如今，我们处于人工智能（AI）产业发展的繁荣时期。无人驾驶（AV）是利用AI技术的重要领域之一。据报道，到2027年，全球的无人驾驶市场收益预计将达到1268亿美金。只有在不断演进的法律体系中找到正确的方向，才能使人工智能产业的知识产权得到保护。在美国，关于无人驾驶知识产权的保护有两大关键问题，即专利申请主题可专利性问题，以及说明书充分公开问题。

　　可专利性问题及应对策略

　　为获得专利保护客体资格，权利要求的主题内容必须符合《美国法典》第35章第101条规定的4种法定类别之一，即方法、机器、制品或物质组成。但是，仅仅只有抽象概念的权利要求不具有可专利性，比如数学算法。人工智能技术相关发明大部分是基于计算机程序或数学算法的改进，如果专利申请撰写不当，这些专利申请专题可能会被视为不具备可专利性。

　　在Alice Corp.诉CLS Bank International一案中（案号：34 S. Ct. 2347 (2014)），美国最高法院就“争议权利要求是否指向非专利适格概念”规定了现行框架。对于这样的权利要求，需要审查权利要求的各项要素，从而“判定这些要素是否包含足以将权利要求的抽象概念‘转变’成具有专利适格性申请的‘发明概念’”。

　　从Alice案来看，一件专利申请如果要获得专利授权面临诸多挑战，尤其是涉及人工智能算法的权利要求很可能会被驳回，因为它要求保护的是人类活动的一种方法，这与法院所认定的抽象概念类似。而人工智能的目的通常在于复制人类活动，因此，专利从业者所面临的挑战在于，如何就人工智能技术撰写权利要求并使之具有专利适格性。

　　解决适格性问题的策略之一就是针对具体人工智能技术撰写权利要求，即指向对现有技术的改进，而非仅仅利用计算机进行传统活动的自动化。例如，在Enfish LLC诉Microsoft Corp.一案中（案号：822 F.3d 1327），法院维持了关于自我参照形式的数据索引系统的权利要求的有效性，原因在于其指向针对传统计算机数据库功能的具体改进，因此具有专利适格性。法院认为，其作出这一认定的依据是其说明书，说明书中公开了自我参照表的诸多优点，包括灵活性更高、速度更快、记忆要求更低。

　　人工智能技术的专利申请文件撰写策略，包括对现有技术的贡献，也可以用于无人驾驶技术领域。例如，一种用于优化无人驾驶导航系统从而提高效率、速度和/或性能的深度学习算法，如果用人工智能技术的撰写策略去撰写专利申请文件，就可以解决专利适格性问题。此外，为应对专利适格性的挑战，专利从业者还需要考虑在说明书中就人工智能技术是如何提高性能和效率作出解释。

　　说明书充分公开与撰写策略

　　在对无人驾驶领域的人工智能技术寻求专利保护时，说明书披露要求也面临不少挑战。美国专利法规定，发明人通过获得专利授权得到技术独占权并排除他人使用，作为交换，必须向公众披露能够使本领域技术人员实现权利要求内容的有关发明的足够信息。

　　鉴于某些人工智能发明的性质，满足这一要求可能十分困难。例如，研发团队开发出了针对某一具体应用的规则集合，可以针对这一集合提出基于算法规则的人工智能系统专利申请，例如，在无人驾驶设备内的指令和控制操作。然而，如果这个专利申请的权利要求覆盖更大的保护范围而无法由上文提到的针对某一具体应用的规则集合所实现的话，就会有问题。这是因为仅披露涉及某一应用领域的具体规则可能无法满足《美国法典》第35章第112条所规定的披露义务。

　　无人驾驶系统的车辆控制系统通常采用人工神经网络，其人工智能性能取决于神经层的数量和类型、每层的神经元数量、神经元特性、训练算法、训练数据集等。这类专利申请的权利要求保护范围取决于，说明书如何根据其中披露的有限拓扑结构去教本领域技术人员实现该发明。在基于规则和基于网络的专利申请中，若已启发性地建立了相关系统，则需要考虑说明书中是否披露了足够的信息，从而为获得更宽的权利要求保护范围提供支持。在实践中可能存在数百万网络架构或规则，仅仅披露几种实施例并试图据此获得较宽的权利要求范围会存在风险，而较全面地披露多种实施例可在一定程度上降低风险。然而，对于能够或应该披露的实施例数量，在实践中存在诸多限制。

　　解决无人驾驶领域人工智能技术知识产权保护的另一策略是在专利申请文件中，把功能模块描述成功能性限定权利要求。例如，把功能模块描述为“分类方式”或“反向传播学习的回应方式”。除了在专利权利要求书中限定人工智能发明的某些结构特征外，再撰写一些这些结构特征所能实现的功能的其他权利要求，也是非常有利的。但对于权利要求中的功能性限定，存在诸多限制。发明人仅能够获得为完成所限定的功能或等同功能而披露的结构。因此，虽然可以进行功能性限定，但在提交人工智能专利申请时，申请人还是需要披露足够多的实施例。（作者：弗兰克.德克斯塔、阿里扎乔治·卡里诺）