确定标准必要专利许可费率的方法讲解，欧洲钢企碳减排的新动向介绍

今天，乐知网律师 给大家分享： 确定标准必要专利许可费率的方法讲解，欧洲钢企碳减排的新动向介绍 。

确定标准必要专利许可费率的方法讲解

自上而下法被认为是法院通常确定标准必要专利许可费率的一种方法，其将每项专利视为具有相同的价值，然后使用一些数据自上而下地进行计算。

将权利人拥有的有效标准必要专利数量作为分子，将该标准的所有标准必要专利作为分母，并考虑权利人的专利组合在一些国家比其他国家弱的情况，采用专利地区强度指数作为一个变量进行修正。

一、计算公式 修正后的计算公式为：权利人的许可费率=总许可费率×（权利人拥有的有效标准必要专利数÷该标准的标准必要专利总数）×专利地区强度指数。

其中：

1。总许可费率要考虑权利人采用的标准和先前的声明而确定的，例如包含2G、3G和4G，以及每一类所包含的比例，例如2G为a%，3G为b%，4G为c%。

2。标准必要专利总数的确定可以采用截至一定时间范围内的ETSI数据库中记录的所有知识产权声明。

3。权利人拥有的标准必要专利数可以为，例如，针对2G标准权利人为A个，针对3G标准权利人为B个，针对4G标准权利人为C个。

4。针对地区强度系数，如果权利人在诉讼国的标准必要专利具有优势，这就决定了被控侵权人在全球销售的任何产品有最低许可费率，因此，地区强度系数可以通过与权利人在重要非侵权国的标准必要专利的价值份额相比计算得到。

二、总许可费率的可信度 应用自上而下法来计算专利许可费率有一些优点，它主要表现在以下五点：

1。它依赖于权利人和标准必要专利权人在风险较低时促使采用该标准的声明。

2。这些声明是在标准被采纳之前作出的，标准必要专利权人有动机降低许可费堆叠的风险。

3。权利人既是专利权人，又是被许可人，因此其有动机保持许可费率的公平、合理。

4。权利人支持自上而下的计算方法。

5。它至少提供了FRAND许可费率的上限。

三、专利地区强度系数 符合FRAND原则的许可费率必须与标准必要专利组合的强度在地理上成比例关联。

如果简单地采用全球专利费率，那么标准必要专利权人会从许多地区中收取到超额的许可费，因为专利权人并未在这些地区进行专利布局。

然而，在制造产品的地方所有者在产品生产国家的专利组合强度为许可费率设定了下限。

由于被控侵权人的产品可能在某个国生产，因此权利人在某国的标准必要专利组合的强度将决定被控侵权人全球销售的产品的最低许可费率。

由于权利人在例如美国的专利组合的强度明显比世界其他国家地区的强度更强，如果用全球统一许可费率，那么被控侵权人会为全球销售的产品支付更高的许可费来补贴其在例如美国的销售。

欧洲钢企碳减排的新动向介绍

自我国2022年在联合国大会上明确提出二氧化碳排放的“30·60”目标后，碳中和被列为我国2022年全年重点任务之一。

在相关二氧化碳排放的行业中，目前，中国钢铁行业碳排放量约占中国碳排放总量的15%，是碳排放量最高的制造行业。

钢铁行业的碳减排也成为实现我国碳中和目标的重点领域之一。

通过调研发现，在钢铁碳减排方面，欧洲企业的相关探索起步较早。

因此，本文从欧洲钢企的碳减排实践出发，梳理欧洲钢铁行业的碳减排新动向，以供感兴趣的企业参考。

1、高炉炼钢已达理论极限炼钢新技术将成为碳减排发展重点 根据德国冶金技术协会钢铁研究所的报告（European steel-The wind of change），欧盟主要的钢铁生产路线为高炉/碱性氧气炉(BF/BOF)路线[1]和电弧炉(EAF)路线[2]。

为了提高资源效率，欧盟钢企主要通过技术开发来针对每个过程、流程链以及产品做优化和创新。

例如，在钢铁生产过程通过工艺的优化和回收使用废钢来节约资源；将矿渣用作建筑材料和水泥；在应用领域，优化钢/新钢种以进一步减少排放等。

但是，随着技术的进步，当前高炉炼钢的流程已经达到了热力学极限，其二氧化碳产生量已降到技术最小值。

鉴于上述原因，钢铁行业能源效率的进一步提高和碳减排将依赖炼钢新技术的发展。

2、两大减排技术路线各有特点钢企实践效果有待跟进 目前，欧洲主要钢企正在研发或已达到商业成熟级别的主要技术可分为两个主要的技术路线，即“智能碳使用”和“碳直接避免”。

虽然欧洲钢铁业普遍认为这两条技术路线均可最终实现碳中和目标，但其发展和实践效果仍有待观察。

具体来说，碳直接避免的碳减排效率虽明显高于智能碳使用，但考虑其成本问题，碳直接避免路线短期内很难完全达到商业化运营条件。

部分欧洲钢企的炼钢新技术如下：

HYBRIT为瑞典的“突破性氢能炼铁技术”技术攻关项目(HYdrogen Breakthrough Iron making Technology)，其基本思路为：在高炉生产过程中用氢气取代传统工艺的煤和焦炭（氢气由清洁能源发电产生的电力电解水产生），氢气在较低的温度下对球团矿进行直接还原，产生海绵铁（直接还原铁），并从炉顶排出水蒸气和多余的氢气，水蒸气在冷凝和洗涤后实现循环使用 HYBRIT项目采用的氢冶金工艺成本比传统高炉冶炼工艺高20%~30%。

SSAB采用长流程工艺的吨钢二氧化碳排放量为1600公斤（欧洲其他国家的水平约为2000~2100公斤），电力消耗为5385千瓦时；采用HYBRIT工艺的吨钢二氧化碳排放量仅为25公斤，电力消耗为4051千瓦时 塔塔钢铁 Hlsarna 由一个从顶部加入铁矿石的反应炉组成。

铁矿石在高温气旋环境中熔化并滴落入反应炉底部，在反应炉底部吹入煤粉，从而减少传统炼钢工艺中所需要的耗能步骤 试验生产中证实，Hlsarna可以降低50%以上的CO2排放 奥钢联 H2FUTURE 在基础炼钢中使用氢代替碳，需要使用绿氢（鉴于投入绿氢可行性不高，可考虑使用天然气作为折中方案） 安赛乐米塔尔 智能碳和直接还原铁（DRI）技术 智能碳：应用在传统的高炉-转炉（BF-BOF）工艺中，结合使用生物能源、CCS、氢能等技术实现全过程零排放； 直接还原铁（DRI）：非高炉炼铁工艺，该技术路线的最终形态是基于氢气的直接还原铁-电弧炉工艺（Hydrogen-based DRI-EAF），在初期将采用基于天然气的直接还原铁-电弧炉工艺（Natural gas-based DRI-EAF），两种技术的过渡仍取决于氢能技术的进展 蒂森克虏伯 Carbon2Chem碳捕捉技术 通过使用氢气避免二氧化碳（直接避免碳），并将二氧化碳转化为有价值的化学物质（碳捕获和利用） 此外，欧盟正在推进的相关项目还包括IGAR项目（使用等离子炬和反应器加热和重整钢铁厂内部产生的气体，旨在减少煤/焦炭的消耗）、SIDERWIN项目（基于完全电力化的钢铁生产路线，用电直接替代碳以减少铁矿石）等。

3、新兴技术尚待发展氢基冶金和碳捕集利用/封存仍需突破 成本相对较高是阻碍碳捕集利用/封存技术发展的主要原因之一。

碳捕集利用与封存（carboncapture，utilization and storage，CCUS）是将二氧化碳从排放源中分离后或直接加以利用或封存，以实现二氧化碳减排的技术过程。

虽然CCUS具有较高的减排潜力，但其发展仍然较为缓慢。

这主要是因为，当前技术条件下项目运营成本高昂。

神经网络模型专利权利要求如何布局？

近期遇到很多与神经网络模型相关的申请，发现神经网络模型简直 “无所不能”，在交底书中见的最多的就是通过神经网络模型确定，现有技术中没有通过神经网络模型实现的。

对于这种情况，暂且认为具备新颖性，那么创造性当如何？作为代理师，自然希望撰写的每一个新申请都可以奔着授权而去（美好的愿景），那么关于神经网络模型的权利要求，应该怎么布局呢？什么是神经网络模型？ 生物的神经网络是通过神经元、细胞、触电等结构组成的一个大型网络结构，用来帮助生物进行思考和行动等。

类似于神经元的结构，人工神经网络也是基于这样的神经元组成。

通过较深的多个层次来模拟真实情况，从而构造出最能表达真实世界的模型，它的成本就是海量的训练数据和巨大的计算量。

神经网络模型是以神经元的数学模型为基础来描述的，从神经网络的定义来看，可以将神经网络模型理解为拥有复杂的脑回路、学习能力超强的“黑盒子”。

假设将“黑盒子”类比为一个特殊的榨汁机，输入足够数量的“西瓜”，对榨汁机进行训练，便可得到训练好的榨汁机，训练好的榨汁机的内部结构是专门针对“西瓜”训练出来的，之后将“西瓜”输入榨汁机便可得到西瓜汁。

与输入足够数量的“橙子”训练得到的榨汁机的内部结构是不同的，故不能直接使用“西瓜”的榨汁机制作橙汁。

神经网络模型的应用 第一种场景，神经网络模型应用到具体领域以解决相应问题时，自己搭建新的神经网络模型。

搭建新的网络，一般也是采用已有的网络模型，即在已有的网络模型基础上进行修改。

例如，现有神经网络模型为AlexNet，其结构如图2所示：

在现有AlexNet的基础上，搭建了新的模型-ZFNet，其结构如图3所示：

第二种场景，神经网络模型应用到具体领域以解决相应问题时，直接采用现有的神经网络模型。

直接将现有的神经网络模型应用到一个新的场景或领域，正是本文开头提到的情况，暂且认为具备新颖性，那么为了尽可能的提高创造性，在撰写之前尽量引导发明人对现有神经网络模型的内部结构进行微调，即不要完全采用现有神经网络模型的内部结构，具体可以调整现有神经网络模型中卷积层、全连接层等的数量，也可以调整每层参数的权重等，具体调整方式视具体情况而定。

权利要求的布局探索 对于上述第一种场景，在撰写权利要求时，只需将神经网络模型的应用场景和结构描述清楚，即按照正常撰写套路即可，在此不做过多说明。

对于上述第二种场景，例如，对比文件1为将目标图像输入到预先训练得到的预检测器中，得到目标图像中存在交通标志的置信度；将目标图像输入到预先训练得到的分类器中，得到图标图像对应标志类别的置信度；将存在交通标志的置信度与对应标志类别的置信度进行融合得到交通标志的识别结果。

本方案为基于神经网络模型，通过第一次识别是否包括目标，第二次识别具体为什么类型的目标，综合两次识别得到苹果识别结果。

若独权为：一种目标识别处理方法，其特征在于，包括：

将目标图像输入到预先训练好的第一目标神经网络模型中，得到所述目标图像中包括目标对象的第一置信度以及目标位置信息； 根据所述目标位置信息对所述目标图像进行抠图，得到所述目标对象； 将所述目标对象输入到预先训练好的第二目标神经网络模型中，得到所述目标对象的目标分类结果的第二置信度； 将第一置信度与第二置信度进行融合得到苹果识别结果。

（为了便于说明，此独权延用了对比文件1的撰写方式，每个人的撰写习惯或方式不同，表述也会不同，仅供参考） 可以看出，独权相对于对比文件1，现有是对交通标志进行识别，本方案是对苹果进行识别，还是比较相似的；不过本方案中还记载了通过第一目标神经网络模型还输出目标位置信息，根据目标位置信息对所述目标图像进行抠图，得到目标对象，对比文件1中没有公开。

不难想象，审查员应该会说：对于本领域普通技术人员而言，上述区别技术特征为惯用技术手段，或者提供对比文件2，公开根据位置信息进行抠图，两者的结合便能得到本方案。

虽然惯用技术手段可以进行争辩，但是很难得到认可，即独权具备创造性的可能性较小。

为了在答复阶段，可以通过修改克服独权的不具备创造性，在撰写阶段，对于从权，可从以下三个方面进行布局：

第一方面，对独权中的第一目标神经网络模型与第二目标神经网络模型的结构进行进一步限定。

例如，第一目标神经网络模型包括：三个特征提取层和一个全连接层，第二个目标神经网络模型虽采用现有AlexNet，但是对具体结构进行了微小调整，第二目标神经网络模型包括：4个卷积层与2个全连接层。

首先，在从权中具体限定，所述将目标图像输入到预先训练得到的第一目标神经网络模型中，得到所述目标图像中包括目标对象的第一置信度以及目标位置信息包括：将所述目标图像输入到所述第一目标神经网络模型中的三个特征提取层，得到输出的目标图像特征，将所述目标图像特征输入到所述第一目标神经网络模型的全连接层中，得到所述目标图像中包括所述目标对象的第一置信度以及所述目标位置信息。

在从权中具体限定，所述将目标对象输入到预先训练得到的第二目标神经网络模型中，得到所述目标对象的目标分类结果的第二置信度包括：分别将所述目标对象输入到所述第二目标神经网络模型中串联的4个卷积层，得到所述4个卷积层输出的图像特征，将所述4个卷积层输出的图像特征输入到2个全连接层中，得到所述目标对象的目标分类结果的第二置信度。

其次，还可以在从权中进一步限定4个卷积层的连接关系，即第一卷积层、第二卷积层、第三卷积层、第四卷积层的连接关系，第一全连接层与得第二全连接层的连接关系，和/或第四卷积层与第一全连接层的连接关系。

另外，还可以在从权中具体限定，第一目标神经网络模型和第二目标神经网络模型的训练过程，训练过程需包括具体的结构。

第二方面，由于本方案的目的是识别出是否有苹果，本方案中第一阶段为主识别，第二阶段为辅助识别，第一阶段通过神经网络模型识别，整图输入，输出目标的位置和置信度，精度高，仅存少量误报；在第二阶段辅助识别第一阶段的误报，具体限定第一置信度与第二置信度融合的权重，由于第一次识别应该占主导地位，而第二次识别的目的仅仅是辅助确定第一次识别的结果，故第一置信度的权重大于第二置信度的权重，为了得到更准确的识别结果，具体还可以设置对应的取值范围。

第三方面，为了进一步体现目标分类结果与对比文件1中的图标图像对应标志类别的不同，还可以在从权中限定目标分类结果包括变形的苹果、被切掉部分的苹果、被抠取部分的苹果、腐烂的苹果或其他，从而区别于对比文件1中识别具体什么类型的交通标志。

当然，即使具体限定了神经网络模型的结构，也不能确保具有创造性，仅仅是站在代理师的角度，为争取具备创造性做出更多的努力。


更多关于 确定标准必要专利许可费率的方法讲解，欧洲钢企碳减排的新动向介绍 的资讯，可咨询 乐知网。

(乐知网- 领先的一站式知识产权服务平台，聚焦 专利申请，商标注册 业务)。

关键词： 申请专利 专利申请