同构：双向信息映射

 

专利的权利要求不仅要在阅读者头脑中形成单向的信息映射，还要在侵权判断时，与相关产品实体进行双向的信息映射检验。判断一项权利要求与一种实体是否相同或等同，显然不是比较字符与零件之间的外形相似度，而是比较两者内在信息的匹配度。研究人工智能理论的美国学者Hofstadter（侯世达）根据数理逻辑理论提出了“同构”的概念，具体定义为：“两个复杂结构可以相互映射，并且每一个结构的每一部分在另一个结构中都有一个相应的部分。”可以借用这个概念来表达权利要求与侵权实体这两种不同标的之间的信息对等关系。

 

 

 

从信息“同构”的角度来说，如果文字描述的方案根本无法在现实世界找到“同构”的实体，那就没有必要把此类文字信息作为专利保护客体——既然没有可以“同构”的实体，也就无法体现生产、使用、销售等产业排他权。从这个角度也可理解为什么各国家或地区的专利法普遍要将纯主观思维一律排除在专利客体之外，以及为什么美国法院在判断专利客体时曾经十分强调发明产物的有形性。

 

 

 

而计算机软件这种所谓的无形产品，不同于仅在头脑中形成的纯主观思维那种无形物，其实际上隐含了能够借助于计算机等通用硬件加以定形保存，即软件发明有条件在现实世界中找到相关的实体产品。但是，能产生实际效用的软件产品必然是根据客观需求设计出来的具体算法，所以，实际应用的软件产品只可能与具体翔实的算法权利要求形成“同构”，而难以与笼统抽象的算法权利要求达到“同构”的程度。因此，对于算法权利要求的适格判断需要具体情况具体分析。

 

 

 

用“同构”分析《指南》案例

 

2019年《指南》修订版中增补了两个非常翔实的审查示例，从正反两个方面诠释了对程序算法的客体审查尺度。这两个案例均涉及计算机神经网络的建模。案例1的方案概述为“将与第一分类任务相关的其它分类任务的训练样本也作为第一分类任务数学模型的训练样本，从而增加训练样本，……提高建模的准确性”。案例2是一种卷积神经网络CNN模型的训练方法，方案概述为“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”。

 

 

《指南》从“三要素”的角度认定案例1“处理对象、过程和结果都不涉及与具体应用领域的结合，属于对抽象数学方法的优化，且整个方案并不包括任何技术特征”，因此，该专利申请不属于专利保护客体；而认定案例2“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，该发明专利申请属于专利保护客体。

 

 

 

案例1通过“增加训练样本”构建精度更高的数学模型，该建模方法显然也不是纯主观的想法。而案例2的建模方法只有“卷积”“池化”“迭代”等数学计算术语，并不涉及典型的作为技术特征的硬件。可以说，两个方案的区别更多体现在描述发明个性改进的详细程度不同。

 

 

 

具体来说，案例1中所述的通过增加训练样本的数量来提高建模的准确性，这是计算机神经网络算法的通用原理，而能够体现发明个性改进的是如何有效增加训练样本的数量。但对于具体增补的“第二分类任务的训练样本”，权利要求仅提及“与所述第一分类任务相关”，无法知晓这两类自定义的训练样本的实质差异和关联。这使得能体现发明个性的内容仅有纯主观的模糊自定义，导致整个方案仍然停留在“数学理论”层面，因而落入智力活动规则的范畴。

 

 

 

相比而言，案例2详细描述了在建模过程中针对不同阶段的特点采用具体的计算手段，最终达到动态调节图像识别分辨率的效果。这种体现发明个性的内容具有较强的客观性和针对性，不再属于CNN模型的通用基础理论，所以不被认为落入智力活动规则的范畴。

 

 

 

对于计算机常规功能改进的发明，美国MPEP也要求公开内容必须提供充足的细节（must provide sufficient details），使得本领域普通技术人员能够认识到要求保护的发明提供了改进，才能构成适格方案，并且规定：所要求保护的发明产生改进的迹象可以包括在说明书的论述之中，该论述确定了技术问题，并解释了非常规的技术解决的细节，还在权利要求中加以表述。

 

 

 

从“同构”的角度也可以理解判定案例1不属于专利客体的合理性：由于“第二分类任务的训练样本”这个体现发明个性的信息是主观而且模糊的，因此无法在现实世界之中准确地找到与之严格对应的部分，进而导致该权利要求无法与现实世界中的任何一种软件产品形成“同构”。

 

 

 

由此可见，未限定发明个性细节的权利要求，即使存在相关实体，彼此也无法达到“同构”的程度；因此，未体现发明个性改进细节的上位化算法不宜作为专利保护的客体。

 

 

 

值得一提的是，要求体现发明个性改进细节，并不等于禁止权利要求作上位概括。专利适格的上位权利要求是由一系列具有类似属性的下位概念所组成的集合，并且其中每一个下位概念对于本领域技术人员来说都是明确的。譬如，权利要求记载了用金属制成的导线，本领域技术人员可以清晰地知晓其中包含了金导线、银导线、铜导线、铁导线等一系列具体的金属导线。而如案例1所述算法权利要求的上位化，本质上是由于对关键特征使用主观的自定义“第二分类任务的训练样本”所产生的信息模糊化，因此，本领域技术人员难以从中准确地提取可以落实的下位概念。