作者：崔祥 专利代理师、实习律师
随着人工智能的逐渐兴起，创新人员迫切的希望其在人工智能领域具有创造性的智力活动成果通过专利的形式来得到有效的保护。实际上，在中国，与人工智能有关的专利申请数量在急剧增长。在人工智能领域，深度学习（Deep Learning，DL）无疑是实现人工智能的一个重要途径。因此，对于人工智能领域的专利代理师而言，如何撰写涉及深度学习的专利申请的权利要求显得尤为重要。
深度学习是机器学习的一种，通过建立具有阶层结构的人工神经网络，在计算系统中实现人工智能。深度学习源于且高于传统的神经网络，其核心就是通过深度结构逐层以简单概念构建复杂概念，自动提取分布式的特征。撰写这一类的权利要求时，可以遵循一些基本的原则或步骤，这样可以避免一些常见的错误。
根据客户的交底材料中的技术方案判断交底中所涉及的深度学习模型是否是一种常规的套用。如果交底中的深度学习模型只是将现有深度学习模型应用于数据集，并没有对该模型作出任何的改进，那么这种深度学习模型的应用就只是一种常规的套用。针对这种常规的套用，我们可以不需要关注该深度学习模型的结构以及训练过程，只将该模型当作一种黑盒，这种黑盒能够对输入的数据集进行处理并且能够有相应的输出。
此种情况，将权利要求尤其是独立权利要求的撰写重点放在交底材料中那些与深度学习模型无关的真正的创新点。在实际案件处理过程中，往往很多都是属于这种情况，否则需要进一步判断深度学习模型的改进点。
根据客户给出的交底材料判断是否是对模型结构作出了改进。深度学习模型是一种通过一些深度结构进行逐层抽象，变相的把问题一步一步地简化的阶层模型，结构相对其它的机器学习模型较为复杂，具有相对较多的种类，相应的对模型结构本身作出改进的空间也较大。
因此，在该模型不属于常规的套用的情况下，就需要判断该模型是否具有结构方面的改进。深度学习模型的结构具有创新点或者就是一个新的模型结构，则根据模型的结构来撰写权利要求。我们在根据该深度学习模型的结构进行撰写权利要求时，需要进一步判断将重点落实在模型训练阶段还是模型应用阶段。
下面通过对比两个不同阶段示例（模型应用阶段和模型训练阶段）来直观的呈现两者之间的不同。
模型应用阶段的独立权利要求：一种在车辆中用于使用深度学习算法在同一网络中同时执行多个车载感测任务的处理器实现的方法，所述方法包含：接收来自所述车辆上的传感器的视觉传感器数据；使用卷积神经网络中的多个特征层根据所述视觉传感器数据确定特征组；并且使用所述卷积神经网络根据由所述多个特征层确定的所述特征组同时估计检测到的物体的边界框、自由空间边界和检测到的物体姿态；其中所述神经网络包含：多个自由空间估计层，其配置为评估所述特征组以确定所述视觉传感器数据中相对于所述车辆的所述自由空间的边界并且标记所述边界；多个物体检测层，其配置为评估所述特征组以检测图像中的物体并估计围绕所述检测到的物体的边界框；以及多个物体姿态检测层，其配置为评估所述特征组以估计每个物体的方向。
模型训练阶段的独立权利要求：一种数据分类模型训练方法，其特征在于，包括，采用识别对象通用数据集对神经网络分类模型各个层的参数值进行训练，获得第一神经网络分类模型；采用识别对象实际数据集对第一神经网络分类模型顶部若干层的参数值进行训练，获得第二神经网络分类模型；再次采用所述识别对象实际数据集对第二神经网络分类模型各个层的参数值进行训练，获得完成训练的第三神经网络分类模型；其中，识别对象通用数据集中数据的类别数量小于第一类别数量预设值、类别内的样本数量大于第一类内样本数预设值，识别对象实际数据集中数据的类别数量大于第二类别数量预设值，第一类别数量预设值小于第二类别数量预设值。
对比上面两个不同阶段的独立权利要求，读者可以清晰地感受到两者的不同。模型应用阶段的示例中，通过应用模型得到了具体的输出；而在模型训练阶段的示例中，则是通过训练获得了多个模型。在撰写此类权利要求的过程中，还应当注意的是，不能够将模型应用阶段和模型训练阶段杂糅进一个权利要求中，即要符合单边撰写的要求。因为模型应用阶段的实际执行客体和模型训练阶段的实际执行客体有可能不同。
相应地，一份交底材料中的技术方案既涉及模型训练阶段也涉及模型应用阶段，则可以撰写两个不同的独立权利要求。我国的专利侵权的判定遵循全面覆盖原则，即只有被诉侵权技术方案包含与权利要求记载的全部技术特征相同或者等同的技术特征的才会被认定其落入专利权的保护范围。如果一个权利要求中包含了多个实际执行客体的话，显然是增加了专利权人维权的实际困难，不利于对技术方案的全面保护。
在撰写涉及深度学习的权利要求时，应当尽可能的详细清楚，避免出现得不到说明书支持的情况，从而使得审查员能够确信该专利应当被授权。在实践中，关于该领域的权利要求的撰写还有许多其它的情况，根据交底材料的实际内容可以做出相应的改变，以得到合适的权利要求，为客户争取尽可能多的利益。