现如今，很多企业都在尝试利用人工智能系统来开展日常的工作，例如对海量的生物医学数据进行分析等。然而，鉴于人们在打造和部署机器学习技术（这是当今人工智能领域中获得关注度最高的一项技术）时需要投入大量的资源，因此如何为这项技术所创造出的知识产权提供保护已成为一个亟待解决的难题。

　　而本文将会重点探讨人们应该如何为机器学习技术提供知识产权保护，例如结合当前美国的专利法律应该如何提出专利保护申请等。

　　什么是机器学习？

　　简单来讲，机器学习系统的开发工作指的就是创造和部署一种具有可根据额外数据（additional data）接受训练并不断改进自身任务执行能力的模型的计算机程序。在生命科学领域中，此类额外数据可以包括医学图像、基因组数据以及电子健康记录。

　　例如，人们可以利用核磁共振图像来对机器学习模型进行训练，并以此来识别出患者大脑中是否存在着出血点。除此之外，人们还可以使用罹患某种特定类型癌症的患者的基因组数据来训练机器学习模型，并根据该模型来开展癌前筛查工作。

　　目前，机器学习模型主要还是应用于神经网络技术之中，而由于神经网络技术具有一种多层的深度结构，因此也被称为“深度学习”。此外，其他的机器学习模型还包括贝叶斯模型、决策树、随机森林以及图形模型等。实际上，随着各类机器学习工具的快速发展，这些工具早已被人们用来解决不同技术领域中出现的问题了。

　　机器学习的知识产权保护

　　部署机器学习系统通常包括下列几个步骤：选择和设计出一个机器学习模型；使用数据来训练上述机器模型；并在实际应用中部署和使用已接受训练的机器学习模型。实际上，上述每一个步骤都可能会产生具有一定价值的知识产权，因此人们需要考虑以专利的形式为其提供保护。不过，人们在为机器学习系统申请专利的时候可能会遭遇很多挑战。

　　新颖性和非显而易见性

　　根据美国的专利法律规定，发明必须具备新颖性和非显而易见性才能获得专利权。而从实际情况来看，在美国为机器学习技术提交专利申请还是有一定难度的。例如，如果申请人只是向某款甚至可以从互联网上免费下载的机器学习软件中输入了数据并对外显示相关结果（例如向医生或者研究人员显示）的话，那么这种做法是无法克服“缺少非显而易见性”这一问题的。毕竟如果所有人都能够轻易做到这一点的话，那么美国专利商标局怎么可能会认定此类技术具备“非显而易见性”？

　　当然，事实上，构建和部署一款真正的机器学习系统绝不仅仅是简单地下载和运行软件，这还需要研发人员去做更多的工作。对于发明人而言，如果能够为这种机器学习系统提供专利保护的话，那么其在未来一定会获得丰厚的回报。下文则是机器学习系统可能会获得专利权的3个实例：

　　－全新的机器学习模型：人们在部署机器学习技术时很大概率会同时开发出一种全新的模型（例如全新的神经网络架构），而这种全新的模型或许会满足美国专利法律中“新颖性”以及“非显而易见性”要求。

　　－训练机器学习模型：人们可以为生成训练数据的全新方式以及全新的训练算法提交专利保护申请，例如人们可以根据此前的训练数据或者其他数据源再合成出一些新的训练数据来提升训练数据的质量，并将这种方式作为专利申请中权利要求的保护重点。

　　－部署机器学习模型：将机器学习模型整合到某款应用程序之中也能够满足有关“新颖性”和“非显而易见性”的要求，例如，如果医护人员对手头的医学图像不太满意的话，那么这些人还可以将机器学习系统应用到不同的医疗装置上，以去拍摄更多的图像。不过，在这里需要指出的是，如果人们想为此类发明提供专利保护的话，那么其侧重点应该是最终的创新成果究竟会带来何种技术效果。（编译自www.mondaq.com）

　　翻译：刘鹏　校对：李艳秋