一、不同技术问题且技术手段相悖

二、相同技术问题但技术手段相悖

三、总结

关键词

AI+专利申请、创造性评价、最接近的现有技术

摘要

在分析AI+专利申请的“最接近的现有技术”是否选取不当时，首先要分析对比文件与本方案的发明构思是否相同，对于发明构思明显不同的情形，申请人可以寻找发明构思中不同的矛盾点进行争辩，以支持“最接近的现有技术”选取不当的评述说理，从而跳过三步法后续步骤，直接主张本方案的创造性。

近年来，随着人工智能AI技术的不断创新和突破，AI相关技术正在融入并改变着我们生活的方方面面。虽然前期AI原创我国暂时处于落后地位，但是后期的AI应用却是中国企业的强项。将AI应用整合至已有的平台上，充分利用平台优势，使得AI技术加速落地。中国的AI产业发展迅猛的同时，AI+专利申请（即与A I技术相关的专利申请）数量迎来快速增长，目前中国人工智能专利申请量位居世界第一。但是大数据模型作为一种黑盒，如果仅仅只是利用人工智能，无法体现出各个技术方案的区别，因此需要针对各行各业的特定场景结合大数据模型，提高技术的创造性，从而实现技术创新。而从申请人的角度出发，除了在申请阶段进行技术撰写之外，在专利审查阶段如何进行有效答复也是专利获取授权的一个难点，本文以三步法中“最接近的现有技术”为切入点，探讨AI+专利申请在实审答复过程中关于“最接近的现有技术”的选择带来的创造性影响。

根据《专利审查指南》的规定，最接近的现有技术，是指现有技术中与要求保护的发明最密切相关的一个技术方案，它是判断发明是否具有突出的实质性特点的基础。最接近的现有技术，可以是，与要求保护的发明技术领域相同，所要解决的技术问题、技术效果或者用途最接近和／或公开了发明的技术特征最多的现有技术，或者虽然与要求保护的发明技术领域不同，但能够实现发明的功能，并且公开发明的技术特征最多的现有技术。应当注意的是，在确定最接近的现有技术时，应首先考虑技术领域相同或相近的现有技术。

在审查实践中，以不同的现有技术为起点创造出一项发明创造存在多个路径，各个路径基于现有技术的基准不同，对于本领域技术人员来说难易不同。《专利审查指南》的三步法在诸多现有技术中，强调应以“最接近”的现有技术为基准，亦即“所有现有技术中与要求保护的发明最密切相关的一个技术方案”，作为非显而易见性的判断基准点，若发明创造能够确保相对最接近的现有技术而言具有创造性，则该发明创造能够确保相对于所有现有技术均具有创造性，可以获得授权。例如，如果技术方案相对于一项现有技术A具有创造性，相对于另一项现有技术B不具备创造性，则显然现有技术B相对现有技术A更适合作为“最接近的现有技术”以评价该技术方案的创造性。在实质审查程序中，以本领域技术人员重塑发明的过程来看，审查员要对本发明的现有技术状况进行检索分析，寻找与本发明的技术方案相同或相关的现有技术方案，并从中选择可能成为重塑发明起点的最接近的现有技术。

在此，本文将结合AI+专利申请的实审答复实例，详细讨论如何通过选择AI+专利申请的最接近现有技术来进行创造性评价。

一、不同技术问题且技术手段相悖

在答复审查意见时，针对“三步法”中“确定最接近的现有技术”，相关案例[1]指出，“如果某现有技术与发明出于解决不同技术问题的目的，采用了不同的发明构思，甚至由于发明构思的不同而导致在对某些技术手段的选取上存在相悖的情形，则该现有技术不适合作为最接近的现有技术”。通常，若审查意见中提供的最接近的现有技术（对比文件1等）与本方案的发明构思不同，且存在技术手段、技术效果存在矛盾的情形，则可以确定现有技术中无法确定与本方案最接近的现有技术，没有必要强行进行“三步法”中后两步的判断，可以直接得出本方案相对于现有技术具有创造性的结论。

示例1：

示例申请（申请号：202410817220.7，公开号：CN 118588174 A 发明名称：一种用于确定抗原抗体对接信息的方法与 设备）主要通过深度学习网络对未结合的抗原、抗体的结合结构进行预测，不仅预测了抗原抗体结合的结构，还预测了抗原和抗体由未结合到结合状态中自身的结构的转变，其公开版本的权利要求1如下所示：

1. .一种用于确定抗原抗体对接信息的方法，其中，所述方法包括：

基于抗原信息与抗体信息，利用深度学习网络，获取相应的抗原抗体对接信息，其中，

所述抗原信息包括抗原序列信息与抗原结构信息，所述抗体信息包括抗体序列信息与抗体结构信息，所述深度学习网络包括编码器‑解码器架构，所述抗原抗体对接信息包括抗原抗体复合物结构信息。

示例申请于2024年10月24日收到第一次审查意见通知书，审查意见提供了对比文件1（CN116741260A）作为最接近的现有技术，指出在对比文件1的基础上结合对比文件2以及本领域的公知常识得到该权利要求请求保护的方案对本领域技术人员是显而易见的…不具备专利法第22条第3款规定的创造性。

基于前述审查意见及D1全文分析，D1所要解决的技术问题是“解决现有技术中无法高效生成具有特定功能的抗体序列和结构的技术问题”，从而将处理后的抗原、抗体结构文件进行对接，得到抗原抗体复合物，以该抗原抗体复合物为模型输入，生成特定的抗体序列和结构，即D1的方案是基于抗原、抗体结构文件进行对接，也并未涉及抗原序列信息与抗体序列信息等。而本申请所要解决的技术问题是“传统的对接方法来预测抗原与抗体的结合姿态，其往往不能有效适应构象灵活性，不能保证预测准确性”，并通过蛋白质语言模型得到抗原、抗体嵌入信息；进而确定相应的抗体互补决定区编码信息，从而通过编码器得到抗原抗体复合物编码信息，最终通过解码器确定相应的抗原抗体对接信息。换言之，D1与本申请所解决的技术问题不同，而且，D1中等变神经网络的嵌入层、编码层都是对已经完成对接的抗原抗体复合物进行处理，以对抗体结构和序列进行优化；而本方案则是在对接前，通过蛋白质语言模型分别对抗原、抗体信息进行处理，再通过编码器结合抗体互补决定区编码信息与抗原嵌入信息得到抗原抗体复合物编码信息，以最终获取抗原抗体对接信息，这显然是一对矛盾体、无法共存的，故D1并不适合作为本方案的最接近现有技术。基于此，本申请在答复第一次审查意见时加强前述区别点，对权利要求1进行如下修改：

1. 一种用于确定抗原抗体对接信息的方法，其中，所述方法包括：

基于抗原信息与抗体信息，利用深度学习网络，获取相应的抗原抗体对接信息，其中，所述抗原信息包括抗原序列信息与抗原结构信息，所述抗体信息包括抗体序列信息与抗体结构信息，所述深度学习网络包括编码器-解码器架构，所述抗原抗体对接信息包括抗原抗体复合物结构信息；

其中，所述基于抗原信息与抗体信息，利用深度学习网络，获取相应的抗原抗体对接信息包括：

基于抗原信息与抗体信息，通过编码器确定抗原抗体复合物编码信息，其中，所述编码器基于自注意力机制构建，所述基于抗原信息与抗体信息，通过编码器确定抗原抗体复合物编码信息包括：利用蛋白质语言模型，确定所述抗原信息对应的抗原嵌入信息、所述抗体信息对应的抗体嵌入信息；基于所述抗原嵌入信息与所述抗体嵌入信息，通过编码器确定抗原抗体复合物编码信息；其中，所述基于所述抗原嵌入信息与所述抗体嵌入信息，通过编码器确定抗原抗体复合物编码信息包括：基于所述抗体嵌入信息，确定相应的抗体互补决定区编码信息，其中，所述抗体互补决定区编码信息将要用于对接；基于所述抗体互补决定区编码信息与所述抗原嵌入信息，确定抗原抗体复合物编码信息；

通过解码器将所述抗原抗体复合物编码信息转化为相应的抗原抗体对接信息。

示例申请依据上述修改和意见陈述答复第一次审查意见，并于2024年12月27日收到授权和办登通知从而获得相应授权。

二、相同技术问题但技术手段相悖

事实上，确定的最接近的现有技术与当前评述的发明创造本身的技术方案越接近，那么对发明创造的创造性的评价则可事半功倍，便于后续基于三步法进行对比、分析和评述说理，由此使得得出的创造性结论更加具有说服力，让人更容易接受；反之，若确定的最接近的现有技术与当前评述的发明创造的技术方案区别较大甚至存在互相矛盾的情形，那么可能增大后续三步法执行过程中评述说理的难度和工作量，还可能会导致发明创造的创造性结论的争议性更大，使得创造性结论的说服力较弱。此时，专利申请人或专利权人可以以最接近的现有技术选取不当为由，主张当前评述的发明创造具备创造性。例如，相关研究[2]已表明，“对于关键性技术手段不同，解决的技术问题相同导致发明构思不同的情形来说，此时，通常要分析关键技术手段之间的关系，如果关键技术手段A和B之间是相互制约的，例如，是一对矛盾体，难以共存的，或者此消彼长，此时本领域技术人员在具有关键技术手段A的现有技术的基础上进一步引入关键技术手段B是比较困难的，通常不适合作为最接近的现有技术…”。

示例2：

示例申请（申请号：202111678979.4，公开号：CN 114297506 A，发明名称：一种获取目标书籍的推荐图像信息的方法与设备）主要基于相匹配的书籍素材信息自行生成关于目标书籍的推荐图像信息，有利于书籍的推广，并能够为用户提供大数据匹配的良好书籍推荐体验，其公开版本的权利要求1如下所示：

1.一种获取目标书籍的推荐图像信息的方法，其中，该方法包括：

获取关于所述目标书籍的书籍素材信息，其中，所述书籍素材信息包括关于所述目标书籍的评价信息；

根据所述书籍素材信息及所述目标书籍的书籍相关信息，确定所述目标书籍对应的多个书籍图像帧；

基于所述多个书籍图像帧确定所述目标书籍的推荐图像信息。

示例申请于2024年09月26日收到第一次审查意见通知书，审查意见提供了对比文件1（CN113722535A）作为最接近的现有技术，指出对比文件 1 完全公开权利要求 1 的技术方案，并且由于两者属于相同的技术领域，同属于书籍推荐图像信息的技术领域，能够解决相同的技术问题，权利要求 1 不具备新颖性，不符合专利法第二十二条第二款的规定。

基于前述审查意见及D1全文分析，D1中基于关联信息处理成视频素材并存储在视频素材库中，其关联信息包括书籍详情页、文字内容、书中插图…文字内容等，即D1中“关联信息”相当于本方案的“书籍素材信息”；进一步地， D1方案是基于“关联信息”生成相应的视频素材，并基于视频素材生成相应的推荐视频信息等，换言之，D1方案推荐视频信息的视频内容由“关联信息”生成。而本方案中与“关联信息”相当的“书籍相关信息”用于生成书籍图像帧的装饰信息，书籍图像帧的图像内容由发布于社交空间的视频、图像和/或语音评价信息生成，显然，两者视频内容的内容源不同，关于目标书籍的推荐思路（D1是基于阅读应用的运营角度通过应用本身相关内容向用户进行书籍推荐，如提高营收等；本方案是基于用户关于书籍的整体评价信息确定用户侧评价，后向用户进行书籍推荐，推荐更加贴合用户阅读体验）不同，两者是一对矛盾体、无法共存的；故D1并不适合作为本方案的最接近现有技术。因此，本方案相对D1等具有创造性。

基于此，本申请在答复第一次审查意见时加强前述区别点，对权利要求1进行如下修改：

1. 一种获取目标书籍的推荐图像信息的方法，其中，该方法包括：

获取关于所述目标书籍的书籍素材信息，其中，所述书籍素材信息包括关于所述目标书籍的评价信息，其中，所述评价信息包括发布于社交空间的带有所述目标书籍的书籍标识信息的书籍评价信息；

根据所述书籍素材信息及所述目标书籍的书籍相关信息，确定所述目标书籍对应的多个书籍图像帧，其中，所述书籍相关信息包括用于对目标书籍本身内容进行简要描述的概要信息，所述书籍相关信息用于生成所述多个书籍图像帧的固定位置的装饰信息；

基于所述多个书籍图像帧确定所述目标书籍的推荐图像信息；

其中，所述书籍素材信息包括以下至少任一项：

所述目标书籍的书籍视频评价信息；

所述目标书籍的书籍图像评价信息；

所述目标书籍的书籍语音评价信息。

示例申请基于前述修改及意见提交第一次审查意见的答复稿，并于2025年01月10日收到授予发明专利权通知书。

相对于前述仅仅涉及人工智能领域的大数据匹配技术，关于大数据模型的深度应用及改进的发明专利在进行“最接近的现有技术”选择的争辩时，需要更加侧重于大数据模型在应用场景中所实现的方式的区别，并基于此进行争辩。

示例3：

示例申请为2022年03月18日提交的一篇发明专利申请，发明名称为用于检测生产环境中焊接质量的方法、设备、介质及程序产品，其（申请号：202111545359.3，公开号：CN 114202224 A）公开版本的权利要求1如下所示，

1 .一种用于检测生产环境中焊接质量的方法，其中，所述方法包括：

获取生产环境中目标焊接任务对应的目标检测数据；

基于所述目标检测数据及所述生产环境对应的焊接质量检测模型，确定所述目标焊接

任务的焊接质量信息，其中，所述焊接质量检测模型由生产样本数据与参考样本数据通过机器学习训练所得。

示例申请于2022年07月01日收到第一次审查意见通知书，通知书引用对比文件1（公开号：CN 113695713A）作为最接近的现有技术，并指出在对比文件1的基础上结合本领域的公知常识得到该权利要求请求保护的方案对本领域技术人员是显而易见的…不具备专利法第22条第3款规定的创造性。

基于前述审查意见及对比文件1进行分析，D1的方案主要是将热水器内胆焊接过程中获取的数据划分为训练集及测试集，利用训练集进行模型训练，并利用测试集对训练好的模型进行测试。即，D1的方案实质是利用热水器内胆焊接中获取的工艺数据来进行模型训练，且D1 的方案中用于模型训练的数据均来自热水器内胆焊接过程。其与本方案利用不同来源的“生产样本数据”与“参考样本数据”进行模型训练完全不同。并且，本方案采用多种来源的数据进行训练也可以有效避免 D1 中“实际工业领域的训练数据缺陷样本往往非常稀少”的情况。显然，D1与示例申请的技术思路不同，是一对矛盾体、无法共存的，故D1并不适合作为本方案的最接近现有技术。因此，本方案相对D1等具有创造性。该案依据上述修改和意见陈述答复第一次审查意见，其中，修改后的权利要求1如下所示：

1. 一种用于检测生产环境中焊接质量的方法，其中，所述方法包括：

获取生产环境中目标焊接任务对应的目标检测数据；

基于所述目标检测数据及所述生产环境对应的焊接质量检测模型，确定所述目标焊接任务的焊接质量信息，其中，所述焊接质量检测模型由生产样本数据与参考样本数据通过机器学习训练所得，所述生产样本数据包括从所述生产环境中获取的多个数据样本，所述参考样本数据包括焊接实验室样本数据、行业样本数据，所述焊接质量检测模型包括多个子检测模型，所述子检测模型由训练样本数据及训练样本数据权重通过机器学习训练所得，所述训练样本数据包括若干个取自所述参考样本数据的第一子训练样本数据及若干个取自所述生产样本数据的第二子训练样本数据，所述训练样本数据权重根据前一轮训练所得子检测模型更新，所述训练样本数据权重包括所述第一子训练样本数据对应的权重与所述第二子训练样本数据对应的权重，更新所述训练样本数据权重用于降低预测输出错误的第一子训练样本数据对应的权重、提高预测输出错误的第二子训练样本数据对应的权重。

示例申请基于前述修改及意见提交第一次审查意见的答复稿，并于2022年09月06日收到第二次审查意见通知书，通知书继续引用对比文件1（公开号：CN 113695713A）作为最接近的现有技术，并指出示例申请不具备专利法第22条第3款规定的创造性。

基于第二次审查意见及D1的分析，D1的方案利用梯度下降法确定合适的θt矩阵，完成逻辑回归模型对应参数矩阵的更新。而本方案是基于生产样本数据与所参考样本数据的样本数据分布差异、以及子检测模型对应的错误率来进行训练样本数据权重的更新，使模型训练更关注预测输出错误的生产样本数据，减少与第二子训练样本数据差异较大的第一子训练样本数据的影响，使得训练所得的焊接质量检测模型更适用于所述生产环境，两者模型训练方式并不相同。显然，D1与示例申请的技术思路不同，是一对矛盾体、无法共存的，故D1并不适合作为本方案的最接近现有技术。因此，本方案相对D1等具有创造性。该案依据上述修改和意见陈述答复第二次审查意见，其中，修改后的权利要求1如下所示：

1. 一种用于检测生产环境中焊接质量的方法，其中，所述方法包括：

获取生产环境中目标焊接任务对应的目标检测数据；

基于所述目标检测数据及所述生产环境对应的焊接质量检测模型，确定所述目标焊接任务的焊接质量信息，其中，所述焊接质量检测模型由生产样本数据与参考样本数据通过机器学习迁移学习算法训练所得，所述生产样本数据包括从所述生产环境中获取的多个数据样本，所述参考样本数据包括焊接实验室样本数据、行业样本数据，所述焊接质量检测模型包括多个子检测模型，所述子检测模型由训练样本数据及训练样本数据权重通过机器学习训练所得，所述训练样本数据包括若干个取自所述参考样本数据的第一子训练样本数据及若干个取自所述生产样本数据的第二子训练样本数据，所述训练样本数据权重根据前一轮训练所得子检测模型更新，所述训练样本数据权重包括所述第一子训练样本数据对应的权重与所述第二子训练样本数据对应的权重，更新所述训练样本数据权重用于降低预测输出错误的第一子训练样本数据对应的权重、提高预测输出错误的第二子训练样本数据对应的权重，所述训练样本数据权重基于样本权重阈值以及错误率更新，所述样本权重阈值根据所述生产样本数据与所述参考样本数据的样本数据分布差异值确定，所述错误率基于所述子检测模型及验证数据计算。

示例申请基于前述修改及意见提交第二次审查意见的答复稿，并于2022年12月09日收到授予发明专利权通知书。

三、总结

应用“三步法”评价专利申请的创造性时，“最接近的现有技术”的选择既是起点也是关键步骤之一，对于同一件专利申请，不同的“最接近的现有技术”可能会导致不同的创造性评价。

由前述实例分析可知，AI+专利申请的创新点通常与AI相关，例如特定AI样本的获取、特定AI模型的训练、将AI模型应用于特定领域等。因此，当我们聚焦于此类申请的“最接近的现有技术”时，可先行尝试围绕涉案申请的AI技术特征进行分析，以提高分析的准确度和效率。

在实审答复实践中，当分析AI+专利申请的“最接近的现有技术”是否存在选取不当的情形时，首先要分析对比文件与本方案的发明构思是否相似或相同，对于发明构思明显不同的情形，申请人可以寻找发明构思中不同的矛盾点进行补充并争辩，例如，向权利要求1中添加部分矛盾点相关的内容，增强本方案与对比文件的区别，以支持“最接近的现有技术”选取不当的评述说理，从而可以跳过三步法后续步骤，直接主张本方案的创造性。而且，对于对比文件与本方案的发明构思明显不同的情形，如果强行采用“三步法”去论证发明创造的创造性，反而更容易使发明创造的创造性结论发生偏离。

参考文献（上下滑动阅览）

【1】《以案说法——专利复审、无效典型案例指引》，国家知识产权局专利复审委员会 编著，知识产权出版社，2018，第145页。

【2】戴翀，谈创造性评判中最接近现有技术的选择，《中国发明与专利》，2016,(8)，第95-99页。

作者：杨宇宙 赵云虎 周建华

编辑：Sharon