基于客体审查意见对新申请撰写的反思

作者：马卫华 专利工程师

在专利申请过程中，审查答复是至关重要的环节，它不仅反映了申请内容的质量，更能为后续新申请的撰写提供宝贵经验。

专利法第二条第二款规定：发明，是指对产品、方法或者其改进所提出的新的技术方案。

笔者在工作过程中，有时会遇到审查员基于专利法第二条第二款发出的审查意见，指出专利方案存在客体问题。在电学领域，主要涉及商业方法类案件和算法类案件。笔者基于答复客体审查意见的实践经验，对这两类案件的新申请撰写工作进行反思，讨论如何在新申请撰写中规避客体问题。

（一）商业方法类案件

商业方法类案件常涉及借助技术手段实现的商业运作逻辑，其客体资格易因“智力活动规则和方法”存疑引发争议。这类案件往往融合商业流程与信息技术，在答复中需明确技术贡献边界。

案例1

权利要求1请求保护一种定义规则流的方法，包括：获取多个规则包，各所述规则包之间包含公共规则；将所述公共规则从各所述规则包中分离以获取与各所述规则包对应的子规则；根据所述公共规则和输入参数形成总规则流，并根据所述子规则和所述输入参数形成子规则流；将所述总规则流和所述子规则流整合以形成主规则流。

审查意见如下：

该方案解决的是如何快速扩张业务，减少开发周期的问题，是一种组织运营管理问题，不是技术问题。其采用的手段是制定、配置和部署各类规则，这只是依据人为的需求而自定义的一套整合规则，未遵循自然规律。其达到的效果是降低了成本，提高了工作效率，也不是技术效果。可见，权利要求1的方案采用人为制定的规则解决如何快速扩张业务，减少开发周期的问题，其解决的问题与手段集合之间不受自然规律的约束，该方案未采用遵循自然规律的技术手段解决技术问题并产生技术效果。因此，该权利要求所请求保护的内容不属于专利法第二条第二款所规定的技术方案，不属于专利法保护的客体。

案例分析：

针对商业方法类案件，审查意见中通常以方案采用“人为的需求而自定义的一套整合规则”或“人为制定的XX规则”，认定方案未遵循自然规律，未采用技术手段。在答复时，一般以说明书中记载对待处理对象的获取来源是从其他设备或内外数据库获取，说明待处理对象非人为编造获取的，例如前述案例中以“输入模块和获取模块可以获取外部数据，如输入参数和规则包”说明待处理对象非人为编造获取的。再基于说明书中记载的执行主体例如电子设备或计算设备，以及应用场景示例部分的设备交互获得待处理对象，且执行主体对该对象采用技术手段进行处理，例如前述案例中以“本方案中各处理模块相当于构成了包含数据输入、数据处理和数据输出的完整定义规则流的处理步骤，上述各模块中的实现步骤均是通过计算机程序执行的。”来说明利用了符合自然规律的技术手段。这样，可以以修改后的权利要求是为了处理一种与外部设备交互获取的数据，且通过电子设备对该数据进行一系列技术处理，从而获得符合自然规律的技术效果进行争辩，认为修改后的权利要求是符合专利法第二条第二款的规定。

撰写反思：

在技术咨询之前，可以先检索与该方案相关的专利文献，筛选可挖掘的方向，该方向例如是：具体数据处理，算力资源处理、资源管理、机器学习模型升级、大数据处理技术等方向，再与发明人老师进行技术咨询并挖掘该方案在前述方向上的具体技术特征，完成撰写前的准备工作。

在进行新申请撰写时，首先，可以将交底书中的问题转化为技术领域的缺陷，例如响应不及时、处理效率低、推广效率低等。其次，可以增加对系统硬件/软件的技术改进描述。例如，增加应用场景中终端设备和服务设备之间对数据的传输、处理的技术方案，这样，若后续接收到审查意见时，可以在权利要求中增加对应用场景的限定和执行主体的限定，明确是技术方案。以及，可以补充技术参数改进数据，量化技术效果。

（二）算法类案件

算法类案件在电学领域中，核心争议常聚焦于算法执行是否体现出利用自然规律解决某一技术问题。这类案件一般涉及算法的设计、应用及与硬件的结合，其技术属性的界定对客体资格认定至关重要。

案例2

权利要求1请求保护一种推荐模型的训练方法，包括：获取一组训练样本，所述训练样本包括：第一对象的第一对象特征数据、第二对象的第二对象特征数据、以及标识训练样本为正样本或负样本的标签；输入所述一组训练样本至推荐模型，执行训练过程包括：基于输入的当前训练样本的第一对象特征数据映射得到第一特征向量，以及基于当前训练样本的第二对象特征数据映射得到第二特征向量；基于已得到的各第一特征向量聚类得到至少一第一对象类簇，以及基于已得到的各第二特征向量聚类得到至少一第二类簇；基于第一损失函数所计算的损失更新所述推荐模型。其中，所述第一损失函数所计算损失包括：第一损失部分和第二损失部分；所述第一损失部分基于当前训练样本中第一特征向量与第二特征向量所属第二类簇的类簇中心间的第一间距得到；所述第二损失部分基于所述当前训练样本中第二特征向量同第一特征向量所属第一对象类簇的类簇中心的第二间距得到。解决的问题为：由于长尾效应的存在，训练样本集中的样本分布存在不均衡，故而低频样本无法得到充分训练，导致预测模型中得到训练样本的特征表示并不准确的问题。

审查意见如下：

该方案主要涉及一种推荐模型的训练方法，神经网络中的参数没有物理含义，不具备实际的应用场景，算法的执行未能直接体现出利用自然规律解决某一技术问题的过程，保护的内容仅是一种推荐模型的训练方法，不属于技术手段，所获得也不是符合自然规律的技术效果。由此可见，该权利要求要解决的问题不是技术问题，所采用的手段不属于技术手段，并且所获的效果也不是技术效果，因而其不属于专利法第二条第二款规定的技术方案，不能被授予专利权。

案例分析：

针对算法类案件，审查意见中通常以方案中算法执行未直接体现利用自然规律解决技术问题，仅停留在算法逻辑层面，例如仅记载了数学方法或模型训练策略，且技术效果仅体现算法效果，认为该方案属于数学方法范畴。在答复该类审查意见时，可以基于训练过程采用的技术手段并非单纯的数学算法，而是融合了特征映射、聚类分析、损失函数优化的系统性技术方案进行辩驳，或将与应用场景有关的内容（例如数据是XX数据）补充至权利要求1中，以修改后的权利要求1解决的是技术领域的具体问题，且带来技术层面的改进进行争辩，认为修改后的权利要求是符合专利法第二条第二款的规定。

撰写反思：

在进行技术咨询时，可以与发明人老师沟通本方案训练的模型具体应用的业务，以及在该特定业务中模型样本、模型训练以及模型应用这三个方向，是否存在与特定领域的结合，完成方案撰写前的挖掘和扩展。

在具体撰写方案时，需要结合实际技术场景，具体分析待解决的技术问题，而不是单纯聚焦模型训练本身，而是将其置于具体技术系统中将问题与硬件资源、系统性能等技术要素挂钩。例如，将模型应用在电商推荐系统中，且解决的技术问题是因样本不均衡导致推荐模型特征表示不准，使得服务器资源在无效推荐计算上浪费，增加了能耗且降低了响应速度。其次，针对模型的样本的获得部分和训练部分，可以结合具体针对的特定业务，优化技术手段，例如对数据进行特殊的处理，获得特定的样本数据。也可以对软件架构进行改进，例如对训练样本数据的存储，引入缓存机制等。当然，还可以对具体硬件组件改改进，例如采用异构算力系统执行模型的训练，或者，采用分布式系统执行模型的训练，从而利用模型不同模块对算力的不同需求，为模型提供不同的算力资源。

经过前述分析可知，无论是商业方法类案件，还是算法类案件，新申请撰写时都需紧扣技术属性。要明确方案所处理的具体技术场景中的技术数据，凸显其采用的符合自然规律的技术手段，进而逐步分析并定位到具体的技术问题，以此有效规避客体问题。

以上内容仅为笔者在日常工作中对涉及专利法第二条第二款的审查意见答复对新申请撰写的反思和调整方向，若有不完善或不准确之处欢迎批评与指正。