摘 要

為(wèi)了貫徹落實中(zhōng)央十九大報告中(zhōng)指出的“加快推動互聯網、大數據、人工(gōng)智能(néng)和實體(tǐ)經濟深度融合”，以及習近平總書記在中(zhōng)共中(zhōng)央政治局第二十五次集體(tǐ)學(xué)習時強調的“要完善大數據、人工(gōng)智能(néng)、基因技(jì )術等新(xīn)領域新(xīn)業态專利審查标準”等要求，國(guó)家知識産(chǎn)權局在2021年8月3号對外發布的《專利審查指南修改草(cǎo)案（征求意見稿）》中(zhōng)，對于大數據、人工(gōng)智能(néng)等領域的發明的專利客體(tǐ)、創造性判斷等問題，進一步明确了審查标準。雖然，目前專利審查指南的更新(xīn)版本還未生效，但知識産(chǎn)權從業人員可(kě)從中(zhōng)窺見最新(xīn)審查政策的導向。因此，基于目前專利審查指南的修訂内容，結合多(duō)個典型案例，文(wén)章深入探讨了涉及AI算法本身改進的案例撰寫方法，以期兼顧此類專利申請的客體(tǐ)問題以及權利要求保護範圍問題之間的平衡。

關鍵詞：AI算法專利；基礎層創新(xīn)；技(jì )術層創新(xīn)；客體(tǐ)；權利要求保護範圍

 >>>  一、引 言

近幾年，人工(gōng)智能(néng)技(jì )術的發展勢頭迅猛，許多(duō)創新(xīn)主體(tǐ)的創新(xīn)方向已經從原來的應用(yòng)層創新(xīn)逐漸過渡到AI技(jì )術的底層算法本身的創新(xīn)。各大創新(xīn)主體(tǐ)對涉及AI算法類發明專利的保護需求也越來越強烈，尤其是對涉及機器學(xué)習的算法本身改進的發明專利申請的保護需求最為(wèi)突出。
2020年2月1号施行的專利審查指南[1]，雖在相關規定中(zhōng)給出了包含算法特征和方法特征的案件的客體(tǐ)審查基準，但創新(xīn)主體(tǐ)對于而今的涉及AI算法本身創新(xīn)的專利申請的客體(tǐ)審查判斷仍然存在一定的困難。例如，現行的審查指南中(zhōng)僅明确規定了“對一項包含算法特征和方法特征的權利要求是否技(jì )術方案進行審查時，需要整體(tǐ)考慮權利要求中(zhōng)記載的全部特征。如果該項權利要求記載了對要解決的技(jì )術問題采用(yòng)了利用(yòng)自然規律的技(jì )術手段，并由此獲得符合自然規律的技(jì )術效果，則該權利要求限定的解決方案屬于專利法第二條第二款所述的技(jì )術方案。例如，權利要求中(zhōng)涉及算法的各個步驟體(tǐ)現出與所要解決的技(jì )術問題密切相關，如算法處理(lǐ)的數據是技(jì )術領域中(zhōng)具(jù)有(yǒu)确切技(jì )術含義的數據，算法的執行直接體(tǐ)現出利用(yòng)自然規律解決某一技(jì )術問題的過程，并且獲得了技(jì )術效果，則通過該權利要求限定的解決方案屬于A2.2所述的技(jì )術方案[2]”。由此不難看出，現行的審查指南對于算法類專利申請案具(jù)有(yǒu)明确的規定，即算法類案件中(zhōng)涉及到的數據必須是技(jì )術領域中(zhōng)具(jù)有(yǒu)确切技(jì )術含義的數據，即規定了算法類案件要想通過客體(tǐ)審查的關口必須要與技(jì )術領域相結合，這無疑限縮了算法類案件的保護範圍。
從各大創新(xīn)主體(tǐ)的需求來看，未來的AI領域創新(xīn)可(kě)能(néng)很(hěn)大程度上傾向于算法本身的創新(xīn)，例如：數學(xué)模型、參數優化上的創新(xīn)，此類創新(xīn)既可(kě)應用(yòng)于A領域，也可(kě)應用(yòng)于B領域，這在未來技(jì )術創新(xīn)的道路上并不排除AI算法成為(wèi)一種通用(yòng)的工(gōng)具(jù)，且無具(jù)體(tǐ)領域的限定。正如，現在被大家日常所用(yòng)的計算機，在很(hěn)多(duō)年以前也是技(jì )術的，以此類比到而今的AI算法專利——雖然技(jì )術性很(hěn)強，但也難保在很(hěn)多(duō)年後可(kě)能(néng)被人類作(zuò)為(wèi)通用(yòng)工(gōng)具(jù)，其并不局限在某一個領域。考慮到社會創新(xīn)未來的發展，并且基于各大創新(xīn)主體(tǐ)涉及AI算法專利的創新(xīn)保護需求，國(guó)家知識産(chǎn)權局圍繞人工(gōng)智能(néng)和大數據領域也在嘗試補充現有(yǒu)規定未涉及的客體(tǐ)審查基準，以期和公(gōng)衆一起探讨未結合具(jù)體(tǐ)技(jì )術領域的人工(gōng)智能(néng)算法改進方案如何構成專利保護的客體(tǐ)，從而嘗試給涉及AI算法本身改進的案件一條通過客體(tǐ)審查的出路，與此同時，也兼顧了此類案件的保護範圍。
基于該初衷，國(guó)家知識産(chǎn)權局2021年8月3日公(gōng)布的《專利審查指南修改草(cǎo)案（征求意見稿）》中(zhōng)，于第二部分(fēn)第九章6.1.2節補充了有(yǒu)關人工(gōng)智能(néng)算法的改進方案的審查基準，具(jù)體(tǐ)為(wèi)“如果權利要求的解決方案涉及深度學(xué)習、分(fēn)類聚類等人工(gōng)智能(néng)、大數據算法的改進，該算法與計算機系統的内部結構存在特定技(jì )術關聯，能(néng)夠解決如何提升硬件運算效率或執行效果的技(jì )術問題，包括減少數據存儲量、減少數據傳輸量、提高硬件處理(lǐ)速度等，從而獲得符合自然規律的計算機系統内部性能(néng)改進的技(jì )術效果，則該權利要求限定的解決方案屬于專利法第二條第二款所述的技(jì )術方案”。

上述内容實際上釋放出了三層審查基準：
（1）審查權利要求中(zhōng)的解決方案是否涉及深度學(xué)習、分(fēn)類聚類等人工(gōng)智能(néng)、大數據的算法
（2）審查該算法是否與計算機系統的内部結構有(yǒu)特定技(jì )術關聯
（3）審查該算法所帶來的技(jì )術效果是否能(néng)夠帶來計算機内部性能(néng)的改進
若以上三層審查基準都滿足，則權利要求中(zhōng)的解決方案即使沒有(yǒu)明确規定應用(yòng)領域，也符合A2.2規定的技(jì )術方案。
故而，基于對本次征求意見稿中(zhōng)審查指南補充的新(xīn)的審查基準的理(lǐ)解，筆(bǐ)者同步結合以下幾個典型案例，詳細為(wèi)大家剖析國(guó)家知識産(chǎn)權局對于AI算法類案件的審查方向的變化。

 >>>  二、以下專利申請案為(wèi)何能(néng)順利通過A2.2的客體(tǐ)審查？

首先，我們需明确AI算法類案件的創新(xīn)包括哪些類型；談及此處，則需了解AI技(jì )術的技(jì )術架構。
AI技(jì )術架構從上到下，分(fēn)為(wèi)AI應用(yòng)層和AI底層算法，而AI底層算法包括AI基礎層算法和AI的技(jì )術層算法。這三個層在各大創新(xīn)主體(tǐ)的研發過程中(zhōng)經常會涉及到創新(xīn)的技(jì )術點。
何為(wèi)AI“應用(yòng)層”創新(xīn)？
此類創新(xīn)是AI技(jì )術與各種應用(yòng)場景的結合。
AI應用(yòng)層是人工(gōng)智能(néng)産(chǎn)業的延伸，集成一類或多(duō)類人工(gōng)智能(néng)基礎應用(yòng)技(jì )術，面向特定應用(yòng)場景需求而形成軟硬件産(chǎn)品或解決方案。

例如，我們經常看到的智能(néng)駕駛、智能(néng)金融、智能(néng)醫(yī)療或者機器人等，都是常見的AI技(jì )術在應用(yòng)場景上的創新(xīn)。
何為(wèi)AI“底層算法”創新(xīn)？
實際上此類創新(xīn)包含AI基礎層的創新(xīn)以及AI技(jì )術層的創新(xīn)。
AI基礎層主要包含基礎硬件設施、算力平台、數據資源等，其聚焦的是計算能(néng)力和數據資源，為(wèi)人工(gōng)智能(néng)提供數據及算力支撐；
AI技(jì )術層聚焦在算法和模型上，主要包括操作(zuò)系統、模型框架以及神經網絡、深度學(xué)習、遺傳算法等模型構建或者模型訓練算法的創新(xīn)。

針對AI底層算法類創新(xīn)的案件，實際上無論是基礎層的創新(xīn)還是技(jì )術層的創新(xīn)，過去幾年中(zhōng)行業内處理(lǐ)此類案件常見的做法是将其算法創新(xīn)與具(jù)體(tǐ)的技(jì )術領域相結合，以滿足客體(tǐ)審查基準；但随着中(zhōng)央十九大報告的出台以及針對AI案件國(guó)家知識産(chǎn)權局一系列利好的修訂内容，部分(fēn)企業做了新(xīn)的撰寫嘗試，并且取得了較好的結果。
接下來，筆(bǐ)者詳細将分(fēn)析此類案例，其中(zhōng)，案例一至案例三涉及的是AI技(jì )術層的創新(xīn)專利，案例四和案例五涉及的是AI基礎層的創新(xīn)專利。

案例一
背景技(jì )術：
自訓練方法是一種利用(yòng)神經網絡模型自身的學(xué)習結果對模型進行叠代訓練的方法。傳統的自訓練方法通常需要對樣本數據D進行數據增廣，得到數據D'；使用(yòng)神經網絡模型對數據D'進行預測，得到數據D'中(zhōng)各數據的輸出結果；合并數據D與數據D'，繼續訓練神經網絡模型。直到達到終止條件。對于傳統的自訓練方法來說，神經網絡模型的每一次訓練，均需要執行數據增廣與使用(yòng)神經網絡模型對增廣數據進行預測的步驟，因此神經網絡模型在進行自訓練時所需的時間成本較高，步驟較為(wèi)繁瑣。
權利要求1 如下：
1.一種自訓練方法，包括：
獲取訓練數據，所述訓練數據中(zhōng)包含多(duō)個訓練樣本與各訓練樣本對應的标簽；
使用(yòng)訓練數據對神經網絡模型進行預設次數的訓練，并将各次訓練過程中(zhōng)使用(yòng)的訓練樣本及其對應的輸出結果作(zuò)為(wèi)緩存數據，記錄到緩存中(zhōng)；
在訓練次數超過預設次數之後，使用(yòng)訓練數據與緩存中(zhōng)的緩存數據對所述神經網絡模型進行訓練，并将各次訓練過程中(zhōng)使用(yòng)的訓練樣本及其對應的輸出結果作(zuò)為(wèi)緩存數據，記錄到緩存中(zhōng)；
在确定所述神經網絡模型的訓練達到終止條件的情況下，完成所述神經網絡模型的自訓練；
其中(zhōng)，所述将各次訓練過程中(zhōng)使用(yòng)的訓練樣本及其對應的輸出結果作(zuò)為(wèi)緩存數據，記錄到緩存中(zhōng)包括：
針對緩存數據中(zhōng)的同一個訓練樣本，使用(yòng)本次訓練過程中(zhōng)得到的輸出結果替換前次訓練過程中(zhōng)得到的輸出結果。
【案例一】分(fēn)析如下：
獨立權利要求中(zhōng)的解決方案主要是通過采用(yòng)創建緩存，将神經網絡模型在各次訓練過程中(zhōng)使用(yòng)的訓練樣本及其對應的輸出結果作(zuò)為(wèi)緩存數據進行記錄的技(jì )術手段，克服現有(yǒu)技(jì )術中(zhōng)在每次訓練過程中(zhōng)需要對數據進行增廣以及對增廣數據進行預測所導緻的時間成本較高、步驟較為(wèi)繁瑣的技(jì )術問題，實現了減少對神經網絡模型進行自訓練時需要的時間成本，提升了對神經網絡模型進行自訓練的效率的技(jì )術效果。該方案涉及神經網絡模型，雖然對涉及到的訓練數據并沒有(yǒu)具(jù)體(tǐ)的應用(yòng)領域的限定，但是訓練過程中(zhōng)涉及到創建緩存并記錄數據，該過程與計算機系統的内部結果存在特定的技(jì )術關聯，且整體(tǐ)的訓練過程降低了計算機在訓練模型時的自訓練時間成本，從而達到提升神經網絡模型的自訓練效率這一符合自然規律的涉及計算機系統内部性能(néng)改進的技(jì )術效果。
故而，此案在審查過程中(zhōng)通過了客體(tǐ)的審查關口，并且最終得到授權。

案例二
背景技(jì )術：
當固定采用(yòng)某一種模型訓練方案，會使得處理(lǐ)器的資源不能(néng)很(hěn)好的被調用(yòng)，從而使得計算機的運行效率比較低。
權利要求1 如下：
1.一種訓練方法，包括：
當訓練數據的大小(xiǎo)發生改變時，針對改變後的訓練數據，分(fēn)别計算所述改變後的訓練數據在預設的至少兩個候選訓練方案中(zhōng)的訓練耗時；
從預設的至少兩個候選訓練方案中(zhōng)選取訓練耗時最小(xiǎo)的訓練方案作(zuò)為(wèi)所述改變後的訓練數據的最佳訓練方案；所述至少兩個候選訓練方案包括至少一個單處理(lǐ)器方案，至少一個基于數據并行的多(duō)處理(lǐ)器方案；
将所述改變後的訓練數據在所述最佳訓練方案中(zhōng)進行模型訓練。
【案例二】分(fēn)析如下：
獨立權利要求中(zhōng)的解決方案主要是在訓練數據大小(xiǎo)發生變化時，通過計算采用(yòng)變化後的訓練數據在至少兩個訓練方案中(zhōng)的訓練耗時來選擇最佳訓練方案，并将改變後的訓練數據在最佳訓練方案中(zhōng)進行模型訓練，其中(zhōng)，最佳訓練方案包括單處理(lǐ)器方案以及多(duō)處理(lǐ)器方案。整個步驟整體(tǐ)上是圍繞當數據發生變化，如何對單、多(duō)處理(lǐ)器方案進行更好的調度，使得計算機的運行效率更高。該方案涉及到模型訓練，雖然對涉及到的訓練數據并沒有(yǒu)具(jù)體(tǐ)的應用(yòng)領域的限定，但是訓練過程中(zhōng)涉及到根據訓練耗時控制對單處理(lǐ)器訓練方案、多(duō)處理(lǐ)器訓練方案進行更好的調度，該過程與計算機系統的内部結構存在特定的技(jì )術關聯，且整體(tǐ)的訓練過程降低了計算機在訓練模型時的耗時，從而達到提升計算機的運行效率這一符合自然規律的涉及計算機系統内部性能(néng)改進的技(jì )術效果。
故而，此案在審查過程中(zhōng)通過了客體(tǐ)的審查關口，并且最終得到授權。

案例三
背景技(jì )術：
在實際應用(yòng)中(zhōng)，經常需要檢測業務(wù)數據是否為(wèi)異常數據。為(wèi)此可(kě)以訓練模型，進而可(kě)以通過訓練的模型檢測業務(wù)數據是否為(wèi)異常數據。因此，如何提高模型的訓練效果是當前亟需解決的技(jì )術問題。
權利要求1 如下：
1.一種模型訓練方法，包括：
獲取訓練樣本集，所述訓練樣本集包括無标簽樣本集和有(yǒu)标簽樣本集，所述無标簽樣本集包括多(duō)個第一樣本，所述有(yǒu)标簽樣本集包括多(duō)個第二樣本和類型标簽，所述類型标簽用(yòng)于表示所述有(yǒu)标簽樣本集中(zhōng)是否包含異常的第二樣本；
根據所述無标簽樣本集，對第一模型進行訓練，所述第一模型包括特征提取子模型；
根據所述有(yǒu)标簽樣本集和特征提取子模型的訓練結果，對第二模型進行訓練，所述第二模型包括特征提取子模型和異常數據檢測子模型，所述異常數據檢測子模型用(yòng)于根據特征提取子模型的輸出檢測異常數據。
【案例三】分(fēn)析如下：
獨立權利要求的解決方案主要是通過無标簽樣本集對第一模型進行訓練，可(kě)以實現對第二模型的部分(fēn)模型參數進行無監督的預訓練，進而通過有(yǒu)标簽樣本集實現對第二模型的模型參數進行有(yǒu)監督的再次訓練。這樣便于利用(yòng)大量的無标簽樣本，并結合相對少量的有(yǒu)标簽樣本，實現對第二模型的模型參數進行訓練，有(yǒu)利于提高第二模型的訓練效果。整個解決方案中(zhōng)涉及模型訓練上的改進，屬于涉及人工(gōng)智能(néng)領域的算法改進，雖然對涉及到的無标簽樣本和有(yǒu)标簽樣本以及模型并沒有(yǒu)具(jù)體(tǐ)技(jì )術領域的限定，但是從實質(zhì)分(fēn)析來看其通過這樣的訓練方式的改進，提高了計算機訓練第二模型的訓練效果，能(néng)夠解決計算機提升執行效果的技(jì )術問題，從而使得計算機系統内部性能(néng)得到了改進。
故而，此案在審查過程中(zhōng)通過了客體(tǐ)的審查關口，并且最終得到授權。

案例四
背景技(jì )術：
目前在機器學(xué)習的過程中(zhōng)，對訓練樣本數據的需求量巨大，并且需要對大量的訓練樣本數據進行标注，傳統技(jì )術中(zhōng)通常需要人工(gōng)對大量的訓練樣本數據進行标注，使得标注工(gōng)作(zuò)過分(fēn)依賴于人，并且工(gōng)作(zuò)量巨大，标注的效率較低。
公(gōng)開版本的權利要求1 如下：
1.一種數據标注的方法，其特征在于，所述方法包括：
通過預先訓練的目标标注模型對多(duō)個待标注數據進行标注，得到由所述待标注數據對應的标注結果構成的目标集合；
利用(yòng)預先訓練的目标分(fēn)類器選取所述待标注數據中(zhōng)的非可(kě)信數據，以驗證所述非可(kě)信數據對應的标注結果；
更正所述目标集合中(zhōng)未通過驗證的非可(kě)信數據所對應的标注結果。
授權版本的權利要求1 如下：
1.一種數據标注的方法，其特征在于，所述方法包括：
通過預先訓練的目标标注模型對多(duō)個待标注數據進行标注，得到由所述待标注數據對應的标注結果構成的目标集合；
利用(yòng)預先訓練的目标分(fēn)類器選取所述待标注數據中(zhōng)的非可(kě)信數據，以驗證所述非可(kě)信數據對應的标注結果；
更正所述目标集合中(zhōng)未通過驗證的非可(kě)信數據所對應的标注結果，并将經過更正的目标集合存放入預先建立的标注數據庫中(zhōng)，利用(yòng)所述标注數據庫對所述目标标注模型進行更新(xīn)；
其中(zhōng)，所述待标注數據用(yòng)于作(zuò)為(wèi)機器學(xué)習的訓練樣本數據，所述标注結果用(yòng)于作(zuò)為(wèi)機器學(xué)習的所述訓練樣本數據的标注。
【案例四】分(fēn)析如下：
案例四的解決方案主要是通過訓練好的目标标注模型對多(duō)個待标注數據進行标注後，又(yòu)利用(yòng)目标分(fēn)類器篩選出更有(yǒu)可(kě)能(néng)标注錯誤的待标注數據進行抽檢，并對錯誤的标注結果進行更正。從而使得标注工(gōng)作(zuò)無需完全依賴于人，節省了大量的人力資源，提高了标注的效率。同時，能(néng)夠更有(yǒu)針對性的驗證被标注數據的結果，提高了标注的準确度。
此案在審查過程中(zhōng)經曆了三次審查意見，其中(zhōng)一通的審查意見中(zhōng)明确指出了公(gōng)開版本的獨立權利要求不符合A2.2的規定，後面的二通和三通指出的是有(yǒu)關新(xīn)穎性和創造性的問題。基于該第一次審查意見通知書的意見，筆(bǐ)者找到了如上的授權版本，授權版本獨立權利要求中(zhōng)增加了“并将經過更正的目标集合存放入預先建立的标注數據庫中(zhōng)，利用(yòng)所述标注數據庫對所述目标标注模型進行更新(xīn)；其中(zhōng)，所述待标注數據用(yòng)于作(zuò)為(wèi)機器學(xué)習的訓練樣本數據，所述标注結果用(yòng)于作(zuò)為(wèi)機器學(xué)習的所述訓練樣本數據的标注”。
結合授權後的版本，筆(bǐ)者分(fēn)析國(guó)家知識産(chǎn)權局的審查思路大緻如下，授權後獨立權利要求的解決方案中(zhōng)明确了“所述待标注數據用(yòng)于作(zuò)為(wèi)機器學(xué)習的訓練樣本數據，所述标注結果用(yòng)于作(zuò)為(wèi)機器學(xué)習的所述訓練樣本數據的标注”，該特征主要明确了獨立權利要求的解決方案涉及機器學(xué)習領域，雖然其對涉及到的待标注數據或者訓練樣本數據并沒有(yǒu)具(jù)體(tǐ)的應用(yòng)領域的限定，但是從“并将經過更正的目标集合存放入預先建立的标注數據庫中(zhōng)，利用(yòng)所述标注數據庫對所述目标标注模型進行更新(xīn)”這一特征上明确了預先建立了标注數據庫，并調用(yòng)标注數據庫對模型進行更新(xīn)，而這一過程必然與計算機系統的内部結構存在特定的技(jì )術關聯，且利用(yòng)更新(xīn)後的目标标注模型對數據進行标注的過程，達到了提升計算機對數據進行标注的效率這一符合自然規律的涉及計算機系統内部性能(néng)改進的技(jì )術效果，故此案在審查過程中(zhōng)通過了客體(tǐ)的審查關口，并且最終得到授權。

案例五
背景技(jì )術：
數據清洗是指發現并糾正數據中(zhōng)的錯誤的一道程序，其任務(wù)是過濾掉不符合要求的數據。一般來說，數據清理(lǐ)是對清洗前的數據進行精(jīng)簡以得到清洗後的數據的過程。現有(yǒu)的數據清洗通常需要數據清洗人員手工(gōng)實現，通過人工(gōng)檢查，逐個驗證數據。
權利要求1 如下：
獲取待清洗的訓練樣本集合；
基于所述訓練樣本集合，對初始模型進行有(yǒu)監督訓練得到包括特征提取層的模型；
采用(yòng)所述特征提取層提取所述訓練樣本集合中(zhōng)的訓練樣本的特征數據；
對所得到的特征數據進行聚類處理(lǐ)，以确定所述訓練樣本集合中(zhōng)孤立的訓練樣本；
基于所确定出的孤立的訓練樣本，對所述訓練樣本集合進行清洗，得到清洗後的訓練樣本集合，以及利用(yòng)所述清洗後的訓練樣本集合重新(xīn)對所述初始模型進行有(yǒu)監督訓練。
【案例五】分(fēn)析如下：
獨立權利要求的解決方案主要是通過采用(yòng)訓練得到的特征提取層提取訓練樣本的特征數據并進行聚類處理(lǐ)以得到孤立訓練樣本，并采用(yòng)該孤立的樣本對訓練樣本集合進行清洗，得到清洗後的訓練樣本集合，進而無需人工(gōng)清洗，豐富了數據清洗的方式，提高數據清洗的效率和準确性，進而提高了模型訓練的準确性和效率。該方案涉及到有(yǒu)監督訓練、聚類處理(lǐ)等人工(gōng)智能(néng)算法，雖然對涉及到的訓練樣本并沒有(yǒu)具(jù)體(tǐ)的應用(yòng)領域的限定，但是基于孤立的訓練樣本對原來的訓練樣本集合進行清洗，該清洗過程與計算機系統的内部結構存在特定的技(jì )術關聯，且整體(tǐ)的清洗過程降低了人工(gōng)清洗的成本，節約了數據清洗的耗時，達到了提高計算機清洗數據的效率和準确性，使得計算機進行模型訓練的效果得到提升，提升了計算機系統内部性能(néng)改進的技(jì )術效果，故此案在審查過程中(zhōng)通過了客體(tǐ)的審查關口，并且最終得到授權。
結合以上案例，讀者應該可(kě)以清晰地看到國(guó)家知識産(chǎn)權局對AI算法類案件進行客體(tǐ)審查的過程中(zhōng)，已經逐漸的在放松客體(tǐ)審查的關口，并已逐步在利用(yòng)《專利審查指南修改草(cǎo)案（征求意見稿）》中(zhōng)所補充的有(yǒu)關人工(gōng)智能(néng)算法的改進方案的審查基準，這對于衆多(duō)的創新(xīn)主體(tǐ)在AI算法上的創新(xīn)無疑是非常利好的導向。