1.2  人工智能算法或模型应用于不同功能或领域场景时应 考虑的因素

如果申请方案中记载的人工智能算法或模型属于现有技术， 方案的改进在于将其从现有的技术领域应用到本申请的技术领 域，则创造性考量时应当综合考虑算法或模型应用的技术领域的 远近、是否存在相应的技术启示、应用于不同领域场景的难易程 度、是否需要克服技术上的困难、是否带来预料不到的技术效果 等方面。

进一步，若算法或模型应用于不同领域场景，并未通过克服 技术上的困难实现对算法或模型的训练方法、参数、配置等要素 的调整，也未获得预料不到的技术效果，则不能使方案具备创造 性。

例如，某申请涉及一种船只数量统计方法，基于船只图像数    据通过深度学习训练出实时检测的数据模型，对检测出的船只数    量进行求和，解决实时反馈当前海域内船只数量的技术问题。最    接近的现有技术公开了一种树上果实数量的统计方法，并公开了    该申请的深度学习模型训练和数量统计步骤，区别在于识别对象    的不同 ，属于不同的应用场景 。船只和果实虽然在外观、体积、  存在环境等方面均存在差异，然而对于本领域技术人员而言，两    者所采用的手段均是对获得的图片信息进行对象识别、模型训练， 进而完成数量统计，在针对图片进行识别时 ，同样考虑了识别对    象的位置和边界。如果对图片中的船只进行识别和训练与对图片    中的果实进行识别和训练，没有使其在深度学习、模型训练过程、  图片识别中的处理方式发生改变，能够获得的技术效果都是使统    计结果更加准确，那么训练数据不同仅代表数据含义不同，数据    含义的不同对算法的改进或实现并未产生约束、影响或限制，应    用场景的不同也未对算法模型的设计产生不同的约束、影响或限    制。因此，将现有技术的果实统计方法应用到该方案的船只统计 ， 其效果在现有技术的基础上是可预期的，没有产生预料不到的技    术效果 ，该方案不具备创造性。