热点聚焦：人工智能算法保护
一、新客体、新问题
人工智能算法的知识产权问题，引起科技界和法律界的广泛关注，我国知识产权制度发展至今已经形成了较为完备的体系，在面对人工智能算法这种新型保护客体时，展现出良好的包容性和适应性。
当前，我国是以专利制度为主，软件著作权、商业秘密等为辅对人工智能客体进行拆分并予以保护。例如《计算机软件保护条例》中明文规定软件著作权人具有各项人身权及财产权。同样，算法天然的满足商业秘密对秘密性、价值性、保密性的要求，可以为算法提供客体存续期间内无限制的保护期限。但是，著作权法无法保护算法的核心思想，商业秘密法难以禁止反向工程，赋予算法产品“领先时间”，因此，专利保护是主要的保护方式，其他方式可以进行辅助和弥补。
二、算法专利化的优势
无论是从人工智能算法的外在形式、实质内容还是顺应我国人工智能产业发展的角度出发，给予算法专利保护都是一种相对更优的解决方式，它更加贴近算法本质。
首先，人工智能算法通常是为了实现特定的目的而编写开发出来，具有确切的逻辑步骤。虽然从编码和文本的角度算法可以获得著作权法的保护，但是从编码、结构和界面组合所产生的功能性角度来看，算法的实质性内容更适合归入专利法保护范围，技术公开也能够弥补商业秘密模式的缺陷。
其次，由于算法本身使用的计算机语言不存在交流障碍，算法保护制度更需要时刻关注国际潮流。欧洲专利局早在2018年修改的《专利审查指南》G部第II章的规定中，就按照类似审查计算机程序的“技术性”标准判断算法是否适用于数学方法例外的审查规则，承认基于计算模型和算法的人工智能和机器学习能够在各种技术领域找到应用。授予算法专利权，细化对计算机程序的保护为对算法的保护，更有利于未来我国人工智能产业政策与国际接轨，避免将来国际间算法行业的专利转让或者专利许可泄露原权利人的经营信息，同时交易相对人可以在他人劳动的基础上使用自己的数据资源进行训练，继续开发新的人工智能产品。
此外，认可算法专利化，也便于未来像软件著作权登记一样设立算法专利登记模式，将算法的许可、转让统一于国家行政机关的管理，使得市场更加规范、交易更加便捷高效。
三、算法专利化的挑战
算法专利化过程中的阻碍，一是“智力活动的规则与方法”的界定，二是“技术方案”的限制。
《专利法》第25条为授权客体作出反向规定的同时，《专利审查指南》新增章节将“包含算法特征或商业规则和方法特征的发明”纳入专利法保护范畴。早期的算法往往包含数学方法，数学公式以及相应的参数定义等内容，单纯的数学运算方法因其抽象性而属于智力活动的规则和方法。人工智能算法则代表着深度学习等领域先进的科学技术，人工智能产业竞争的核心。算法已经成为计算机解决目标问题、执行指令的技术方案，甚至是人工智能产业的基本方面，单纯的数学运算方法已经演化为数学思维融入算法的具体步骤之中。
可以采用“二分法”授权标准，即使方法专利中存在抽象概念的应用，如果其应用属于算法特征且体现了科学与技术的融合，产生了“有用、具体、切实的结果”，而不是简单在说明书中加入其工业应用领域，则应纳入专利法的保护范围。
“技术方案”是对要解决的技术问题所采取的利用了自然规律的技术手段的集合，涉及技术问题、技术手段、技术效果三个要素。就单一要素对算法专利申请进行观察难以得出客观结论，因为算法专利的核心要义不局限于实体物的创新，一方面包括计算机硬件的改善，通过方法步骤的组合实现对外部运行过程的控制、对外部数据进行处理或者交换；另一方面包括计算机系统内部性能的改进，对计算机系统内部资源的管理，对数据传输的改进等。
我们采用“整体论”的观点对算法专利进行检测，例如“一种由计算机实施的驾驶技能评估方法”（授权公告号CN105593095B），虽然车辆状态的检测值、驾驶员操作成分量值不是固有的自然规律，但通过数学统计的方法，基于频带的差异从车辆状态的检测值中分离出驾驶员动作的成分，来修正驾驶技能的评估值，故而满足专利法上的技术方案。
四、算法专利化的新路径
《专利法》第22条规定发明专利的实质要求具备新颖性、创造性和实用性。专利审查人员主要根据《专利审查指南》中“涉及计算机程序的发明专利申请”章节的“审查基准”，从此三个方面进行审核。先对技术方案中的实用性进行判断，在实用性通过的基础上再对包含算法特征的发明专利的新颖性和创造性标准对其进行审查。基于算法专利自身的抽象性，实用性判断主要依赖于算法在前述技术方案中的表现。新颖性标准则主要利用计算机检索对“现有技术”的判断能力，比照数据库、对算法发明专利申请的技术方案进行分解，考察其与基础算法、外部数据资源是否存在本质差异。创造性是指“突出的实质性特点和显著的进步”，如何使得具有抽象性的算法脱离出计算机语言本身，有赖于申请人员在权利要求书中清晰地描述技术方案中各步骤或函数参数与具体技术领域的对应关系。重点仍然是所述算法特征对技术方案的贡献，考察方案整体上解决的技术问题、达到的技术效果，分析构成技术手段的各个特征的作用以及它们之间的相互关联。
从《专利审查指南》中对算法专利“三性”的检测我们可以看出，基于专利法对人工智能算法进行保护，并不意味着迅速地打破具有刚性的法律。立法过早的介入人工智能新领域不仅可能因政策反复损害《专利法》的权威性，也不利于算法行业的潜在发展。
因此，可以考虑像《计算机软件保护条例》一样通过特别立法的方式对人工智能算法进行保护，重新制定新的保护规则，这也是及时对各种算法产业、甚至是大数据等其他新技术带来的争议予以确定的最优解；也可以通过法律解释的方法将算法专利纳入现有《专利法》之中，并重视《专利审查指南》作为部门规章灵活地应对技术的不断更新，更好的利用《专利审查指南》来弥补《专利法》对新技术的保护空白。实际上，在其2010版本已有的6次的修改记录中，增加了关于“人工智能”等新领域新业态的专利审查详细规定，这样就便于做到及时回应产业快速发展对新技术专利申请的需求。
(中国科大知识产权研究院谈幼敏)
新基建系列
作者：中伦律师事务所薛熠杨壹凯俞炜
前言
人工智能经历近年来的巨大发展，已经开始引起交通、物流、教育、医疗等各行各业的深刻变革，更是在近期“升级”为一种新型基础设施，赋能我国经济发展，进一步融入人类日常生活，以无与伦比的高效完成各种各样不可思议的任务，成为人们学习、工作中不可或缺的得力助手。但正如MelvinKranzberg教授所提出的六大科技定律之首——“技术并无好坏，但亦非中立”，人工智能同时也带来法律和社会伦理方面的问题，引发各界人士的热烈探讨。其中，人工智能达成“垄断协议”已非妄语，而是切实地成为了人们关注的重点法律问题之一。
一、人工智能与算法合谋
1．人工智能与算法的关系
人工智能是什么？不同时代、不同行业的人可能对此存在不同角度的理解。在人工智能的经典教科书《人工智能：一种现代的方法》中，作者StuartRussell与PeterNorvig认为，人工智能是有关“智能体（Intelligentagent）研究与设计”的学问，而“智能体是指一个可以观察周遭环境并做出行动以达目标的系统”。
观察当前人工智能的发展热潮，机器学习、深度学习是两个绕不开的热点词汇。人工智能、机器学习、深度学习之间又是什么关系？从非专业人士角度简单说明[1]：
机器学习是实现人工智能的一种方法，是指基于能够自主、反复从数据中学习的算法设计智能体；
深度学习是当前众多机器学习方法中的热门方法之一，是基于模拟人脑神经网络进行学习、分析的算法设计智能体。
近年来人工智能的崛起，离不开机器学习，特别是其中深度学习的迅速发展。基于深度学习的应用，各种机器辅助功能都已经或即将被逐步实现。深度学习，作为有史以来最为有效的机器学习方法，是目前人工智能研究的主流技术。不同于传统机器学习的线性结构的算法，深度学习神经网络层次结构的算法下，凭借大量的训练数据和强大的计算能力所构建的深度学习模型具有更加强大的学习能力，能够更好、更快地解决更多的问题。
然而，有趣的是，深度学习的运用更像是一个不求甚解的实用主义者的做派。很多情况下，人们通常只能观察运算结果，了解深度学习模型是否能够有效工作，但即便是其设计者本人也难以明确地解释该种算法运行的具体过程。深度学习算法因此也被形象地喻为只可意会不可言传的“黑箱”。这也引起了部分人对于“人工智能失控”的担心，如果仅能知道计算机的学习成果而无法明确掌握其学习过程，那这种学习本身会不会失控？计算机会不会悄悄通过算法学到什么我们不希望它学会的知识？
2．人工智能达成“垄断协议”？
人工智能达成“垄断协议”听起来像是未来科幻世界中的场景，但其与现实之间的距离可能并不如一般人想象的那么遥远。随着价格算法在现代商业中的大量运用，人工智能达成“垄断协议”，也即价格算法合谋，是作为算法所引发的重要的反垄断法问题之一，已经引起各国反垄断执法机构和相关组织的关注[2]。
从当前的研究成果来看，价格算法合谋可以大致分为三类：
（1）明示价格算法合谋：经营者通过明示的协商沟通，就价格算法达成合谋以期实现价格垄断，价格算法是实现与维持合谋之工具；
（2）默示价格算法合谋：经营者之间不存在明示的意思联络，而通过认可相互之间的依赖性以实现和维持合谋，价格算法则是经营者认可相互依赖性的关键工具；
（3）虚拟合谋：即便经营者并无合谋意图，其采用的价格算法会在无需人为干预的状态下进行高效的反复试验，最终达成经营者之间的合作性均衡，实现合谋的效果而损害消费者利益。
在一项明示价格算法合谋和默示价格算法合谋中，价格算法作为经营者实现、维持合谋或认可相互依赖性的工具，合谋的意志仍然出自经营者自身，因而称其为“经营者利用人工智能达成‘垄断协议’”更为贴切。而在一项虚拟合谋中，价格算法自发地达成合谋的结果而不论使用该等算法的经营者是否有合谋的意图，因而，可谓是名副其实的“人工智能达成‘垄断协议’”。
二、虚拟合谋的反垄断法风险
1．虚拟合谋或已/或将成为现实威胁
尽管当前算法如何具体实现合谋效果，以及当前实践中是否已经发生了此类合谋尚不明确，但各国反垄断执法机构和相关组织对虚拟合谋的担心并非空穴来风，这从各地学者所进行的一些极具启发性的研究中便可见一斑：
（1）价格算法或能迫使市场经营者与其合谋
在2018年浙大的一份论文[3]中，作者设计了一种可以导致合谋的算法，并在理论说明之外采用了实验经济学方法，进行该算法与真人博弈的实验，最终得出结论——该等算法确实可以迫使真人与其进行合谋，实现超竞争水平的价格行为。
（2）价格算法之间或能自主达成合谋
在2018年博洛尼亚大学学者所著的一份论文[4]中，作者在计算机模拟环境下，设置2到4个经营者使用相同价格算法进行了价格行为实验，发现即便是极为简单的价格算法也能够学习、实施复杂的合谋策略，对竞争对手以及自身的定价行为作出反应，并最终达成合谋的结果。
（3）市场经营者难以达成默示合谋
与前述涉及价格算法的经济学实验不同，以真人作为对象的定价行为实验相关文献[5]表明，如果没有明示的交流，真人之间很难协调达成合谋。真人之间的默示合谋大多只能发生于极为简单的市场条件下，例如，双寡头垄断市场。此外，即便是在类似的理想化的简单市场结构下，真人达成合谋的情况也存在不确定性。
“积极向上”的人工智能的远大前程无人能及[6]，而“误入歧途”的人工智能从事合谋的手段也可能远比最狡猾的商界巨鳄来得更加精明。价格算法合谋问题，尤其是虚拟合谋，最引人担忧之处正在于此——能够在不需要人为干预的情况下，通过自主学习达成合谋，而这一过程可能鲜有痕迹可寻。更明确地说，即便没有价格算法设计者的专门设计和价格算法使用者的明确指令，价格算法也能够在完全陌生的市场环境中，不通过市场信息的沟通而仅依靠自主学习的过程掌握、实施复杂的合谋策略。
2．虚拟合谋的反垄断规制亟待更多研究
是否需要以及如何从反垄断法角度对虚拟合谋进行评价与规制的疑问目前尚无定论，仍有待更多的理论研究与实践观察。
就技术角度而言，“黑箱”中的价格算法如何在学习过程中掌握、实施合谋策略，以及目前市场上是否已经存在此类算法合谋还有待观察。此外，如前所述，虚拟合谋的达成过程可能鲜有痕迹可寻，而仅能从效果上进行观察，如何对虚拟合谋进行有效观测也是一大技术难题。
就法律规范角度而言，首先需要解决的便是虚拟合谋的归责原则问题。由于虚拟合谋的达成并不以经营者的合谋意图及意思联络为前提，虚拟合谋所涉经营者在无主观过错的情况下是否需要承担责任？该等责任又如何在价格算法的设计者和使用者之间进行公平、合理的分配？事实上，这也不仅仅是价格算法合谋需要解决的问题，也是任何其他“算法事故[7]”共同面临的难题。
三、经营者利用人工智能达成算法合谋的反垄断法风险
相较于前述虚拟合谋的远景，“经营者利用人工智能达成‘垄断协议’”的反垄断法风险，即上文所述的明示价格算法合谋和默示价格算法合谋，对于各国执法机构和经营者来说是眼下更为迫切的关注点。
1．明示价格算法合谋
明示价格算法合谋的问题相对简单，可以适用一般经验法则——若不涉及算法的某一行为本身违法，那么即便涉及算法的元素也不会改变该等行为的违法性。事实上，对于明示价格算法合谋而言，算法仅仅是作为实现、维持合谋之工具，并未触及、改变明示合谋的实质，因而并不会落于传统反垄断法规制框架之外，由各司法区域通过价格卡特尔予以规制。
2．默示价格算法合谋
默示价格算法合谋的问题则相对复杂一些。在包括美国、欧盟等在内的大多数司法区域内，传统的默示合谋均尚未被视为违法而受到规制，原因主要有二：其一，基于“心照不宣”而实现的默示合谋不仅由于缺乏明示的协商沟通而难以达成，且由于缺乏相应约束机制而容易瓦解；其二，基于“心照不宣”而实现的默示合谋即便在实践中发生，也难以发现、证明、认定。
就该等原因的本质而言，价格算法本身对默示算法合谋的反垄断法风险产生了重大影响，使得其更易实现、维持且难以被发现、证明、认定：
价格算法一定程度上导致市场结构性变化，为经营达成对相互依赖性的认可提供隐秘的手段，更有利于合谋的产生，且算法的应用可以作为及时、有效监督价格背离行为的手段，更有利于合谋的维持；
由于缺乏相应的技术工具，通过价格算法实现经营者之间“心照不宣”的过程更是难以发现、监测、证明、认定。
因此，对默示价格算法合谋的反垄断法规制，目前仍缺少相应的制度工具以及有效的技术工具。尽管如此，考虑到默示价格算法合谋的反竞争效果与明示合谋相比并无不同，且默示价格算法合谋相比于传统默示合谋更易发生且难以观察，各反垄断司法区域对默示合谋监管的节制、容忍态度或将发生改变。
四、企业应该怎么做才能避免人工智能之间达成“垄断协议”的风险？
价格算法合谋对市场竞争的威胁并非虚无缥缈，在更多理论研究与实践观察的基础上，如何从立法、执法和司法反面跟进、解决这一竞争威胁是各个反垄断司法区域共同关心的话题。价格算法合谋的反垄断法规制正是山雨欲来，企业也应当未雨绸缪，在使用价格算法作为商业工具、享受技术红利的同时，也应当对价格算法的潜在反垄断法风险有所注意：
企业应当避免出于合谋的目的，设计或者使用价格算法，企业记录设计、使用价格算法商业决定的独立性以及合理性将大有裨益；
企业自行设计并使用价格算法应当注意保密，警惕价格算法构成竞争性敏感信息的可能，更不应在竞争者之间传递、交换和交流；
企业使用第三方设计的价格算法应当全面关注市场上其他竞争者使用相同算法的情形，避免无故受到牵连；
企业应当将价格算法的应用纳入企业反垄断合规管理体系之内，价格算法还可能导致合谋之外的反垄断法风险（例如，价格歧视等），企业全面、谨慎的合规意识十分必要；以及，
企业关注技术进步改善商业决策的同时，也应当关注各司法区域反垄断立法、执法和司法的最新发展动向，以便掌握先机，防患未然。
[注]
[1]参见OECD资深竞争法专家AntonioCapobianco在国际竞争网络（InternationalCompetitionNetwork）于2019年1月16日召开的一次网络研讨会上所作演示，https：//ec.europa.eu/competition/cartels/icn/capobianco.pdf。
[2]例如2017年9月13日，OECD开展“算法与合谋”主题的圆桌论坛；2017年11月16日，澳大利亚竞争和消费者委员会（ACCC）主管RodSim就“合谋的机器人”主题做了发言；2018年10月8日，英国竞争和市场管理局（CMA）就“价格算法促进合谋和定制化定价”主题发布了研究报告；2018年10月31日，美国联邦贸易委员会就“算法、人工智能、预测性分析”主题开展研讨会等。
[3]参见AlgorithmicCollusioninCournotDuopolyMarket：EvidencefromExperimentalEconomics，http://export.arxiv.org/pdf/1802.08061。
[4]参见Artificialintelligence，algorithmicpricingandcollusion，https：//www.tilburguniversity.edu/sites/tiu/files/download/Pastorello%20-%20Qlearning_3.pdf。
[5]例如Twoarefewandfouraremany：numbereffectsinexperimentaloligopolies，HowMuchCollusion？AMeta-AnalysisOnOligopolyExperiments等文献，https：//www.sciencedirect.com/science/article/abs/pii/S0167268103001380，https：//papers.ssrn.com/sol3/papers.cfm？abstract_id=951160。
[6]例如，基于深度学习的AlphaGo棋力早在几年前就已经被公认超过人类职业围棋顶尖水平而成为棋王。
[7]例如，医疗行业中运用算法所导致的医疗事故、交通运输行业中运用算法所导致的交通事故等。
（声明：本文系作者授权新浪网转载，文章仅代表作者观点，不代表新浪网立场。）
新的人工智能算法可预测运动队的动作 准确率达80%
一种新的人工智能算法可以预测排球运动员的比赛中的行动，准确率超过80%。现在，开发该算法的康奈尔智能系统和控制实验室正在与BigRed冰球队合作，扩大该研究项目的应用。
这些算法的独特之处在于，它们对行动预测采取了一种全面的方法，将视觉数据--例如，运动员在球场上的位置--与更隐含的信息相结合，如运动员在团队中的具体角色。
领导这项研究的SilviaFerrari说:“计算机视觉可以解释视觉信息，如球衣颜色和球员的位置或身体姿势。”她是机械和航空航天工程的约翰-布兰卡西奥教授。“我们仍然使用这种实时信息，但整合了隐藏的变量，如团队战略和球员角色，我们作为人类能够推断的东西，因为我们是这种特定环境的专家。”
Ferrari和博士生董俊毅和霍清泽通过观看比赛训练算法来推断隐藏的变量--与人类获得体育知识的方式相同。这些算法使用机器学习从排球比赛的视频中提取数据，然后在显示一组新的比赛时使用这些数据来帮助做出预测。
康奈尔大学智能系统和控制实验室开发的算法可以预测排球运动员在比赛中的行动，准确率超过80%，现在该实验室正在与BigRed冰球队合作，以扩大该研究项目的应用。
该成果于9月22日发表在《ACM智能系统与技术》杂志上，并显示该算法可以推断球员的角色--例如，区分防守传球者和阻挡者--平均准确率接近85%，并且可以在多达44帧的序列中预测多个动作，平均准确率超过了80%。这些动作包括扣球、拦截、跑步、垫球、下蹲、站立、跌倒和跳跃。
机器学习是一种利用计算机在大规模数据集中检测模式，然后根据计算机从这些模式中学习到的内容进行预测的技术。这使得机器学习成为一种特定的、狭窄的人工智能类型。
Ferrari设想团队使用这些算法来更好地准备比赛，用对手的现有比赛录像来训练它们，并使用它们的预测能力来练习特定的战术和比赛场景。
Ferrari已经申请了一项专利，目前正与BigRed男子冰球队合作，进一步开发该软件。利用球队提供的比赛录像，Ferrari和她的研究生在FrankKim的带领下，正在设计算法，以自主识别球员、行动和比赛场景。该项目的一个目标是帮助注释游戏影片，如果由团队工作人员手动执行，这是一项繁琐的任务。
“我们的项目主要强调视频分析和数据技术，”康奈尔男子冰球队运营总监BenRussell说。“我们一直在寻找作为教练组的发展方式，以便更好地服务我们的球员。”迄今为止，Ferrari教授和她的学生所进行的研究给我留下了非常深刻的印象。我相信这个项目有可能极大地影响球队研究和准备比赛的方式。"
Ferrari说，除了体育之外，预测人类行动的能力对未来的人机互动有着巨大的潜力。她说，改进后的软件可以帮助自动驾驶汽车做出更好的决定，使机器人和人类在仓库中更紧密地联系在一起，甚至可以通过加强计算机的人工智能使视频游戏变得更有趣。
“人类并不像现在的机器学习算法那样不可预测，”Ferrari说，她也是负责跨校区工程研究的副院长，“因为如果你真正考虑到所有的内容，所有的背景线索，并且你观察一群人，你可以在预测他们要做什么方面做得更好。”
（举报）