具体处理细节进行了限定。对比文件2应用于资讯数据处理场景，与本申请所属的文本数据分析领域相近，该文件公开了将预处理后的资讯数据输入声量趋势分析、热点分析、自动摘要、文本聚类及文本分类等五个文本分析模型进行并行处理。

　　为客观评价发明创造的智慧贡献、审慎作出创造性判断，依据上述多模型协同作用关系的判断规则，对本申请的技术方案展开拆解分析。本申请中，预处理后的数据同时输入至九个模型，各模型之间没有相互约束的处理顺序，无需等待其他模型完成处理后再运行；各模型的输入数据均为相同的预处理后传播数据，不存在前序模型向后序模型传递数据的情况；各模型的训练过程相互独立，不涉及模型间的联合训练；各模型独立完成分析并输出结果，输出结果仅作简单地罗列展示，未进行统一的筛选、融合等后处理操作。综合来看，本申请的九个模型仅为并行的独立个体，彼此之间不存在协同作用关系。在确定本申请相对于对比文件1的区别特征实际解决的技术问题时可分别考虑每个模型的功能；判断现有技术是否给出技术启示时，可分别判断各个模型是否被对比文件公开或属于本领域的公知常识，以及各个模型的功能是否相同/相似。

　　进一步来讲，对比文件2公开了在资讯数据处理场景中，资讯文本数据作为输入数据，经由声量趋势分析、热点分析、自动摘要、文本聚类、文本分类等多种模型并行处理，分别输出各个模型的分析结果，其应用场景、模型的输入数据和输出数据与本申请相似，所涉及模型的功能、应用方式与本申请相一致，且使用上述多个模型进行资讯数据分析的目的在于分别对输入的资讯数据进行声量趋势、热点、摘要等相应维度的分析，故对比文件2能够给出使用上述多个文本分析模型来分析资讯类文本数据的技术启示。而针对本申请中未被现有技术公开的多维度分析模型、实体消歧模型、实体识别模型，以及所限定的各个模型的实现细节，均属于自然语言处理领域针对文本数据进行分析的常用模型类型和实现步骤，本领域技术人员根据业务场景的需求可直接选用。因此，基于对比文件1公开的基础分析流程，本领域技术人员在面对提高品牌海外传播数据分析准确性的需求时，结合对比文件2公开的多个文本分析模型以及本领域常用的文本分析模型与对应的实现步骤，无需进行创造性劳动即可获得本申请的技术方案，本申请相对于现有技术是显而易见的。

　　结合上述案例可知，对于利用多个 AI算法/模型的专利申请，在确定区别特征和发明实际解决的技术问题、判断现有技术是否存在技术启示时，需根据多个算法/模型在模型构建、模型训练以及模型应用各阶段是否存在相互约束的执行顺序、输入输出数据之间是否相互关联、训练过程是否相互依赖等因素综合判断该多个算法/模型之间是否存在协同作用关系。若多个算法/模型之间不存在协同作用关系，则在确定区别特征和发明实际解决的技术问题、判断现有技术是否存在技术启示时可分别考量每个算法/模型的功能。进而言之，如果现有技术整体上存在在相同/相似的场景中利用该算法/模型实现相同/相似功能的技术启示，则技术方案不具备创造性；反之，则具备创造性。

　　随着大模型、多模态技术的迭代演进，利用多个 AI算法/模型的专利申请将会呈现出更多样的技术创新模式。审查实践中应当始终立足于本领域技术人员视角，结合技术发展现状与行业应用范式，精准把握技术方案的实质贡献。该案的评判思路对于多模型专利申请的创造性判断具有典型的借鉴意义。

　　（作者单位：国家知识产权局专利局复审和无效审理部、国家知识产权局专利局专利审查协作北京中心）

（编辑：刘珊 实习编辑：蔡友良）