隨着人工智能的逐漸興起，創新人員迫切的希望其在人工智能領域具有創造性的智力活動成果通過專利的形式來得到有效的保護。實際上，在中國，與人工智能有關的專利申請數量在急劇增長。在人工智能領域，深度學習（Deep Learning，DL）無疑是實現人工智能的一個重要途徑。因此，對於人工智能領域的專利代理師而言，如何撰寫涉及深度學習的專利申請的權利要求顯得尤爲重要。
深度學習是機器學習的一種，通過建立具有階層結構的人工神經網絡，在計算系統中實現人工智能。深度學習源於且高於傳統的神經網絡，其核心就是通過深度結構逐層以簡單概念構建複雜概念，自動提取分佈式的特徵。撰寫這一類的權利要求時，可以遵循一些基本的原則或步驟，這樣可以避免一些常見的錯誤。
首 先
根據客戶的交底材料中的技術方案判斷交底中所涉及的深度學習模型是否是一種常規的套用。如果交底中的深度學習模型只是將現有深度學習模型應用於數據集，並沒有對該模型作出任何的改進，那麼這種深度學習模型的應用就只是一種常規的套用。針對這種常規的套用，我們可以不需要關注該深度學習模型的結構以及訓練過程，只將該模型當作一種黑盒，這種黑盒能夠對輸入的數據集進行處理並且能夠有相應的輸出。
此種情況，將權利要求尤其是獨立權利要求的撰寫重點放在交底材料中那些與深度學習模型無關的真正的創新點。在實際案件處理過程中，往往很多都是屬於這種情況，否則需要進一步判斷深度學習模型的改進點。
其 次
根據客戶給出的交底材料判斷是否是對模型結構作出了改進。深度學習模型是一種通過一些深度結構進行逐層抽象，變相的把問題一步一步地簡化的階層模型，結構相對其它的機器學習模型較爲複雜，具有相對較多的種類，相應的對模型結構本身作出改進的空間也較大。
因此，在該模型不屬於常規的套用的情況下，就需要判斷該模型是否具有結構方面的改進。深度學習模型的結構具有創新點或者就是一個新的模型結構，則根據模型的結構來撰寫權利要求。我們在根據該深度學習模型的結構進行撰寫權利要求時，需要進一步判斷將重點落實在模型訓練階段還是模型應用階段。
下面通過對比兩個不同階段示例（模型應用階段和模型訓練階段）來直觀的呈現兩者之間的不同。
1
模型應用階段
模型應用階段的獨立權利要求：一種在車輛中用於使用深度學習算法在同一網絡中同時執行多個車載感測任務的處理器實現的方法，所述方法包含：接收來自所述車輛上的傳感器的視覺傳感器數據；使用卷積神經網絡中的多個特徵層根據所述視覺傳感器數據確定特徵組；並且使用所述卷積神經網絡根據由所述多個特徵層確定的所述特徵組同時估計檢測到的物體的邊界框、自由空間邊界和檢測到的物體姿態；其中所述神經網絡包含：多個自由空間估計層，其配置爲評估所述特徵組以確定所述視覺傳感器數據中相對於所述車輛的所述自由空間的邊界並且標記所述邊界；多個物體檢測層，其配置爲評估所述特徵組以檢測圖像中的物體並估計圍繞所述檢測到的物體的邊界框；以及多個物體姿態檢測層，其配置爲評估所述特徵組以估計每個物體的方向。
2
模型訓練階段
模型訓練階段的獨立權利要求：一種數據分類模型訓練方法，其特徵在於，包括，採用識別對象通用數據集對神經網絡分類模型各個層的參數值進行訓練，獲得第一神經網絡分類模型；採用識別對象實際數據集對第一神經網絡分類模型頂部若干層的參數值進行訓練，獲得第二神經網絡分類模型；再次採用所述識別對象實際數據集對第二神經網絡分類模型各個層的參數值進行訓練，獲得完成訓練的第三神經網絡分類模型；其中，識別對象通用數據集中數據的類別數量小於第一類別數量預設值、類別內的樣本數量大於第一類內樣本數預設值，識別對象實際數據集中數據的類別數量大於第二類別數量預設值，第一類別數量預設值小於第二類別數量預設值。
對比上面兩個不同階段的獨立權利要求，讀者可以清晰地感受到兩者的不同。模型應用階段的示例中，通過應用模型得到了具體的輸出；而在模型訓練階段的示例中，則是通過訓練獲得了多個模型。在撰寫此類權利要求的過程中，還應當注意的是，不能夠將模型應用階段和模型訓練階段雜糅進一個權利要求中，即要符合單邊撰寫的要求。因爲模型應用階段的實際執行客體和模型訓練階段的實際執行客體有可能不同。
相應地，一份交底材料中的技術方案既涉及模型訓練階段也涉及模型應用階段，則可以撰寫兩個不同的獨立權利要求。我國的專利侵權的判定遵循全面覆蓋原則，即只有被訴侵權技術方案包含與權利要求記載的全部技術特徵相同或者等同的技術特徵的纔會被認定其落入專利權的保護範圍。如果一個權利要求中包含了多個實際執行客體的話，顯然是增加了專利權人維權的實際困難，不利於對技術方案的全面保護。
最 後
在撰寫涉及深度學習的權利要求時，應當儘可能的詳細清楚，避免出現得不到說明書支持的情況，從而使得審查員能夠確信該專利應當被授權。在實踐中，關於該領域的權利要求的撰寫還有許多其它的情況，根據交底材料的實際內容可以做出相應的改變，以得到合適的權利要求，爲客戶爭取儘可能多的利益。
