引言：
为了加强对新领域新业态相关发明创造的保护，积极回应创新主体对完善大数据、人工智能领域审查规则的诉求，专利审查指南对涉及计算机程序的发明专利审查标准进行了适应性调整，并已于2024年1月20日起施行。从中国专利制度施行至今，随着计算机技术的发展，专利审查指南也随之进行了一系列的变化和调整。
一、计算机程序的专利保护历史
专利审查指南对计算机程序标准的规定历史可以追溯到多个阶段，以下是一些关键的历史节点和变化：
1985年
在这一时期，专利审查主要关注计算机硬件的改进，而直接排除了计算机软件发明被授予专利权的可能。
1993年
随着时间的推移，审查标准有所放宽，开始考虑计算机软件与硬件结合的情况，并承认软件在计算机系统中的辅助、从属地位。
2001年
审查指南进行了重要的调整，首次区分了计算机程序本身和涉及计算机程序的发明。此时，保护主题转变为“方法”，方法的技术特征主要体现在涉及计算机程序的发明的执行步骤上。
2006年
保护主题进一步扩展，增加了“虚拟装置”的概念。这意味着装置中不必须包含对计算机硬件的改变，涉及计算机程序的发明可以是纯软件改进，同时采用了与“方法”保护主题相对应的“功能模块”撰写方式。
2017年
审查标准继续演进，保护主题进一步增加，接受存储介质形式的保护主题、以及“计算机硬件+软件程序”的“实体装置”。为了将计算机软件功能模块与常规的功能性特征区分开，将计算机“功能模块”的表述改为计算机“程序模块”。
2023年
允许以计算机程序产品作为保护主题，明确计算机程序产品属于产品权利要求。放宽了对计算机程序算法的客体和创造性审查基准、对大数据处理的客体审查基准，以及将增加用户体验提升作为创造性评价的因素。
从计算机程序的专利保护历史趋势可以看到，随着人工智能、大数据等技术的快速发展，专利审查指南也在不断调整，旨在确保专利制度能够与时俱进，有效地保护创新成果。
二、本次专利审查指南涉及计算机程序的修改解读
本次修改主要围绕权利要求书的撰写、算法的客体和创造性审查基准进行了调整和优化。
（一）权利要求书撰写的修改
在保护主题方面，本次修改后的审查指南进一步丰富了计算机程序发明专利申请的保护主题类型，允许以计算机程序产品作为保护主题，明确计算机程序产品属于产品权利要求，并新增了案例4。
[例4]一件有关“一种去除图像噪声的方法”的发明专利申请，可以按下述方式撰写成方法、装置、计算机可读存储介质和计算机程序产品权利要求。
1
一种去除图像噪声的方法，其特征在于，包括以下步骤：（如下所示）
获取输入计算机的待处理图像的各个像素数据：
使用该图像所有像素的灰度值，计算出该图像的灰度均值及其灰度方差值；
读取图像所有像素的灰度值，逐个判断各个像素的灰度值是否落在均值上下3倍方差内，如果是，则不修改该像素的灰度值，否则该像素为噪声，通过修改该像素的灰度值去除噪声。
2
一种计算机装置/设备/系统，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1所述方法的步骤。
3
一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1所述方法的步骤。
4
一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1所述方法的步骤。
分析解读：
本次修改允许将计算机程序产品作为保护主题，有利于专利权人后续维权，不仅满足了创新主体对计算机软件程序的保护需求，也与欧、美、日、韩等审查标准进一步对接，有利于中国企业进行全球化专利申请策略的需要。
（二）人工智能、大数据客体审查基准的修改
上一版本审查指南指出对包含算法特征的权利要求，如果符合技术三要素的条件，认为属于专利保护的客体。指南本次修改进一步细化了客体判断方法，增加了两种符合客体要求的情形。
1
第一种情形是算法的执行改进了计算机系统内部性能，如果算法与计算机系统的内部结构存在特定技术关联，解决提升硬件运算效率或执行效果的技术问题，获得符合自然规律的计算机系统内部性能改进的技术效果，则方案属于专利保护客体。审查指南增加了相应的审查示例5。
[例5]一种深度神经网络模型的训练方法
申请内容概述：
发明专利申请提出一种深度神经网络模型的训练方法，针对某一大小的训练数据，从多个候选训练方案中选取训练耗时最小的方案用于模型训练，以解决固定地采用同一种单处理器或多处理器训练方案不适用于所有大小的训练数据而导致训练速度慢的问题。
申请的权利要求：
一种深度神经网络模型的训练方法，包括：
当训练数据的大小发生改变时，针对改变后的训练数据，分别计算所述改变后的训练数据在预设的候选训练方案中的训练耗时；从预设的候选训练方案中选取训练耗时最小的训练方案作为所述改变后的训练数据的最佳训练方案，所述候选训练方案包括单处理器训练方案和基于数据并行的多处理器训练方案；
将所述改变后的训练数据在所述最佳训练方案中进行模型训练。
分析解读：
该解决方案是一种深度神经网络模型的训练方法，该模型训练方法为解决训练速度慢的问题，针对不同大小的训练数据，选择适配具有不同处理效率的单处理器训练方案或多处理器训练方案，该模型训练方法与计算机系统的内部结构存在特定技术关联，提升了训练过程中硬件的执行效果，从而获得符合自然规律的计算机系统内部性能改进的技术效果。因此，该发明专利申请的解决方案属于专利法第二条第二款规定的技术方案，属于专利保护的客体。
2
第二种情形是算法用于处理具体应用领域的大数据，如果方案处理具体应用领域的大数据，挖掘数据中符合自然规律的内在关联关系，解决如何提升具体应用领域大数据分析可靠性或精确性的技术问题，则方案属于专利保护客体。审查指南增加了审查示例6-7和反例10。
[例6]一种电子券使用倾向度的分析方法
申请内容概述：
为吸引用户，商家会向用户发放各类电子券。但是无目的地投放电子券，不但无法吸引真正有需要的用户，反而给用户增加了浏览和筛选的负担。发明专利申请提供一种电子券使用倾向度的分析方法，通过分析电子券的种类、用户行为等，能够准确地建立电子券使用倾向度识别模型，以更加精确地判断用户对电子券的使用倾向，使投放的电子券更加满足用户实际需要，提升电子券的利用率。
申请的权利要求：
一种电子券使用倾向度的分析方法，其特征在于，包括：
根据电子券的信息对电子券进行归类以得到电子券种类；
根据电子券的应用场景获取用户样本数据；
根据用户行为，从所述用户样本数据中提取用户行为特征，所述用户行为包括：浏览网页、搜索关键词、加关注、加入购物车、购买以及使用电子券；
以用户样本数据作为训练样本，以用户行为特征作为属性标签，针对不同种类的电子券来训练电子券使用倾向度识别模型；
通过训练后的电子券使用倾向度识别模型对电子券的被使用概率进行预测，得到用户对于不同种类电子券的使用倾向度。
分析及结论：
该解决方案涉及一种电子券使用倾向度的分析方法，该方法处理的是电子券相关的大数据，通过对电子券进行归类、获取样本数据、确定行为特征及进行模型训练，挖掘出用户行为特征与电子券使用倾向度之间的内在关联关系，浏览时间长、搜索次数多、使用电子券频繁等行为特征表示对相应种类电子券的使用倾向度高，这种内在关联关系符合自然规律，据此解决了如何提升分析用户对电子券使用倾向度的精确性的技术问题，并且获得了相应的技术效果。因此，该发明专利申请的解决方案属于专利法第二条第二款规定的技术方案，属于专利保护的客体。
[例7]一种知识图谱推理方法
申请内容概述：
知识图谱在许多自然语言处理应用中有非常重要的作用，例如问答系统、语义搜索等。但由于知识获取的不确定性，基于实体识别和关系抽取技术构建的知识图谱，会导致知识图谱的不完整。如果知识图谱中存在错误，会导致应用返回错误的结果。发明专利申请提出了一种基于关系注意力的知识图谱推理方法。
申请的权利要求：
一种基于关系注意力的知识图谱推理方法，所述方法包括：获取知识图谱中节点的初始嵌入表示，将所述初始嵌入表示转换到高维空间，得到高维嵌入表示，所述节点为知识图谱中的实体，所述知识图谱是对知识进行实体识别和关系抽取构建的，所述知识是问答系统、语义搜索中相关联的知识，所述实体是利用命名实体识别工具从自然语言文本中获取的文本数据，所述初始嵌入表示是所述文本数据通过词嵌入模型得到的向量；
获取所述知识图谱中目标节点的邻居节点集合，根据所述目标节点与所述邻居节点集合中邻居节点的关系类型，构建邻居子图；
根据所述目标节点的高维嵌入表示和所述邻居子图中邻居节点的高维嵌入表示，得到所述目标节点嵌入邻居子图中信息的邻居嵌入表示；
将所述目标节点的高维嵌入表示与所述邻居嵌入表示进行聚合，得到目标节点的聚合嵌入表示；
根据每个所述邻居子图的第一注意力分值，对所述聚合嵌入表示进行融合，得到所述目标节点的融合嵌入表示；
根据所述融合嵌入表示，计算所述目标节点对应三元组的得分，根据得分进行三元组推理。
分析解读：
该解决方案是一种基于关系注意力的知识图谱推理方法，该方法各步骤中处理的数据是自然语言中的文本数据或者语义信息等技术数据，通过对问答系统、语义搜索中相关联的知识进行实体识别和关系抽取构建知识图谱，从而进行知识图谱推理。该解决方案所解决的是文本嵌入及语义搜索过程中如何丰富语义信息、提高推理准确性的技术问题，利用的是遵循自然规律的技术手段，获得了相应的技术效果。因此，该发明专利申请的解决方案属于专利法第二条第二款规定的技术方案，属于专利保护的客体。
[例10]一种金融产品的价格预测方法
申请内容概述：
现有的金融产品价格预测方法，大多由专家根据经验给出建议，预测的准确性和时效性不高。发明专利申请提供一种金融产品的价格预测方法，通过金融产品的历史价格数据对神经网络模型进行训练，从而对金融产品的未来价格走势进行预测。
申请的权利要求：
一种金融产品的价格预测方法，其特征在于，所述方法包括：
使用金融产品的Ｎ+1个日指标历史价格数据对神经网络模型进行训练得到价格预测模型，其中，前Ｎ个日指标历史价格数据作为样本输入数据，最后1个日指标历史价格数据作为样本结果数据；
使用所述价格预测模型和最近Ｎ个日指标历史价格数据来预测未来一天金融产品的价格数据。
分析解读：
该解决方案涉及一种金融产品的价格预测方法，该方法处理的是金融产品相关的大数据，利用神经网络模型挖掘过去一段时间内金融产品的价格数据与未来价格数据之间的内在关联关系，但是，金融产品的价格走势遵循经济学规律，由于历史价格的高低并不能决定未来价格的走势，因此，金融产品的历史价格数据与未来价格数据之间不存在符合自然规律的内在关联关系，该方案所要解决的是如何预测金融产品价格的问题，不构成技术问题，获得的相应的效果不是技术效果。因此，该发明专利申请不属于专利法第二条第二款规定的技术方案，不属于专利保护的客体。
（三）创造性审查基准的修改
本次审查指南增加创造性审查时应当考虑的两种情形，一种是提升了计算机系统内部性能、另一种是提升了用户体验。
1
增加算法实现计算机系统内部性能改进的创造性审查基准，明确如果权利要求中的算法与计算机系统的内部结构存在特定技术关联，实现了对计算机系统内部性能的改进，提升了硬件的运算效率或执行效果，则该算法特征与技术特征功能上彼此相互支持、存在相互作用关系，创造性审查时应当考虑算法特征对技术方案作出的贡献。审查指南增加了相应的审查示例15。
[例15]一种用于适配神经网络参数的方法
申请内容概述：
针对不同的应用场景需设计不同的神经网络架构，并且需在某一类型的计算架构上使用一系列的运算来实现，因此期望能够通过较低的硬件成本高效地实现神经网络中的运算。发社明专利申请提出了用于适配神经网络参数的方法，通过获得具有规范形式的神经网络参数，将神经网络中的运算映射到计算架构所支持的运算中，简化神经网络相关硬件的设计和实现。
申请的权利要求：
一种用于适配神经网络参数的方法，所述方法包括：
针对神经网络至少一层中的每一层的权重参数，选择多个维度；
确定所述权重参数在所述多个维度中每个维度上的尺寸；
基于支持神经网络计算的硬件的使用率，确定所述权重参数在所述多个维度中每个维度上的目标尺寸的候选值集合；
选取所述候选值集合中大于或等于对应维度上的尺寸的所有候选值子集，确定所述候选值子集中的最小值为对应维度上的目标尺寸；
如果所述权重参数在多个维度中的至少一个维度上的尺寸小于对应维度上的目标尺寸，则在所述维度上对权重参数进行填充，使得填充之后获得的权重参数在每个维度上的尺寸等于对应维度上的目标尺寸。
分析解读：
基于申请文件可知，该解决方案通过将权重参数的尺寸填充为等于目标尺寸，当支持神经网络的硬件对神经网络的数据进行运算时，硬件能够高效处理所述数据，该解决方案中的算法提升了硬件的运算效率。因此，上述用于适配神经网络参数的算法特征与技术特征在功能上彼此相互支持、存在相互作用关系。相对于对比文件１，确定发明实际解决的技术问题是如何使硬件高效地执行神经网络中的运算。上述通过适配神经网络参数以提升硬件运算效率的内容未被其他对比文件公开，也不属于本领域的公知常识，现有技术整体上并不存在对上述对比文件１进行改进以获得发明专利申请的技术方案的启示，要求保护的发明技术方案具备创造性。
2
增加用户体验提升的创造性审查基准，明确在创造性审查时需要考虑用户体验提升的情形，前提是所述用户体验的提升与技术特征相关。审查指南修改了相应的审查示例13。
结语
涉及计算机程序的发明专利申请审查指南的修改丰富了涉及计算机程序的发明专利申请的保护主题，明确了人工智能、大数据算法相关方案的保护客体和创造性审查标准。本次修改能够更好地适应计算机技术的发展和创新需求，提高专利审查的质量和效率，有助于创新主体更好地保护创新成果，促进计算机产业的健康发展。
