文/北京集佳知識產權代理有限公司 劉成
《專利法》第22條第3款規定授予專利權的發明應當具備創造性條件，而實際專利申請業務中，相對于其他不予授予專利權的理由，創造性不足，通常是影響專利授權的主要原因。
判斷發明類型的專利是否滿足創造性條件，具體是判斷專利技術方案相對于現有技術是否具備突出的實質性特點以及顯著的進步。簡單來說，具備突出的實質性特點，是指專利技術方案相對于現有技術具有明顯的“差異”，并且，對于本領域技術人員而言，這種差異也并非顯而易見，即本領域技術人員難以通過合乎邏輯的分析、推理或者有限的試驗得到該差異。顯著的進步，是指專利技術方案因為具備該“差異”，能夠產生有益的技術效果，可以是現有技術無法企及的技術效果，也可以是與現有技術同等的技術效果。
相應地，在審通答復階段，也是圍繞發明具有突出的實質性特點以及顯著的進步來抗辯發明滿足專利可授權的條件。
目前，“三步法”，成為了主流的審通答復思路。
在“三步法”的第二步中，審查員通常會比較本申請的權利要求1與審查員提供的對比文件1，確定區別技術特征以及該區別技術特征所實際要解決的技術問題，而發明能夠獲得授權的關鍵，很大程度上取決于利用區別技術特征解決該技術問題，是否為另一現有技術或者公知常識。
評判利用區別技術特征解決該技術問題是否為現有技術或者公知常識，不僅要分析該區別技術特征所描述的技術實現，是否為另一現有技術所記載的技術實現，或者是公知的技術實現；同時，還需要分析該區別技術特征在本發明中所具有的作用，是否同樣在現有技術中記載，或者被本領域技術人員所公知。
在專利實務中，如果區別技術特征所描述的技術實現沒有被另一現有技術記載，或者不屬于公知的技術實現，通常能夠較為容易說服審查員以獲得專利授權。但是，在另一現有技術或者公知常識記載了該區別技術特征所描述的技術實現的情況下，專利能夠獲得授權，主要取決于在答復審查意見的過程中著力抗辯區別技術特征在本發明所具有的作用未被記載或者不被公知。相對技術實現未被公開來說，抗辯區別技術特征的作用未被公開，審查員的接受程度往往較低（下面以區別技術特征所描述的技術實現被公開、區別技術特征所具有的作用未被公開為前提進行說明）。
其實，區別技術特征在本發明中所具有的作用，對應于該區別技術特征所實際要解決的技術問題。因此，在答復審查意見的過程中，抗辯區別技術特征在本發明中所具有的作用未被公開，其實就是在陳述現有技術無法解決本發明實際要解決的技術問題。但是，從技術問題的角度進行抗辯，是在破壞審查員用“三步法”否定本專利不具有創造性的評述邏輯，這有利于增大對于審查員的說服力度。
此時，在意見陳述時所主張的本發明實際要解決的技術問題是否正確，成為本發明能否獲得授權的關鍵。
那，什么才是正確的技術問題？
從獲得專利授權的角度考慮，正確的技術問題，應當與區別技術特征在現有技術或者公知常識所能解決的技術問題并不一致，具體是本發明能夠解決現有技術或者公知常識所不能解決的技術問題，以此才能凸顯本發明中利用該區別技術特征解決特定的技術問題（現有技術解決不了的技術問題）所具有的創新性。
回到我們最初想要強調的區別點：區別技術特征在本發明中的具有獨特的作用。即，區別技術特征的作用，是在本發明的實施環境下所具有的特定作用，所以，所解決的技術問題，應該也是本發明的實施環境下所存在的特定的技術問題。也就是說，在陳述區別技術特征實際要解決的技術問題時，應當體現產生該技術問題所處的實施環境約束。
為了便于更好的理解，下面結合一個案例進行說明。
在迭代訓練AI模型過程中，可以動態調整AI模型的Batchsize的取值。其中，Batchsize的取值（為AI模型中的一種超參數），用于指示AI模型在一輪訓練過程中所使用的訓練樣本的數量。Batchsize的取值越大，單輪訓練過程中AI模型所使用的訓練樣本越多，這使得AI模型在訓練過程中的參數更新越穩定，從而加速AI模型的收斂，AI模型的訓練耗時越短。反之，Batchsize的取值越小，單輪訓練過程中AI模型所能使用的訓練樣本的越少，AI模型的收斂速度越慢，但是單輪訓練過程中所引入的隨機性越多，能夠避免AI模型陷入局部最優，從而能夠保證AI模型的訓練準確性。
為此，本發明的技術方案提出在訓練AI模型的過程中，根據不同輪次的梯度（用于更新模型中的權重等參數）差異來調整Batchsize的取值。
具體地，在模型經過h輪訓練后記錄第h輪訓練AI模型的過程中所采用的梯度。然后，繼續對模型進行k輪訓練，k為整數。接著，計算第h輪訓練的過程中所采用的梯度與第（h+k）輪訓練過程中所采用的梯度之間的余弦值。并且，當余弦值小于預設閾值時，表明在多輪訓練AI模型的過程中，AI模型的參數并沒有朝著相同或相近的方向進行變化，也即AI模型處于不收斂的狀態。此時，可以增大Batchsize的取值，來加速AI模型的收斂，以此實現加速AI模型的訓練。
其對應的權利要求1如下：
1、一種模型訓練方法，其特征在于，所述方法包括：
在迭代訓練人工智能AI模型的過程中，記錄AI模型在第h輪訓練時所采用的第一梯度，所述第一梯度用于更新所述AI模型中的目標參數的取值；
記錄所述AI模型在第（h+k）輪訓練時所采用的第二梯度，所述第二梯度用于更新所述目標參數的取值；
計算所述第一梯度與所述第二梯度之間的余弦值；
當所述余弦值小于閾值時，增大所述AI模型的Batchsize的取值；
基于增大后的Batchsize的取值，繼續訓練所述AI模型。
審查員在審查過程中，檢索到一篇訓練AI模型的現有技術，并通過技術特征比對，確定區別技術特征如下：
A：計算所述第一梯度與所述第二梯度之間的余弦值；
B：當所述余弦值小于閾值時，增大所述AI模型的Batchsize的取值。
基于上述區別技術特征，由于增大AI模型的Batchsize取值能夠加速AI模型的訓練速度，因此，審查員確定該區別技術特征A和B實際要解決的技術問題在于：如何提高AI模型的訓練效率。
其中，審查員進一步檢索到增大Batchsize的取值能夠加速AI模型訓練的其他現有技術，并以此否定區別技術特征B所具有的創造性。同時，計算兩個張量之間的余弦值，也是本領域公知的技術實現。
針對審查員上述的評述邏輯，筆者不排除有其他可適用的答復思路。但是，如果從破壞“三步法”的評述邏輯出發進行答復，那確定正確的技術問題，將是能否說服審查員以獲得專利授權的關鍵。
如果仔細分析審查員所定義的實際要解決的技術問題，可以發現：實現提高AI模型的訓練效率，其實僅依靠區別技術特征“增大所述AI模型的Batchsize的取值”即可做到，所以，審查員在定義實際要解決的技術問題時，并沒有考慮到計算兩個梯度之間的余弦值以及增大Batchsize取值所需滿足的條件這兩個特征，所以，審查員定義的技術問題，為片面的、不正確的技術問題。
相應地，在進行創造性抗辯時，基于上述區別技術特征所定義的正確的技術問題，應該綜合考慮全部區別技術特征。
仔細分析，既然增大Batchsize的取值能夠加速AI模型的訓練，那為什么本發明不在模型訓練的初始階段，就設置盡可能大的Batchsize的取值，這樣，AI模型的訓練效率理論上就能達到最快。原因很簡單，在訓練AI模型時，不僅要考慮AI模型的訓練效率，還要考慮到訓練得到的AI模型的準確性。如果最終訓練得到的AI模型在推理時的準確性很低，那么這個AI模型即使是在1秒之內就能完成訓練，也是沒有意義的。在前面介紹技術背景的時候也提及了，如果Batchsize的取值過大，容易導致AI模型在訓練時陷入局部最優，影響AI模型的準確性。所以在本發明的技術方案中，是在兩個輪次的梯度之間的余弦值小于預設閾值時，才會選擇增大Batchsize的取值，這是為了在確定AI模型不收斂的情況下，才會選擇增大Batchsize的取值來加速AI模型收斂，也即加速AI模型訓練，也就是說，在AI模型本身已經收斂的情況下（即兩個梯度之間的余弦值大于預設閾值）的情況下，無需增大Batchsize取值（避免AI模型陷入局部最優）。如此，不僅可以在適當的時機通過增大Batchsize取值來實現模型訓練加速，而且，也能保證最終訓練得到的AI模型的精度能夠達到較高水平。
對于本發明而言，僅片面考慮AI模型的訓練效率是沒有意義的，提高AI模型的訓練效率一定是在能夠保證訓練得到的AI模型的精度能夠達到較高水平的基礎上實現的優化目標。所以，我們在意見陳述時，基于區別技術特征所定義的本發明實際要解決的技術問題，應當是：在保證AI模型的訓練精度能夠達到較高水平的情況下，提高AI模型的訓練效率。即，“保證AI模型的訓練精度”，是實現“提高AI模型的訓練效率”的實施環境約束。
結合我們定義的技術問題進行分析，現有技術雖然公開了增大Batchsize的取值能夠提高AI模型的訓練效率，但是無法保證訓練得到的AI模型的精度能夠達到較高水平，所以審查員檢索到的現有技術無法解決本發明實際要解決的技術問題。既然現有技術解決不了本發明能夠解決的技術問題，破壞了“三步法”中的第三步的評述邏輯，那自然而然本發明應當具備創造性，符合專利授權的條件。
筆者建議，在定義實際要解決的技術問題時，應當充分考慮全部區別技術特征對于解決技術問題的貢獻，這樣才能挖掘出技術問題所處的實施環境的約束。正如上述舉例中，應當考慮為什么在選擇增大Batchsize的取值時，需要滿足兩個輪次的梯度之間的余弦值小于預設閾值這一實施條件，基于這個實施條件的作用，挖掘出需要保證AI模型的訓練精度的目的（也即實施環境的約束），以此才能制定正確的、本發明實際要解決的技術問題。
以上是筆者針對答復審查意見過程中的一些思考總結，對于存在的不妥之處，還請讀者批評指教。