作者：王永 資深專利代理師
傳統意義上的神經網絡一般是指生物體的神經細胞（即神經元）通過細胞體上的突起相互連接而組成的網絡，該網絡用于產生生物體的意識，幫助生物體進行思考和行動。而人工神經網絡（Artificial Neural Network，以下簡稱為神經網絡）是一種模擬生物體的神經元連接網絡的數學模型，可以模仿生物體大腦的智能活動來進行數學計算，從而解決各種計算任務。由此可見，神經網絡是一種天然地具有“智力”屬性的通用性的數學算法，這也導致了神經網絡相關的專利申請中的全部內容或者部分內容容易被視為涉及智力活動的規則和方法，進一步地會被認為不屬于技術方案而被排除在專利的授權客體之外。
針對神經網絡或者其他涉及人工智能等新業態新領域的專利申請，國家知識產權局在2019年12月31日發布了關于修改《專利審查指南》的公告（第343號）。修改后的《專利審查指南》對涉及人工智能、“互聯網+”、大數據以及區塊鏈等的發明專利申請的審查特殊性作出規定，并通過若干審查示例在一定程度上明確了相關專利申請的審查規則，具體對涉及客體問題判斷時使用的技術方案的三要素，即技術手段、技術問題、技術效果，做出了詳細說明。然而，在專利實務中，由于方案的多樣性和復雜性，神經網絡的相關申請內容通常難以在抽象的數學算法和具體的技術方案之間進行準確劃界。在面對一件專利申請是否屬于專利法規定的授權客體的問題時，專利申請人/專利代理師以及專利審查員也往往會因認知上的差異而得出不同的判斷結果。
當專利審查員依據專利法第2條第2款或者專利法第25條第1款的相關規定對一件神經網絡相關的專利申請作出不屬于專利保護客體的駁回決定時，專利申請人可以根據專利法第41條的規定向專利復審委員會請求復審，專利復審委員會在經過復審后可以作出維持原駁回決定或者撤銷原駁回決定的復審決定。專利復審程序可以在某些情況下糾正專利審查程序中相關主體的認知錯誤，而專利復審結果也可以在某種程度上更加客觀地反映相關法條規定的適用條件。因此，本文基于若干復審案例對神經網絡的客體問題做簡單探討，以期對神經網絡相關專利申請的撰寫、涉及客體問題的審查意見答復提供一定的參考。
一、關于神經網絡的客體問題的三種認知
與神經網絡相關的專利申請的保護主題主要涉及神經網絡的模型結構、神經網絡的模型訓練/優化方法或者神經網絡在具體場景中的使用方法等多種主題類型。各種不同主題類型的神經網絡相關方案，均需要借助計算機設備來實現；例如，神經網絡的模型結構一般是安裝在計算機設備的存儲器中，具體可以將神經網絡的模型框架、網絡參數、輸入/輸出數據保存在存儲器的不同存儲區域中；又例如，神經網絡的訓練方法/應用方法由計算機設備的處理器執行，計算機設備的處理器在執行相關的神經網絡算法時，需要從存儲器中讀取/寫入網絡參數及相關的輸入/輸出數據。那么，與計算機設備相結合的神經網絡是否就足以構成我國專利法規定的專利保護客體呢？從以往的國內外專利實踐中或許可以尋找到答案。
在美國和歐洲的專利審查和司法實踐中，對于神經網絡的客體判斷，相比于我國而言一般是較為寬松的。例如，Google公司及其旗下的DeepMind公司在美國提交了大量的涉及神經網絡的相關專利申請，其中不乏Dropout（一種預防過擬合的神經網絡訓練方法）、CNN（卷積神經網絡）、RNN（循環神經網絡）等普遍被認為是基礎算法或者公開資源的相關方案。
事實上，美國一直以來都是可專利主題最為寬泛的國家，美國專利法規定：凡發明或發現任何新穎而實用的方法、機器、制品、物質組成或其任何新穎而實用的改進，都可以按照本法規定的條件和要求取得專利權。在美國的司法實踐中，曾經提出并使用過“機器或變換測試法”對方法的可專利性問題作出指導，具體是指作為可專利主題的方法需要與特定機器相結合或者能夠把一件物品變換成另一個不同狀態或另一種東西?；谶@一測試方法，與計算機設備相結合的神經網絡算法顯然同時具備了與特定機器相結合以及對輸入數據進行變換處理的條件。
歐洲專利局在進行專利審查時，會對權利要求中的所有特征做技術特征和非技術特征的劃分，其中非技術特征會被排除在新穎性和創造性的評價范圍之外。在對權利要求進行可專利性判斷時，歐洲專利局曾經使用過“貢獻論”（contribution approach）的判斷方法，該方法規定在進行可專利性判斷時，僅考慮權利要求中對現有技術作出貢獻的部分是否屬于排除主題。然而，由于違背了權利要求應當整體評價的原則，貢獻論很快便被棄用了。在此基礎上，歐洲專利局確立了只要權利要求中包含計算機、計算機網絡或者計算機可讀介質，就會賦予權利要求以技術性質（technical character）的原則。而技術性質正是歐洲專利公約要求一項專利法意義上的發明所必須滿足的隱含要求?；谶@一判斷原則，當神經網絡算法與計算機設備相結合時，能夠初步判斷其具備關于技術性質的可專利性要求。
在我國的專利實務中，在面對與神經網絡相關的專利申請是否屬于專利法規定的授權客體的問題時，一般情況下可能會產生如下三種認知：
（1）神經網絡屬于一種通用性的算法工具，神經網絡的相關結構或者方法依賴于計算機設備的硬件結構，其數據處理過程也必然涉及計算機內部的數據獲取、數據傳輸、數據存儲等技術手段。因此，神經網絡本身便是一種能夠在多種不同的技術領域中進行應用的技術方案，屬于專利保護的客體。
（2）在涉及神經網絡的權利要求中清楚地限定某一個具體的技術領域，基于該技術領域的神經網絡的模型結構或者模型訓練/優化/應用方法等方案涉及通過計算機程序對該技術領域中的技術數據進行數據處理的技術手段。這種方案屬于審查指南第九章規定的涉及計算機程序的發明專利申請，具體涉及通過執行計算機程序處理外部技術數據的情形。因此，與某一具體技術領域相結合的神經網絡構成一種技術方案，屬于專利保護的客體。
（3）在未限定具體技術領域的情況下，對神經網絡的結構或者算法步驟進行優化涉及對計算機程序的計算資源、計算效率等方面進行性能優化的技術手段。這種方案屬于審查指南第九章規定的涉及計算機程序的發明專利申請，具體涉及通過執行計算機程序改善計算機系統內部性能的情形。因此，即便沒有與具體技術領域做結合，基于神經網絡對計算性能進行提升優化的方案足以構成技術方案，屬于專利保護的客體。
針對如上所述的三種認知觀點，下面結合具體復審案例的復審結果逐一進行分析，需要說明的是，以下各個復審案例僅對具體復審決定的相關內容做簡要摘取。相關案例的復審決定的完整內容請參見國家知識產權局專利復審和無效審理部官方網站。
二、涉及多種技術領域的神經網絡能否作為通用技術方案而成為專利保護客體
案例1：面向深度學習的稀疏自適應神經網絡、算法及實現裝置
決定號 192123 決定日 2019-09-23
申請號 201510944909.7 申請日 2015-12-16
案例1的駁回決定所針對的權利要求1內容如下：
一種面向深度學習的稀疏自適應神經網絡算法，運用在單芯片上，其特征在于：
1)采用對能量函數的概率分布的最大似然估計的負對數形式求最小值的凸優化形式表示目標函數；
2)所述目標函數為： ，其中λ表示正則化系數，l表示網絡的層數，最低為1層，v(l)表示每一層RBM的可視層，h(l)表示每一層RBM的隱藏層；向目標函數中加入一范數正則化項， ，wij表示連接的權值；
3)所述目標函數的優化目標為x≤wi,j≤y，x，y∈R，優化結果是wij向優化目標區間的端點x,y靠近；
4)采用短位寬的離散的整數表示連接的權值；
5)對x,y取整，用[x],[y]表示，取[x]≤m1，m2≤[y]，當wi,j≤m1，wi,j＝[x]，當wi,j≥m2，wi,j＝[y]，否則wi,j用約定值表示連接不存在；
6)在常規項的梯度下降步驟后，應用contrastive divergence規則進行更新，應用Rs的梯度更新參數。
駁回決定中指出：權利要求1要求保護一種面向深度學習的稀疏自適應神經網絡算法，所采用的方案是通過限制隱藏單元的活動數量達到稀疏表示，僅僅是對算法本身的改進，沒有應用到技術領域，沒有提及該算法能夠用于解決何種實際的技術問題，沒有限定算法參數在技術問題中所體現的物理含義，即沒有形成具有技術意義的技術方案，以及也沒有體現出運用該算法后能夠為解決技術問題帶來何種技術效果；屬于人為制定的規則，屬于智力活動的規則和方法。
在復審程序中，復審請求人陳述意見：“面向深度學習的神經網絡算法”本身就是一項技術方案，因為該神經網絡模型適用于集成電路中，具體使用領域廣泛，如在機器視覺、場景感知、特征提取、大數據處理等領域中應用，考慮到保護范圍的需求，權利要求1中涉及的參數雖然未具體賦予物理含義，但對于本領域技術人員而言，在實際應用過程中，對參數賦予物理含義是常規技術。
針對復審請求人的意見陳述，合議組認為：人工神經網絡是一種模仿生物神經網絡行為特征，進行分布式并行信息處理的算法數學模型，其本身僅僅是一種數學模型，并不構成技術方案，只有將其應用于具體的應用領域中，對具體應用領域中的數據進行處理，從而解決具體領域中的分類、識別等技術問題時，整個方案才屬于技術方案。復審請求人列舉了本申請可應用的多個應用領域，正說明本申請并未與特定的應用領域相結合，而僅是抽象的數學模型。
合議組決定維持國家知識產權局對本申請作出的駁回決定。
案例2：分層型神經網絡裝置、判別器學習方法以及判別方法
決定號 195731 決定日 2019-10-15
申請號 201480073042.6 申請日 2014-02-10
案例2的駁回決定所針對的權利要求1內容如下：
一種使用分層型神經網絡進行判別的裝置，該分層型神經網絡用于控制、預測或診斷，該裝置具有：
權重存儲部，其存儲分層型神經網絡中的節點之間的權重；
權重學習部，其對所述分層型神經網絡中的多個節點之間的權重進行學習，所述分層型神經網絡是根據糾錯碼的校驗矩陣在所述節點之間進行疏耦合而形成的，并且由具有節點的輸入層、中間層以及輸出層構成；以及
判別處理部，其使用利用由所述權重學習部學習到的權重值更新耦合后的節點之間的權重后的分層型神經網絡進行判別，求解分類問題或者回歸問題。
駁回決定中指出：權利要求1并未明確限定該方法處理的具體技術問題，未與具體的技術領域相結合，解決的問題是通過人的思維活動而進行的方法算法問題，屬于一種數學問題而不是技術問題，其實際采用的手段是自定義校正值、權重值配置，屬于人為規定，不是技術手段；其方案帶來的效果也是算法改進帶來的算法/數學效果，而非技術效果，因此，權利要求1所要求保護的解決方案不夠成技術方案，不符合專利法第2條第2款的規定。
在復審程序中，復審請求人在權利要求1中增加了“該裝置用于與控制、預測或診斷相關的信息處理”以及“學習數據存儲部”、“訓練數據存儲部”、“判別處理部”等涉及數據處理的相關特征，并陳述意見：修改后的權利要求1明確了該裝置所應用的技術領域，即，“該裝置用于與控制、預測或診斷相關的信息處理”；對于權重和數據的存儲、學習和傳輸等特征均屬于技術手段。
針對復審請求人作出的修改以及意見陳述，合議組認為：就“該裝置用于與控制、預測或診斷相關的信息處理”而言，是算法數學模型的功能屬性，并非專利法意義上的具體的技術領域。至于通過神經網絡的具體結構進行權重和數據的存儲、學習和傳輸等特征是算法數學模型構成要素的功能性描述，屬于算法數學模型的屬性本身，不屬于專利法意義上的技術手段。
合議組決定維持國家知識產權局對本申請作出的駁回決定。
基于案例1及案例2的復審結果做如下對比分析：
在以上兩個案例中，復審請求人通過陳述意見或者修改權利要求的方式各自為其要求保護的方案限定了多個技術領域，使得相關的神經網絡成為可以跨越多個技術領域的通用算法，無法體現神經網絡在具體技術領域中的“特殊性”。合議組對兩件復審請求均作出了維持駁回決定的復審決定。具體而言：
在案例1中，復審請求人通過復審程序的意見陳述聲明其要求保護的方案可以應用于機器視覺、場景感知、特征提取、大數據處理等技術領域，而合議組認為復審請求人列舉的本申請可應用的多個應用領域，正說明本申請并未與特定的應用領域相結合，而僅是抽象的數學模型，合議組據此得出了維持駁回決定的結論。
在案例2中，復審請求人通過修改權利要求，具體限定其要求保護的方案可以應用在與控制、預測或診斷相關的信息處理的應用領域中，而這樣的領域限定因為過于寬泛和抽象而被認為是算法數據模型的功能屬性，合議組據此得出了維持駁回決定的結論。
神經網絡需要借助集成電路或者計算機設備來實現數據的存儲、傳輸和處理等算法功能，因神經網絡具有通用性而可以在多種不同的技術領域中進行應用，在某些特定的語境下的確可以將神經網絡的相關方案納入至廣義的“技術方案”的范疇中，但這種廣義的“技術方案”并不嚴格等同于專利法意義上的技術方案。倘若在意見陳述或者在權利要求中廣泛限定多種不同的技術領域，反而會令審查員/合議組得出方案整體屬于通用數學算法的結論。因此，在未有其他“可專利性”依據支持的前提下，限定在多種不同技術領域中應用的神經網絡作為通用技術方案不足以構成符合專利法規定的專利保護客體。
三、涉及某一指定技術領域的神經網絡能否依據執行計算機程序處理外部技術數據的目的而成為專利保護客體
案例3：粒子群優化LVQ神經網絡的方法及擾動、諧波檢測方法
決定號 209524 決定日 2020-04-15
申請號 201510310098.5 申請日 2015-06-08
案例3的駁回決定所針對的權利要求1內容如下：
一種分布式電源擾動類型的在線檢測的方法，其特征在于，包括：利用粒子群優化學習向量量化LVQ神經網絡的方法，依據輸入的電能質量信號中的擾動類型信息，對所述電能質量信號的擾動類型進行檢測，
其中，利用粒子群優化學習向量量化LVQ神經網絡的過程，包括：
建立粒子群，其中所述粒子群中粒子的位置的分量與LVQ神經網絡中的連接權值一一對應；
利用粒子群迭代算法，迭代更新所述粒子群中所有粒子的位置和速度；
其中，每次更新粒子的位置和速度后，均計算每個粒子的最優適應度位置，并利用得到的粒子的最優適應度位置獲取粒子群的最優適應度位置，以及，利用所述粒子群的最優適應度位置更新所述LVQ神經網絡的所述連接權值；
當所述粒子群迭代算法達到設定的迭代次數，或，所述LVQ神經網絡的實際輸出和預期輸出的差值滿足預設范圍時，停止對粒子群中粒子位置和速度的更新；
所述每次更新粒子的位置和速度后，均計算每個粒子的最優適應度位置，包括：
每次更新粒子的位置和速度后，計算粒子當前的適應度值；
依次判斷每個粒子當前的所述適應度值是否優于其當前的最優適應度位置對應的適應度值，如果是，則利用粒子的當前位置替換所述粒子的最優適應度位置；
所述計算粒子當前的適應度值，包括：
利用公式 計算粒子當前的適應度值；
其中，N為訓練樣本總數；yih和yia分別為相應于第i個訓練樣本的輸出層的期望輸出和實際輸出。
在實質審查程序中，審查員以不符合專利法第22條第3款規定的創造性為依據作出駁回決定。針對該駁回決定，申請人提出復審請求。
在復審程序中，合議組提出：雖然在權利要求中限定了對電能質量信號的擾動類型進行檢測，但在權利要求中，并沒有體現出依據擾動類型信息來實現電能質量信號的擾動類型的檢測，或依據輸入的電能質量信號中的諧波信息，對所述電能質量信號的諧波及間諧波擾動進行檢測，即電能質量參數并沒有與LVQ神經網絡的其他特征之間產生關聯，因而其仍然僅是對算法的優化，不構成技術方案。本申請不符合專利法第2條第2款的規定，屬于專利法不授權的客體。
合議組決定維持國家知識產權局對本申請作出的駁回決定。
案例4：一種神經網絡訓練方法及裝置
決定號 206423 決定日 2020-03-18
申請號 201710450211.9 申請日 2017-06-15
案例4的駁回決定所針對的權利要求1內容如下：
一種神經網絡訓練方法，其特征在于，包括：
選取一個與學生網絡實現相同功能的教師網絡；
基于匹配同一訓練樣本數據對應的第一輸出數據的數據間相似性與第二輸出數據的數據間相似性來迭代訓練所述學生網絡得到目標網絡，以實現將所述教師網絡的輸出數據間相似性遷移到所述學生網絡；
其中：所述第一輸出數據為所述訓練樣本數據輸入教師網絡后從教師網絡的第一特定網絡層輸出的數據，所述第二輸出數據為所述訓練樣本數據輸入學生網絡后從學生網絡的第二特定網絡層輸出的數據。
駁回決定中指出：權利要求1請求保護的方案不涉及任何應用領域，解決的問題是模型訓練本身，模型訓練過程中所使用的神經網絡的輸入輸出并未限定具體技術領域的具體物理參數，因此，該方法實際上要保護的對象僅限定單純的算法，因而權利要求實質上要保護的是一種智力活動的規則和方法，屬于專利法第25條第1款第2項所述的智力活動的規則和方法的范圍。
在復審程序中，復審請求人在權利要求1中增加了特征“在實時的計算機視覺處理過程中，低計算能力的處理設備獲取圖像數據；所述處理設備使用預先設置的目標網絡對獲取到的圖像數據進行計算機視覺處理，得到計算機視覺處理結果；其中，所述目標網絡是通過如下處理得到的：”，并同時將權利要求書中的“樣本數據”修改為“樣本圖像數據”。
針對復審請求人作出的修改以及意見陳述，合議組認為：復審請求人修改后增加的特征屬于技術特征，因而該權利要求就其整體而言并不是一種智力活動的規則和方法，不應當依據專利法第25條被排除其獲得專利權的可能性。該方案需要通過低計算能力的處理設備將圖像數據進行處理，其中“處理”、“獲取”等數據采集和數據處理的執行屬于利用了遵循自然規律的技術手段，解決了技術問題，并獲得了技術效果，符合專利法第2條第2款的規定。
合議組決定撤銷國家知識產權局對本申請作出的駁回決定。
基于案例3及案例4的復審結果做如下對比分析：
在以上兩個案例中，復審請求針對的權利要求中均限定了與神經網絡相關的具有確切技術含義的外部技術數據，而不同之處在于涉及神經網絡數據處理的特征是否與該外部技術數據產生緊密關系，而這也導致合議組對兩件復審申請作出了一件維持駁回而另一件撤銷駁回的復審決定。具體而言：
在案例3中，復審請求人雖然在權利要求中限定了“電能質量信號”這一具有確切技術含義的外部技術數據，但是由于其方案中神經網絡的各個算法步驟并未與電能質量信號產生關聯，導致其神經網絡（LVQ神經網絡）的實際處理對象仍然是抽象的通用數據，因此其整體并不構成專利法意義上的技術方案，合議組因而得出了維持駁回決定的結論。
在案例4中，復審請求人在權利要求中限定了通過低計算能力的處理設備獲取并處理圖像數據的特征，并將其神經網絡（教師網絡和學生網絡）的實際處理對象由“樣本數據”修改為“樣本圖像數據”，體現了神經網絡的模型特征與具有確切技術含義的外部技術數據之間的緊密關系，因此整體構成專利法意義上的技術方案，合議組因而得出了撤銷駁回決定的結論。
當權利要求中記載了屬于某一指定技術領域的與外部技術數據相關的技術特征時（如案例3中的電能質量信號以及案例4中的圖像數據/樣本圖像數據），基于該技術特征僅能判定該方案整體上不屬于專利法第25條中規定的智力活動的規則和方法，但還需要對該方案是否屬于專利法第2條第2款規定的技術方案作進一步判斷，具體需要分析神經網絡的相關特征（如神經網絡的網絡層或者方法步驟）是否與外部技術數據緊密相關，進而確定神經網絡的實際處理對象是具有確切技術含義的外部技術數據或者抽象的通用數據。在未有其他“可專利性”依據支持的前提下，如果一項神經網絡相關的方案沒有體現神經網絡的相關特征與外部技術數據之間的緊密關系，那么該方案不足以構成符合專利法規定的專利保護客體。
四、未涉及具體技術領域的神經網絡能否依據改善計算機系統內部性能的目的而成為專利保護客體
案例5：用于壓縮神經網絡的方法和裝置
決定號 223739 決定日 2020-08-13
申請號 201711473963.3 申請日 2017-12-29
案例5的駁回決定所針對的權利要求1內容如下：
一種用于壓縮神經網絡的方法，包括：
獲取待壓縮的經訓練后的神經網絡；
從所述神經網絡的各層中選取至少一層作為待壓縮層；
按照待壓縮層在所述神經網絡中所處的層級的層級數由大到小的順序，依次對每個待壓縮層執行以下處理步驟：基于該待壓縮層所包括的參數的總數量確定裁剪比率，基于所述裁剪比率和參數值閾值，從該待壓縮層所包括的參數中選取參數進行裁剪，并利用機器學習方法，基于預置的訓練樣本對經裁剪后的神經網絡進行訓練；
將對選取出的各個待壓縮層進行所述處理步驟后所得的神經網絡確定為經壓縮后的神經網絡，并存儲所述經壓縮后的神經網絡。
駁回決定中指出：本申請要解決的問題是如何降低神經網絡算法的復雜度，其并非是技術問題，而為了解決該問題，該權利要求方案中采用的手段是通過選取神經網絡的不同層，并進行相應的適當裁剪，進行模型訓練后，以達到降低算法復雜度但保持與原有神經網絡算法盡可能相同精度這一效果，其實質為采用的非技術手段達到了相應的非技術效果，其僅僅是利用非技術的手段實現了對算法的優化，因此，權利要求1的方案不構成技術方案，不屬于專利法第2條第2款規定的客體。
在復審程序中，復審請求人在權利要求1中增加特征“其中，所述神經網絡的占用空間超出占用空間閾值”，并陳述意見：修改后的權利要求1對計算機性能進行了改進提升。相較于運行未被壓縮的神經網絡，會提高運行速度。而本領域技術人員可知，由于剩余的存儲空間多，運行速度快，電子設備（比如計算機）的性能必定有所提升。由此可知，修改后的權利要求1對計算機性能進行了改進提升。
針對復審請求人作出的修改以及意見陳述，合議組認為：本申請對神經網絡的壓縮過程是在神經網絡模型已經構建后該模型的存儲階段，并不是對神經網絡算法本身的進一步改進，而神經網絡的壓縮存儲正是用于改進計算機設備本身的性能，以提高其存儲空間的利用率，提升計算機運行性能，屬于對計算機系統內部進行的性能改進；本申請的壓縮過程雖然是對神經網絡進行的剪枝操作，但其目的不是為了降低算法的復雜度，而是為了降低神經網絡的存儲空間，同時降低算法的復雜度也不必然是智力活動規則，需要根據其改進的方式是否與計算機設備以及數據本身的特性有關來確定。
合議組決定撤銷國家知識產權局對本申請作出的駁回決定。
案例6：卷積神經網絡的計算資源優化方法及系統
決定號 233057 決定日 2020-11-05
申請號 201610779212.3 申請日 2016-08-30
案例6的駁回決定所針對的權利要求1內容如下：
一種卷積神經網絡的計算資源優化方法，其特征在于，所述卷積神經網絡的計算資源優化方法包括以下步驟：
將卷積神經網絡的輸入Map拆分為包括若干個子Map的子Map矩陣，其中，所述輸入Map的尺寸為H×W，H＞0，W＞0，其中所述輸入Map的尺寸H×W是根據圖像分辨率、圖像需要反映的物理區域大小及計算資源的大小等因素預先確定的；
對每個所述子Map進行單獨的卷積操作以得到每個所述子Map的卷積操作的計算結果；
根據全部所述子Map的卷積操作的計算結果原位拼接成所述輸入Map的卷積操作的計算結果，其中，原位拼接指將所述子Map的卷積操作的結果放在所述子Map在所述輸入Map中對應的位置。
駁回決定中指出：權利要求1請求保護一種卷積神經網絡的計算資源優化方法，該方案解決了現有神經網絡計算量大、耗時長，浪費計算資源和計算實時性差的問題，其采用的手段是：將卷積神經網絡的輸入Map拆分為包括若干個子Map的子Map矩陣，再進行單獨卷積操作，其手段是純算法的改進，其沒有采用符合自然規律的技術手段。而其達到提高算法計算效率，從而獲得節約計算資源和提高實時性的效果，這種效果是由于算法改進而帶來的，其不是技術效果。雖然在方案中提及“輸入Map的尺寸H×W是根據圖像分辨率、圖像需要反映的物理區域大小及計算資源的大小等因素預先確定的”，但該權利要求沒有具體體現該神經網絡與圖像領域相結合，更沒有體現該神經網絡解決圖像中何種具體技術問題。因此，權利要求1不屬于技術方案，不符合專利法第2條第2款的規定。
在復審程序中，復審請求人陳述意見：本申請要解決的問題是避免浪費計算機資源且計算實時性差的弊端，屬于計算機性能的改善。其次，基于計算機中像素處理所得到的，利用圖像中像素特征，對MAP進行拆分從而實現MAP的卷積操作，體現了像素和神經網絡的結合，解決了計算機資源浪費問題，且本申請的卷積神經網絡通?？梢赃\用在圖像處理技術、圖像識別、自然語言處理以及物理學等技術中，且本申請必然與計算機內部硬件結合實現，達到本申請所述的技術效果。
針對復審請求人作出的意見陳述，合議組認為：權利要求1中的各個步驟作為一個整體體現了如何利用卷積神經網絡處理圖像數據，屬于技術手段。解決的是卷積神經網絡的層間復用進行圖像數據處理時，浪費計算資源且計算實時性差的問題。該問題不僅體現為卷積神經網絡本身存在的問題，還體現為將卷積神經網絡應用于圖像處理時出現的計算效率低、實時性差的問題，而如何提高圖像數據處理時的計算效率和實時性體現的是自然規律利用過程中出現的問題，屬于技術問題。權利要求1的方法通過將圖像數據的輸入Map進行拆分并將各子Map的計算結果進行原位拼接，取得了提升圖像處理的計算效率和計算實時性的效果，屬于技術效果。本申請權利要求中的卷積神經網絡的輸入Map大小是根據圖像分辨率、圖像需要反映的物理區域大小及計算資源的大小等因素預先確定的。也就是說，明確了方法的各步驟中處理的Map均為圖像數據以及各步驟是如何處理圖像數據的，體現了卷積神經網絡與圖像數據處理密切相關。
合議組決定撤銷國家知識產權局對本申請作出的駁回決定。
基于案例5及案例6的復審結果做如下對比分析：
在以上兩個案例中，復審請求人均在復審程序的意見陳述中闡明其要求保護的方案能夠改善計算機系統的內部性能，合議組依據不同的理由對兩件復審請求均作出了撤銷駁回決定的復審決定。具體而言：
在案例5中，復審請求人在其獲得授權的權利要求1中并未限定具體的某一個或者某幾個具體的技術領域，其整體屬于對通用的神經網絡模型進行壓縮以對其進行結構優化的方案；由于復審請求人在權利要求1中限定了“神經網絡的占用空間超出占用空間閾值”的特征，這使得神經網絡的結構優化與計算機設備的存儲性能產生了緊密聯系，其模型優化效果也在客觀上實現了對計算機系統內部進行的性能改進，因此雖然該方案并未限定任何具體的技術領域，但不影響其作為涉及計算機程序的發明專利申請而構成專利法意義上的技術方案，合議組因而得出了撤銷駁回決定的結論。
在案例6中，復審請求人雖然陳述了與案例5理由相似的對計算機系統內部進行性能改進的相關意見，但合議組并未采納復審請求人的意見陳述，而是依據對外部技術數據（圖像數據）進行處理以及體現神經網絡與圖像數據處理密切相關的理由得出了撤銷駁回決定的結論。
倘若神經網絡的相關方案能夠與計算機系統的內部性能（如存儲性能、運行性能）產生緊密聯系，那么該神經網絡的專利申請可以不必限定具體的技術領域，而作為一項通用的模型算法獲得更大的保護范圍。而如果神經網絡的相關方案無法與計算機系統的內部性能產生緊密聯系，可以通過限定具體技術領域和具有確切技術含義的外部技術數據的方式縮小專利申請的保護范圍，進而克服不符合專利保護客體的問題。
五、結論
基于以上對與神經網絡的客體問題相關的復審案例進行的分析和比較，可得到如下結論：
1、神經網絡作為一種通用的數學算法模型，雖然可以在多種不同的技術領域中進行使用，但神經網絡本身并不屬于專利法意義上的技術方案，不屬于專利的保護客體。倘若在意見陳述或者在權利要求中廣泛限定多種不同的技術領域，反而會令審查員/合議組得出方案整體屬于通用數學算法的結論。因此，在未有其他“可專利性”依據支持的前提下，限定在多種不同技術領域中應用的神經網絡作為通用技術方案不足以構成符合專利法規定的專利保護客體。
2、當權利要求中記載了屬于某一指定技術領域的與外部技術數據相關的技術特征時，基于該技術特征僅能判定該方案整體上不屬于專利法第25條中規定的智力活動的規則和方法，但還需要對該方案整體上是否屬于專利法第2條第2款規定的技術方案作進一步判斷，具體需要分析神經網絡的相關特征（如神經網絡的網絡層或者方法步驟）是否與外部技術數據緊密相關，進而確定神經網絡的實際處理對象是具有確切技術含義的外部技術數據或者抽象的通用數據。在未有其他“可專利性”依據支持的前提下，如果一項神經網絡相關的方案沒有體現神經網絡的相關特征與外部技術數據之間的緊密關系，那么該方案不足以構成符合專利法規定的專利保護客體。
3、倘若神經網絡的相關方案能夠與計算機系統的內部性能（如存儲性能、運行性能）產生緊密聯系，那么該神經網絡的專利申請可以不必限定具體的技術領域，而作為一項通用的模型算法獲得更大的保護范圍。而如果神經網絡的相關方案無法與計算機系統的內部性能產生緊密聯系，可以通過限定具體技術領域和具有確切技術含義的外部技術數據的方式縮小專利申請的保護范圍，進而克服不符合專利保護客體的問題。