文/北京市集佳律师事务所 戈晓美
摘要：“人工智能+”时代，将基础算法垂直应用到千行百业的真实场景，成为人工智能技术升级、产业增长的新路经。人工智能技术的场景依赖性特征对传统算法中心主义的专利创造性评价提出特殊挑战。本文结合国家知识产权局复审和无效审理部发布的“废钢等级划分神经网络模型”无效案与字节跳动“用于处理图像的方法和装置”复审案，剖析应用场景特征通过训练数据、模型参数、技术目标等维度对算法或模型产生的实质性影响，提出人工智能专利创造性评价中场景特征的考量路径，为司法实践与专利代理提供参考。
引言
人工智能技术的爆发式发展推动相关专利申请量激增，但算法与应用场景的深度绑定使创造性评价面临困境。《专利审查指南（2010）》对人工智能专利的创造性判断规则缺乏具体指引，实践中常存在“重算法轻场景”或“场景泛化认定”的误区。国家知识产权局发布的“废钢等级划分”无效案（第55072号决定）与字节跳动图像处理复审案（第1694596号决定），通过明确应用场景特征的评价价值，为该领域创造性判断树立了示范标杆。本文基于两案核心争议，探讨场景特征对算法或模型的影响机理及审查认定规则。
一、人工智能技术特征与场景关联性基础
人工智能技术的核心构成包括算法架构、训练数据与应用目标，三者均与具体场景存在内在关联。与传统技术不同，人工智能算法的效能高度依赖应用环境：同一基础算法在不同场景中需通过数据适配、参数调整实现功能落地，而场景差异直接决定技术问题的边界与解决方案的方向。
从技术本质看，应用场景对人工智能技术的影响体现为三重逻辑：一是场景定义技术问题，不同场景的实践需求决定算法需解决的核心矛盾；二是场景约束数据形态，训练数据的采集范围、特征维度随场景特性变化；三是场景引导模型优化，算法的参数配置、特征提取重点需匹配场景专属需求。这种关联性构成场景特征纳入创造性评价的核心依据。
二、典型案例中场景特征对算法的影响解析
（一）废钢等级划分无效案：场景差异引发的算法实质性调整
1.案件核心事实：涉案专利（ZL201910958076.8）公开一种基于卷积神经网络的废钢等级划分方法，针对废钢收购场景中“叠压混杂废钢的尺寸分级”问题，通过提取图像边缘与纹理关联特征、优化训练数据实现等级自动划分。请求人以证据1（废钢分拣场景的种类识别方法）结合证据2（通用卷积神经网络架构）主张其缺乏创造性，审理部门最终维持专利权有效。
2.场景对算法的影响维度：
技术问题重构：收购场景需解决“叠压废钢的尺寸分级”以确定收购价格，分拣场景则需实现“单一品类的种类识别”以制定再利用策略，场景差异导致核心技术问题完全不同。
训练数据异化：涉案专利采用“形态混杂、相互叠压的废钢图像”，证据1则使用“已分类的单一品类废钢图像”，数据形态差异直接决定特征提取的侧重点。
模型参数适配：为处理叠压图像的边缘模糊问题，涉案专利针对性调整卷积核参数与特征融合逻辑，提取“边缘-纹理关联特征”，需要对例如提取的特征之类的重要数据、输入层输出层之间的各层级的模型参数等进行调整，而证据1无需此类参数优化。
该案明确：即使基础算法架构相似，场景差异引发的技术问题重构、数据形态异化与参数调整，足以使技术方案具备非显而易见性。
（二）字节跳动图像处理复审案：场景限定带来的算法功能升级
1.案件核心事实：涉案申请（201810734681.2）公开一种图像处理方法，针对“球场等特定对象的关键点检测”场景，通过融合位置信息的训练数据优化关键点检测模型。审查部门曾以对比文件1、2结合公知常识驳回申请，复审阶段申请人明确场景限定及对应算法调整后，决定撤销驳回。
2.场景对算法的影响维度：
限定特定技术问题：修改前，权利要求中未明确技术问题与应用场景的关联，仅描述为“处理图像的方法”，缺乏对特定场景下技术问题的限定；修改后，明确技术问题为“基于图像的球场数据分析”，与对比文件1（人脸识别）和对比文件2（遮挡判断）所解决的技术问题形成明显差异，体现了算法在特定场景下的功能定向与技术目标重塑。
明确训练数据的场景特征：修改前，未明确训练数据的来源与特性，模型训练缺乏场景针对性；修改后，训练数据来源于“目标对象（如球场）自身的拍摄图像”，强调同一球场的多个图像用于训练，训练目标为输出关键点的位置坐标与可见性概率。数据中蕴含球场的几何结构、视角变换、关键点分布等场景特征，导致模型在结构、输入输出设计上与通用模型（如D1/D2）产生实质性差异。
明确模型参数的适配关系：修改前，仅描述“不同目标对象对应不同关键点检测模型”，未明确模型与场景的适配关系；修改后，明确“关键点检测模型是基于目标对象的拍摄图像和位置信息集合训练得到的”，强调“模型与目标对象个体一一对应”，模型输出同时包含位置坐标+可见性概率，且二者同步输出，体现了算法与场景在功能上的深度融合与相互支持。
该案表明：场景特征通过限定特定技术问题、明确训练数据的场景特征、明确模型参数的适配关系实现算法功能升级时，其技术贡献应纳入创造性评价范畴。
三、人工智能专利创造性评价中场景特征的把握路径
结合两案裁判逻辑与人工智能技术特点，场景特征的创造性评价可遵循“场景解构—影响评估—创造性关联”的三步路径。
（一）场景特征的解构维度
首先需要明确场景的核心要素：一是场景属性，包括技术领域、实践环节、环境约束等客观特征，如废钢收购场景的“现场叠压”属性；二是场景需求，即该场景下待解决的具体技术矛盾，如球场场景的“动态关键点定位”需求；三是场景约束，包括数据可得性、实时性要求等技术限制。上述要素共同构成场景影响算法的基础框架。
（二）场景对算法影响的实质性判断
场景特征是否构成创造性评价的关键要素，核心在于判断其是否引发算法或模型的实质性调整，具体包括三方面：
1.算法核心要素是否变化：主要考虑根据应用场景的不同所要解决的技术问题的不同，对算法的训练数据、模型参数或其他方面是否进行了相应调整？如特征提取维度、训练数据结构、模型参数配置等因场景差异发生调整则在判断创造性时应予以考虑，若仅为算法的简单套用则不构成实质性变化。
2.技术效果是否专属：主要考虑调整后的算法是否解决了场景特有的技术问题并获得了有益的技术效果？如废钢收购场景的“叠压识别精度”提升，则在创造性判断时应予以考虑。
3.调整难度是否显而易见：主要考虑场景引发的算法优化对本领域技术人员而言是否需要创造性劳动？如果两个应用场景和处理对象之间存在较多的相似之处，将这种算法从一应用场景转用到另一应用场景时无需对算法流程模型参数等要素作出实质性改变，则这种应用场景和处理对象的不同并不能使整体方案具备创造性。
（三）创造性评价的场景关联规则
1.整体考量原则：《审查指南》第二部分第九章第6.1.3节规定，应将与技术特征功能上彼此相互支持、存在相互作用关系的算法特征或商业规则和方法特征与所述技术特征作为一个整体考虑。将场景特征与算法特征作为技术方案的有机整体审查，避免孤立评价算法架构或场景描述，如废钢案中需结合“收购场景+关联特征提取”综合判断。
2.区别技术特征聚焦：若场景差异导致区别技术特征（如训练数据优化、参数调整），需进一步判断该特征是否为场景专属且非显而易见，如字节跳动案中“位置信息融合训练”与球场场景的强关联性。
3.技术启示排除规则：若现有技术未公开相同场景下的算法应用，且不同场景间的算法迁移需克服技术障碍，则可排除现有技术的结合启示。
四、结论与建议
人工智能专利的创造性评价需突破“算法中心主义”局限，充分考量应用场景特征的技术价值。从两案实践来看，场景特征并非抽象的应用背景，而是通过定义技术问题、约束数据形态、引导模型优化对算法产生实质性影响，当这种影响导致技术方案具备非显而易见性且产生专属技术效果时，应认定其具备创造性。
对专利撰写而言，需在申请文件中写明所解决的特定功能或应用领域中的技术问题，明确场景特征与算法调整的关联逻辑：一是详细披露场景的技术属性与具体需求；二是清晰说明针对场景需求的算法优化细节，包括数据处理方式、参数设置依据；三是量化场景专属的技术效果，如识别精度、处理效率的提升数据。
对审查实践而言，应进一步细化场景特征的审查标准：针对“算法+场景”型发明，重点核查场景差异与算法调整的因果关系；针对通用算法的场景应用，严格区分“实质性优化”与“简单套用”，避免不当否定真正的场景创新或不当授权泛化技术方案。
未来随着人工智能技术的场景化深入发展，需持续完善审查规则，在鼓励技术创新与防范专利滥用之间实现平衡，为新质生产力发展提供知识产权保障。