文/北京市集佳律師事務所 戈曉美
摘要：“人工智能+”時代，將基礎算法垂直應用到千行百業的真實場景，成為人工智能技術升級、產業增長的新路經。人工智能技術的場景依賴性特征對傳統算法中心主義的專利創造性評價提出特殊挑戰。本文結合國家知識產權局復審和無效審理部發布的“廢鋼等級劃分神經網絡模型”無效案與字節跳動“用于處理圖像的方法和裝置”復審案，剖析應用場景特征通過訓練數據、模型參數、技術目標等維度對算法或模型產生的實質性影響，提出人工智能專利創造性評價中場景特征的考量路徑，為司法實踐與專利代理提供參考。
引言
人工智能技術的爆發式發展推動相關專利申請量激增，但算法與應用場景的深度綁定使創造性評價面臨困境。《專利審查指南（2010）》對人工智能專利的創造性判斷規則缺乏具體指引，實踐中常存在“重算法輕場景”或“場景泛化認定”的誤區。國家知識產權局發布的“廢鋼等級劃分”無效案（第55072號決定）與字節跳動圖像處理復審案（第1694596號決定），通過明確應用場景特征的評價價值，為該領域創造性判斷樹立了示范標桿。本文基于兩案核心爭議，探討場景特征對算法或模型的影響機理及審查認定規則。
一、人工智能技術特征與場景關聯性基礎
人工智能技術的核心構成包括算法架構、訓練數據與應用目標，三者均與具體場景存在內在關聯。與傳統技術不同，人工智能算法的效能高度依賴應用環境：同一基礎算法在不同場景中需通過數據適配、參數調整實現功能落地，而場景差異直接決定技術問題的邊界與解決方案的方向。
從技術本質看，應用場景對人工智能技術的影響體現為三重邏輯：一是場景定義技術問題，不同場景的實踐需求決定算法需解決的核心矛盾；二是場景約束數據形態，訓練數據的采集范圍、特征維度隨場景特性變化；三是場景引導模型優化，算法的參數配置、特征提取重點需匹配場景專屬需求。這種關聯性構成場景特征納入創造性評價的核心依據。
二、典型案例中場景特征對算法的影響解析
（一）廢鋼等級劃分無效案：場景差異引發的算法實質性調整
1.案件核心事實：涉案專利（ZL201910958076.8）公開一種基于卷積神經網絡的廢鋼等級劃分方法，針對廢鋼收購場景中“疊壓混雜廢鋼的尺寸分級”問題，通過提取圖像邊緣與紋理關聯特征、優化訓練數據實現等級自動劃分。請求人以證據1（廢鋼分揀場景的種類識別方法）結合證據2（通用卷積神經網絡架構）主張其缺乏創造性，審理部門最終維持專利權有效。
2.場景對算法的影響維度：
技術問題重構：收購場景需解決“疊壓廢鋼的尺寸分級”以確定收購價格，分揀場景則需實現“單一品類的種類識別”以制定再利用策略，場景差異導致核心技術問題完全不同。
訓練數據異化：涉案專利采用“形態混雜、相互疊壓的廢鋼圖像”，證據1則使用“已分類的單一品類廢鋼圖像”，數據形態差異直接決定特征提取的側重點。
模型參數適配：為處理疊壓圖像的邊緣模糊問題，涉案專利針對性調整卷積核參數與特征融合邏輯，提取“邊緣-紋理關聯特征”，需要對例如提取的特征之類的重要數據、輸入層輸出層之間的各層級的模型參數等進行調整，而證據1無需此類參數優化。
該案明確：即使基礎算法架構相似，場景差異引發的技術問題重構、數據形態異化與參數調整，足以使技術方案具備非顯而易見性。
（二）字節跳動圖像處理復審案：場景限定帶來的算法功能升級
1.案件核心事實：涉案申請（201810734681.2）公開一種圖像處理方法，針對“球場等特定對象的關鍵點檢測”場景，通過融合位置信息的訓練數據優化關鍵點檢測模型。審查部門曾以對比文件1、2結合公知常識駁回申請，復審階段申請人明確場景限定及對應算法調整后，決定撤銷駁回。
2.場景對算法的影響維度：
限定特定技術問題：修改前，權利要求中未明確技術問題與應用場景的關聯，僅描述為“處理圖像的方法”，缺乏對特定場景下技術問題的限定；修改后，明確技術問題為“基于圖像的球場數據分析”，與對比文件1（人臉識別）和對比文件2（遮擋判斷）所解決的技術問題形成明顯差異，體現了算法在特定場景下的功能定向與技術目標重塑。
明確訓練數據的場景特征：修改前，未明確訓練數據的來源與特性，模型訓練缺乏場景針對性；修改后，訓練數據來源于“目標對象（如球場）自身的拍攝圖像”，強調同一球場的多個圖像用于訓練，訓練目標為輸出關鍵點的位置坐標與可見性概率。數據中蘊含球場的幾何結構、視角變換、關鍵點分布等場景特征，導致模型在結構、輸入輸出設計上與通用模型（如D1/D2）產生實質性差異。
明確模型參數的適配關系：修改前，僅描述“不同目標對象對應不同關鍵點檢測模型”，未明確模型與場景的適配關系；修改后，明確“關鍵點檢測模型是基于目標對象的拍攝圖像和位置信息集合訓練得到的”，強調“模型與目標對象個體一一對應”，模型輸出同時包含位置坐標+可見性概率，且二者同步輸出，體現了算法與場景在功能上的深度融合與相互支持。
該案表明：場景特征通過限定特定技術問題、明確訓練數據的場景特征、明確模型參數的適配關系實現算法功能升級時，其技術貢獻應納入創造性評價范疇。
三、人工智能專利創造性評價中場景特征的把握路徑
結合兩案裁判邏輯與人工智能技術特點，場景特征的創造性評價可遵循“場景解構—影響評估—創造性關聯”的三步路徑。
（一）場景特征的解構維度
首先需要明確場景的核心要素：一是場景屬性，包括技術領域、實踐環節、環境約束等客觀特征，如廢鋼收購場景的“現場疊壓”屬性；二是場景需求，即該場景下待解決的具體技術矛盾，如球場場景的“動態關鍵點定位”需求；三是場景約束，包括數據可得性、實時性要求等技術限制。上述要素共同構成場景影響算法的基礎框架。
（二）場景對算法影響的實質性判斷
場景特征是否構成創造性評價的關鍵要素，核心在于判斷其是否引發算法或模型的實質性調整，具體包括三方面：
1.算法核心要素是否變化：主要考慮根據應用場景的不同所要解決的技術問題的不同，對算法的訓練數據、模型參數或其他方面是否進行了相應調整？如特征提取維度、訓練數據結構、模型參數配置等因場景差異發生調整則在判斷創造性時應予以考慮，若僅為算法的簡單套用則不構成實質性變化。
2.技術效果是否專屬：主要考慮調整后的算法是否解決了場景特有的技術問題并獲得了有益的技術效果？如廢鋼收購場景的“疊壓識別精度”提升，則在創造性判斷時應予以考慮。
3.調整難度是否顯而易見：主要考慮場景引發的算法優化對本領域技術人員而言是否需要創造性勞動？如果兩個應用場景和處理對象之間存在較多的相似之處，將這種算法從一應用場景轉用到另一應用場景時無需對算法流程模型參數等要素作出實質性改變，則這種應用場景和處理對象的不同并不能使整體方案具備創造性。
（三）創造性評價的場景關聯規則
1.整體考量原則：《審查指南》第二部分第九章第6.1.3節規定，應將與技術特征功能上彼此相互支持、存在相互作用關系的算法特征或商業規則和方法特征與所述技術特征作為一個整體考慮。將場景特征與算法特征作為技術方案的有機整體審查，避免孤立評價算法架構或場景描述，如廢鋼案中需結合“收購場景+關聯特征提取”綜合判斷。
2.區別技術特征聚焦：若場景差異導致區別技術特征（如訓練數據優化、參數調整），需進一步判斷該特征是否為場景專屬且非顯而易見，如字節跳動案中“位置信息融合訓練”與球場場景的強關聯性。
3.技術啟示排除規則：若現有技術未公開相同場景下的算法應用，且不同場景間的算法遷移需克服技術障礙，則可排除現有技術的結合啟示。
四、結論與建議
人工智能專利的創造性評價需突破“算法中心主義”局限，充分考量應用場景特征的技術價值。從兩案實踐來看，場景特征并非抽象的應用背景，而是通過定義技術問題、約束數據形態、引導模型優化對算法產生實質性影響，當這種影響導致技術方案具備非顯而易見性且產生專屬技術效果時，應認定其具備創造性。
對專利撰寫而言，需在申請文件中寫明所解決的特定功能或應用領域中的技術問題，明確場景特征與算法調整的關聯邏輯：一是詳細披露場景的技術屬性與具體需求；二是清晰說明針對場景需求的算法優化細節，包括數據處理方式、參數設置依據；三是量化場景專屬的技術效果，如識別精度、處理效率的提升數據。
對審查實踐而言，應進一步細化場景特征的審查標準：針對“算法+場景”型發明，重點核查場景差異與算法調整的因果關系；針對通用算法的場景應用，嚴格區分“實質性優化”與“簡單套用”，避免不當否定真正的場景創新或不當授權泛化技術方案。
未來隨著人工智能技術的場景化深入發展，需持續完善審查規則，在鼓勵技術創新與防范專利濫用之間實現平衡，為新質生產力發展提供知識產權保障。