国家知识产权局于2019年12月31日发布了公告，对《专利审查指南》做出了修改，在实质审查部分增加了关于“包含算法特征或商业规则和方法特征的发明专利申请审查相关规定”，现在，笔者将结合专利撰写实务对“包含算法特征的发明专利申请”如何满足上述规定进行简单的阐述。
首先，我们对上述相关规定进行简单介绍和解读
随着计算机技术的发展，涉及人工智能、“互联网+”、大数据以及区块链等的发明专利申请逐渐增加，这类申请中一般包含算法或商业规则和方法等智力活动的规则和方法特征，因此，本次《专利审查指南》的修改就是对这类申请的审查做出的特殊性规定。
其中，在对“包含算法特征的发明专利申请”进行实质性审查的过程主要分为三步：

第一步：就权利要求是否属于是否为智力活动的规则或方法进行审查：即如果权利要求涉及抽象的算法且不包含任何技术特征，则这项权利要求属于智力活动的规则和方法，不属于专利法的保护客体，例如，一种基于抽象算法且不包含任何技术特征的数学模型建立方法。
第二步：就权利要求是否属于专利法意义上的技术方案进行审查：即要求权利要求所记载的技术方案必须是利用自然规律的技术手段并且由此获得符合自然规律的技术效果，例如，如果权利要求中涉及算法的各个步骤体现出与所要解决的技术问题密切相关，如算法处理的数据是技术领域中具有确切技术含义的数据，算法的执行能直接体现出利用自然规律解决某一技术问题的过程，并且获得了技术效果。
第三步：对权利要求进行新颖性和创造性的审查：要求在审查时应将与技术特征紧密结合、共同构成了解决某一技术问题的技术手段,并且能够获得相应的技术效果的算法特征与所述技术特征作为一个整体考虑。
其次，我们将浅析上述规定对专利撰写实务的影响
为了保证“包含算法特征的发明专利申请”不会在第一步和第二步就倒下，我们在撰写时会着重注意以下几点：
1）在撰写时要体现出技术特征而不是单纯的学术用语和公式。
2）在撰写时要与所要解决的技术问题密切相关，必须能够解决实际的技术问题。
具体的，对于“包含算法特征的发明专利申请”，我们通过经验和总结归纳发现，“包含算法特征的发明专利申请”一般可以划分为对算法在目标领域进行具体应用时进行的改进，或者是对算法或机器学习模型在其内部架构、层级或参数进行的改进。
因此，对于技术方案为算法在目标领域进行具体应用的申请，我们在撰写时都会采用具体应用领域内的特有名词，结合抽象的专利语言构建技术特征对方案进行描述，并且保证权利要求的技术方案一定能够解决具体应用领域内的实际技术问题，而不是宽泛的或具有学术性的框架性方案，即在“仰望天空”的同时，更要“脚踏实地”，同时，我们会与申请人进行充分的沟通，力争将算法或机器学习模型的“黑盒”打开，将算法或机器学习模型的计算过程、层级架构或数据形式进行简洁明确的阐述，从而充分体现出每个具体的技术特征是如何通过算法或机器学习模型的一步步演变为解决技术问题所需要的数据或数据形式的，力求实现技术方案的充分公开，充分体现出技术方案是利用自然规律的技术手段并且由此获得符合自然规律的技术效果。
同理，对于技术方案为对算法或机器学习模型本身提出的优化或者改进的申请，我们在撰写时不仅会充分展示出算法或机器学习模型的计算过程、层级架构或数据形式，还会与申请人进行充分的沟通，从而获知至少一个算法或机器学习模型的具体应用场景，并将该具体应用场景通过专利语言写入说明书的一个单独实施例中，从而充分体现出算法或机器学习模型是如何解决具体的技术问题并取得相应的技术效果的。
最后，对于第三步中发明专利申请是否具备创造性的问题

既是重点也是难点，因为一旦权利要求的技术方案与具体的技术特征或领域进行了有机的结合，就会导致权利要求的技术方案在是否会被评价为现有技术或本领域技术人员的常规选择这个问题上留下较大的争议空间，这就要求我们在撰写前进行充分的检索以及在进行审查意见答复时采用合适的答辩方式，在撰写技术效果和审查意见答复时充分考虑算法特征对技术方案对特定领域或特定类型数做出的贡献，从而在多方面说服审查员。
此外，在上述规定中还具体列举了多个典型的申请案例，其中就包括“一种卷积神经网络模型的训练方法”的案例，该发明专利申请的解决方案是：在各级卷积层上对训练图像进行卷积操作和最大池化操作后，进一步对最大池化操作后得到的特征图像进行水平池化操作，使训练好的卷积神经网络模型在识别图像类别时能够识别任意尺寸的待识别图像。
可见，上述权利要求通过将卷积神经网络模型的“黑盒”打开，将该卷积神经网络模型的模型结构和训练过程进行了充分且细化的说明，体现出神经网络训练算法与图像信息处理的密切关联，并获得了训练好的卷积神经网络模型能够识别任意尺寸待识别图像的技术效果。因此，该发明专利申请的技术方案属于专利保护客体，能够满足本次《专利审查指南》对于“包含算法特征的发明专利申请”的特殊性规定。