在当今科学技术日新月异的时代，人工智能极大地影响着各行各业。人工智能要实现技术突破、行业革新、产业化推进，必须以基础算法的突破作为基石，而由此衍生的创新主体对于涉及算法的技术保护的需求也亟待满足。很多人工智能技术的关键发明点在于算法本身的创新，但出于对市场垄断等多种因素的考虑，单纯的算法本身并不能够被授予专利权，其会面临专利法第二十五条第一款、第二条第二款等诸多条款的限制，使得涉及算法的发明可能会被排除在可专利客体范围之外，或者算法发明的“技术性”不被认可，从而判断权利要求所要保护的方案并未构成技术方案。当算法本身的创新不能作为专利法的保护客体时，欲对涉及算法的发明进行保护，需将算法本身与具体的应用领域进行结合、解决具体的技术问题、获得具体的技术效果，以满足包含算法特征的发明专利申请审查的相关规定。那么，既然算法本身的创新不能够被授予专利权，当算法与具体应用领域结合之后，算法发明的可专利性究竟体现在何处呢？下面，结合笔者曾处理的一件具体案例进行讨论。

其中，q(x)和V(x)分别指代状态x下的成本函数和价值函数，并且γ表示贴现因子，并且和分别指代学习前和学习后的状态转变概率；

估计方程（1）中的密度比率；

根据所估计的密度比率，使用最小二乘法来估计方程（1）中的q(x)和V(x)；以及输出所估计的q(x)和V(x)。”

在第一次审查意见中，审查员认为，因为权利要求1所要求保护的一种用于估计对象的行为的成本函数和价值函数的逆向强化学习方法属于一种数学模型理论，其并未应用于具体的工业技术领域，方法的各个步骤与方案要解决的问题之间不具有明确的技术关联，方法所涉及的计算不具有该技术领域相应的物理技术含义，并且未说明应用该方法能够达到解决该特定技术领域的技术问题的效果，因此权利要求1属于专利法第25条第1款第（二）项规定的不授予专利权的范围。

然而，本案的算法可以应用到多个领域，申请人出于其自身考虑，并不想将该算法局限到某一特定领域；并且同时，说明书中也并没有公开对具体应用的具体参数的相关描述。因此，在针对第一次审查意见的答复中，代理人仅依据说明书记载的内容，对权利要求稍作修改，即，将“一种用于估计对象的行为的成本函数和价值函数的逆向强化学习的方法”修改为“一种用于通过逆向强化学习估计对象的行为的方法，所估计的对象的行为由成本函数和价值函数表示，其中，所述成本函数用于预测所述对象在新尝试或环境中的性能，并且所述价值函数表示最佳状态转变”；并从以下方面进行了争辩：

然后，在第二次审查意见中，审查员认为，成本函数和价值函数依然是抽象的数学标识方法，而权利要求1实质上是用修改后的贝尔曼方程求解成本函数和价值函数，从而解决逆向强化学习效率不高的问题，其方案中并没有涉及具有具体物理含义的函数和参数，因此并不能够解决具体技术领域的问题，其实质上还是一种数据模型理论。因此权利要求1属于专利法第25条第1款第（二）项规定的不授予专利权的范围。

针对上述审查意见，尤其是关于“没有应用到具体技术领域”的审查意见，由于说明书中缺乏对具体参数的相应描述和记载，因此申请人在针对第二次审查意见的答复中仅进行了争辩，认为“估计对象的行为”本身即是一个具体的技术应用领域，例如，以说明书中列举的网络行为预测为例，利用本案所提出的方法，通过对以往用户的网络浏览行为进行分析，可以更加准确地为用户显示推荐的文章，从而改善网站使用体验。而且，由于本案可以应用于很多的更加具体的应用场景，无法穷尽，因此在权利要求中采用了“估计对象的行为”这样的表述。若要更加具体地限定应用场景是不现实的，而且对于申请人也是不公平的。

1.结合上述案例，可以看出，该案例被驳回的主要原因是：所涉及的逆向学习算法并没有与具体的技术领域相结合。换句话说，在权利要求中，并没有体现出该逆向学习算法是如何应用到在具体技术领域中解决具体技术问题的技术方案中的。