引    言

人工智能技术已经渗透到各行各业，可谓是当今的研究热点。随着知识产权保护意识的提高，人工智能技术也是专利申请的保护热点。而人工智能领域的专利申请往往与算法等抽象规则和通用方法紧密关联，此类专利申请是否属于专利保护客体一直是业内十分关注的问题。

人工智能与计算机技术紧密联系，主要依赖计算机来执行，但人工智能中涉及算法等抽象规则和通用方法的处理方案，往往利用最基础简单的计算机架构（如包含处理器和存储器的计算机）即可执行涉及算法等抽象规则和通用方法的处理方案，因此，从保护范围最大化的角度，没有必要将计算机技术中如具体硬件技术或软件技术在权利要求中进行显性表达。但如果不体现计算机技术，那么涉及算法等抽象规则和通用方法的处理方案在进行专利申请时就会受到保护客体问题的困扰。

现行的《专利审查指南》中规定，如果权利要求中涉及算法的各个步骤体现出与所要解决的技术问题密切相关，如算法处理的数据是技术领域中具有确切技术含义的数据，算法的执行能直接体现出利用自然规律解决某一技术问题的过程，并且获得了技术效果，则通常该权利要求限定的解决方案属于专利法第二条第二款所述的技术方案。

因此，如果将算法特征与具体技术领域中的技术特征密切结合，那么将可以克服专利保护客体的问题。

问题引出

但根据近期的审查动态，专利局对人工智能专利申请的保护客体审查呈现出越来越严格的趋势，引起了业内对“算法特征与具体技术领域中的技术特征密切结合”的广泛探讨，大家主要探讨的焦点在于何为“密切结合”（或称之为“紧密结合”），权利要求在何种表现形式上体现了“密切结合”。

根据目前审查意见通知书中的典型意见，将算法特征与具体技术领域中的技术特征密切结合主要表现在：算法的处理过程需要反映出输入输出数据的技术性含义，对于其中涉及的算法的改进需要体现出针对具体技术领域中技术数据的特点，有针对性的将抽象算法与技术数据进行技术上的关联处理。

由上可知，上述审查意见通知书给出了关于“密切结合”的一种相关倾向性意见，如果专利申请涉及算法的改进，那么，权利要求书中不能仅仅限定输入输出数据的技术性含义，还要在算法中体现技术数据的特点， 以实现两者在技术上的关联。

具体示例例如，参见《专利审查指南》[1]第二部分第九章第6节包含算法特征或商业规则和方法特征的发明专利申请审查相关规定中的示例，具体如下。

发明专利申请的解决方案是，在各级卷积层上对训练图像进行卷积操作和最大池化操作后，进一步对最大池化操作后得到的特征图像进行水平池化操作，使训练好的CNN模型在识别图像类别时能够识别任意尺寸的待识别图像。

申请的权利要求：

一种卷积神经网络CNN模型的训练方法，包括：

获取待训练CNN模型的初始模型参数，所述初始模型参数包括各级卷积层的初始卷积核、所述各级卷积层的初始偏置矩阵、全连接层的初始权重矩阵和所述全连接层的初始偏置向量;

获取多个训练图像;

在所述各级卷积层上，使用所述各级卷积层上的初始卷积核和初始偏置矩阵，对每个训练图像分别进行卷积操作和最大池化操作，得到每个训练图像在所述各级卷积层上的第一特征图像;

对每个训练图像在至少一级卷积层上的第一特征图像进行水平池化操作，得到每个训练图像在各级卷积层上的第二特征图像;

根据每个训练图像在各级卷积层上的第二特征图像确定每个训练图像的特征向量;

根据所述初始权重矩阵和初始偏置向量对每个特征向量进行处理，得到每个训练图像的类别概率向量;

根据所述每个训练图像的类别概率向量及每个训练图像的初始类别，计算类别误差;

基于所述类别误差，对所述待训练CNN模型的模型参数进行调整;

基于调整后的模型参数和所述多个训练图像，继续进行模型参数调整的过程，直至迭代次数达到预设次数;

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。

分析及结论

该解决方案是一种卷积神经网络CNN模型的训练方法，其中明确了模型训练方法的各步骤中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。该解决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，该发明专利申请的解决方案属于专利法第二条第二款规定的技术方案，属于专利保护客体。

案例辨析