今天，樂知網(wǎng)律師 給大家分享： 確定標(biāo)準(zhǔn)必要專利許可費(fèi)率的方法講解，歐洲鋼企碳減排的新動(dòng)向介紹 。

確定標(biāo)準(zhǔn)必要專利許可費(fèi)率的方法講解

自上而下法被認(rèn)為是法院通常確定標(biāo)準(zhǔn)必要專利許可費(fèi)率的一種方法，其將每項(xiàng)專利視為具有相同的價(jià)值，然后使用一些數(shù)據(jù)自上而下地進(jìn)行計(jì)算。

將權(quán)利人擁有的有效標(biāo)準(zhǔn)必要專利數(shù)量作為分子，將該標(biāo)準(zhǔn)的所有標(biāo)準(zhǔn)必要專利作為分母，并考慮權(quán)利人的專利組合在一些國家比其他國家弱的情況，采用專利地區(qū)強(qiáng)度指數(shù)作為一個(gè)變量進(jìn)行修正。

一、計(jì)算公式 修正后的計(jì)算公式為：權(quán)利人的許可費(fèi)率=總許可費(fèi)率×（權(quán)利人擁有的有效標(biāo)準(zhǔn)必要專利數(shù)÷該標(biāo)準(zhǔn)的標(biāo)準(zhǔn)必要專利總數(shù)）×專利地區(qū)強(qiáng)度指數(shù)。

其中：

1。總許可費(fèi)率要考慮權(quán)利人采用的標(biāo)準(zhǔn)和先前的聲明而確定的，例如包含2G、3G和4G，以及每一類所包含的比例，例如2G為a%，3G為b%，4G為c%。

2。標(biāo)準(zhǔn)必要專利總數(shù)的確定可以采用截至一定時(shí)間范圍內(nèi)的ETSI數(shù)據(jù)庫中記錄的所有知識(shí)產(chǎn)權(quán)聲明。

3。權(quán)利人擁有的標(biāo)準(zhǔn)必要專利數(shù)可以為，例如，針對(duì)2G標(biāo)準(zhǔn)權(quán)利人為A個(gè)，針對(duì)3G標(biāo)準(zhǔn)權(quán)利人為B個(gè)，針對(duì)4G標(biāo)準(zhǔn)權(quán)利人為C個(gè)。

4。針對(duì)地區(qū)強(qiáng)度系數(shù)，如果權(quán)利人在訴訟國的標(biāo)準(zhǔn)必要專利具有優(yōu)勢(shì)，這就決定了被控侵權(quán)人在全球銷售的任何產(chǎn)品有最低許可費(fèi)率，因此，地區(qū)強(qiáng)度系數(shù)可以通過與權(quán)利人在重要非侵權(quán)國的標(biāo)準(zhǔn)必要專利的價(jià)值份額相比計(jì)算得到。

二、總許可費(fèi)率的可信度 應(yīng)用自上而下法來計(jì)算專利許可費(fèi)率有一些優(yōu)點(diǎn)，它主要表現(xiàn)在以下五點(diǎn)：

1。它依賴于權(quán)利人和標(biāo)準(zhǔn)必要專利權(quán)人在風(fēng)險(xiǎn)較低時(shí)促使采用該標(biāo)準(zhǔn)的聲明。

2。這些聲明是在標(biāo)準(zhǔn)被采納之前作出的，標(biāo)準(zhǔn)必要專利權(quán)人有動(dòng)機(jī)降低許可費(fèi)堆疊的風(fēng)險(xiǎn)。

3。權(quán)利人既是專利權(quán)人，又是被許可人，因此其有動(dòng)機(jī)保持許可費(fèi)率的公平、合理。

4。權(quán)利人支持自上而下的計(jì)算方法。

5。它至少提供了FRAND許可費(fèi)率的上限。

三、專利地區(qū)強(qiáng)度系數(shù) 符合FRAND原則的許可費(fèi)率必須與標(biāo)準(zhǔn)必要專利組合的強(qiáng)度在地理上成比例關(guān)聯(lián)。

如果簡單地采用全球?qū)＠M(fèi)率，那么標(biāo)準(zhǔn)必要專利權(quán)人會(huì)從許多地區(qū)中收取到超額的許可費(fèi)，因?yàn)閷＠麢?quán)人并未在這些地區(qū)進(jìn)行專利布局。

然而，在制造產(chǎn)品的地方所有者在產(chǎn)品生產(chǎn)國家的專利組合強(qiáng)度為許可費(fèi)率設(shè)定了下限。

由于被控侵權(quán)人的產(chǎn)品可能在某個(gè)國生產(chǎn)，因此權(quán)利人在某國的標(biāo)準(zhǔn)必要專利組合的強(qiáng)度將決定被控侵權(quán)人全球銷售的產(chǎn)品的最低許可費(fèi)率。

由于權(quán)利人在例如美國的專利組合的強(qiáng)度明顯比世界其他國家地區(qū)的強(qiáng)度更強(qiáng)，如果用全球統(tǒng)一許可費(fèi)率，那么被控侵權(quán)人會(huì)為全球銷售的產(chǎn)品支付更高的許可費(fèi)來補(bǔ)貼其在例如美國的銷售。

歐洲鋼企碳減排的新動(dòng)向介紹

自我國2022年在聯(lián)合國大會(huì)上明確提出二氧化碳排放的“30·60”目標(biāo)后，碳中和被列為我國2022年全年重點(diǎn)任務(wù)之一。

在相關(guān)二氧化碳排放的行業(yè)中，目前，中國鋼鐵行業(yè)碳排放量約占中國碳排放總量的15%，是碳排放量最高的制造行業(yè)。

鋼鐵行業(yè)的碳減排也成為實(shí)現(xiàn)我國碳中和目標(biāo)的重點(diǎn)領(lǐng)域之一。

通過調(diào)研發(fā)現(xiàn)，在鋼鐵碳減排方面，歐洲企業(yè)的相關(guān)探索起步較早。

因此，本文從歐洲鋼企的碳減排實(shí)踐出發(fā)，梳理歐洲鋼鐵行業(yè)的碳減排新動(dòng)向，以供感興趣的企業(yè)參考。

1、高爐煉鋼已達(dá)理論極限煉鋼新技術(shù)將成為碳減排發(fā)展重點(diǎn) 根據(jù)德國冶金技術(shù)協(xié)會(huì)鋼鐵研究所的報(bào)告（European steel-The wind of change），歐盟主要的鋼鐵生產(chǎn)路線為高爐/堿性氧氣爐(BF/BOF)路線[1]和電弧爐(EAF)路線[2]。

為了提高資源效率，歐盟鋼企主要通過技術(shù)開發(fā)來針對(duì)每個(gè)過程、流程鏈以及產(chǎn)品做優(yōu)化和創(chuàng)新。

例如，在鋼鐵生產(chǎn)過程通過工藝的優(yōu)化和回收使用廢鋼來節(jié)約資源；將礦渣用作建筑材料和水泥；在應(yīng)用領(lǐng)域，優(yōu)化鋼/新鋼種以進(jìn)一步減少排放等。

但是，隨著技術(shù)的進(jìn)步，當(dāng)前高爐煉鋼的流程已經(jīng)達(dá)到了熱力學(xué)極限，其二氧化碳產(chǎn)生量已降到技術(shù)最小值。

鑒于上述原因，鋼鐵行業(yè)能源效率的進(jìn)一步提高和碳減排將依賴煉鋼新技術(shù)的發(fā)展。

2、兩大減排技術(shù)路線各有特點(diǎn)鋼企實(shí)踐效果有待跟進(jìn) 目前，歐洲主要鋼企正在研發(fā)或已達(dá)到商業(yè)成熟級(jí)別的主要技術(shù)可分為兩個(gè)主要的技術(shù)路線，即“智能碳使用”和“碳直接避免”。

雖然歐洲鋼鐵業(yè)普遍認(rèn)為這兩條技術(shù)路線均可最終實(shí)現(xiàn)碳中和目標(biāo)，但其發(fā)展和實(shí)踐效果仍有待觀察。

具體來說，碳直接避免的碳減排效率雖明顯高于智能碳使用，但考慮其成本問題，碳直接避免路線短期內(nèi)很難完全達(dá)到商業(yè)化運(yùn)營條件。

部分歐洲鋼企的煉鋼新技術(shù)如下：

HYBRIT為瑞典的“突破性氫能煉鐵技術(shù)”技術(shù)攻關(guān)項(xiàng)目(HYdrogen Breakthrough Iron making Technology)，其基本思路為：在高爐生產(chǎn)過程中用氫氣取代傳統(tǒng)工藝的煤和焦炭（氫氣由清潔能源發(fā)電產(chǎn)生的電力電解水產(chǎn)生），氫氣在較低的溫度下對(duì)球團(tuán)礦進(jìn)行直接還原，產(chǎn)生海綿鐵（直接還原鐵），并從爐頂排出水蒸氣和多余的氫氣，水蒸氣在冷凝和洗滌后實(shí)現(xiàn)循環(huán)使用 HYBRIT項(xiàng)目采用的氫冶金工藝成本比傳統(tǒng)高爐冶煉工藝高20%~30%。

SSAB采用長流程工藝的噸鋼二氧化碳排放量為1600公斤（歐洲其他國家的水平約為2000~2100公斤），電力消耗為5385千瓦時(shí)；采用HYBRIT工藝的噸鋼二氧化碳排放量僅為25公斤，電力消耗為4051千瓦時(shí) 塔塔鋼鐵 Hlsarna 由一個(gè)從頂部加入鐵礦石的反應(yīng)爐組成。

鐵礦石在高溫氣旋環(huán)境中熔化并滴落入反應(yīng)爐底部，在反應(yīng)爐底部吹入煤粉，從而減少傳統(tǒng)煉鋼工藝中所需要的耗能步驟 試驗(yàn)生產(chǎn)中證實(shí)，Hlsarna可以降低50%以上的CO2排放 奧鋼聯(lián) H2FUTURE 在基礎(chǔ)煉鋼中使用氫代替碳，需要使用綠氫（鑒于投入綠氫可行性不高，可考慮使用天然氣作為折中方案） 安賽樂米塔爾 智能碳和直接還原鐵（DRI）技術(shù) 智能碳：應(yīng)用在傳統(tǒng)的高爐-轉(zhuǎn)爐（BF-BOF）工藝中，結(jié)合使用生物能源、CCS、氫能等技術(shù)實(shí)現(xiàn)全過程零排放； 直接還原鐵（DRI）：非高爐煉鐵工藝，該技術(shù)路線的最終形態(tài)是基于氫氣的直接還原鐵-電弧爐工藝（Hydrogen-based DRI-EAF），在初期將采用基于天然氣的直接還原鐵-電弧爐工藝（Natural gas-based DRI-EAF），兩種技術(shù)的過渡仍取決于氫能技術(shù)的進(jìn)展 蒂森克虜伯 Carbon2Chem碳捕捉技術(shù) 通過使用氫氣避免二氧化碳（直接避免碳），并將二氧化碳轉(zhuǎn)化為有價(jià)值的化學(xué)物質(zhì)（碳捕獲和利用） 此外，歐盟正在推進(jìn)的相關(guān)項(xiàng)目還包括IGAR項(xiàng)目（使用等離子炬和反應(yīng)器加熱和重整鋼鐵廠內(nèi)部產(chǎn)生的氣體，旨在減少煤/焦炭的消耗）、SIDERWIN項(xiàng)目（基于完全電力化的鋼鐵生產(chǎn)路線，用電直接替代碳以減少鐵礦石）等。

3、新興技術(shù)尚待發(fā)展氫基冶金和碳捕集利用/封存仍需突破 成本相對(duì)較高是阻礙碳捕集利用/封存技術(shù)發(fā)展的主要原因之一。

碳捕集利用與封存（carboncapture，utilization and storage，CCUS）是將二氧化碳從排放源中分離后或直接加以利用或封存，以實(shí)現(xiàn)二氧化碳減排的技術(shù)過程。

雖然CCUS具有較高的減排潛力，但其發(fā)展仍然較為緩慢。

這主要是因?yàn)椋?dāng)前技術(shù)條件下項(xiàng)目運(yùn)營成本高昂。

神經(jīng)網(wǎng)絡(luò)模型專利權(quán)利要求如何布局？

近期遇到很多與神經(jīng)網(wǎng)絡(luò)模型相關(guān)的申請(qǐng)，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型簡直 “無所不能”，在交底書中見的最多的就是通過神經(jīng)網(wǎng)絡(luò)模型確定，現(xiàn)有技術(shù)中沒有通過神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)的。

對(duì)于這種情況，暫且認(rèn)為具備新穎性，那么創(chuàng)造性當(dāng)如何？作為代理師，自然希望撰寫的每一個(gè)新申請(qǐng)都可以奔著授權(quán)而去（美好的愿景），那么關(guān)于神經(jīng)網(wǎng)絡(luò)模型的權(quán)利要求，應(yīng)該怎么布局呢？什么是神經(jīng)網(wǎng)絡(luò)模型？ 生物的神經(jīng)網(wǎng)絡(luò)是通過神經(jīng)元、細(xì)胞、觸電等結(jié)構(gòu)組成的一個(gè)大型網(wǎng)絡(luò)結(jié)構(gòu)，用來幫助生物進(jìn)行思考和行動(dòng)等。

類似于神經(jīng)元的結(jié)構(gòu)，人工神經(jīng)網(wǎng)絡(luò)也是基于這樣的神經(jīng)元組成。

通過較深的多個(gè)層次來模擬真實(shí)情況，從而構(gòu)造出最能表達(dá)真實(shí)世界的模型，它的成本就是海量的訓(xùn)練數(shù)據(jù)和巨大的計(jì)算量。

神經(jīng)網(wǎng)絡(luò)模型是以神經(jīng)元的數(shù)學(xué)模型為基礎(chǔ)來描述的，從神經(jīng)網(wǎng)絡(luò)的定義來看，可以將神經(jīng)網(wǎng)絡(luò)模型理解為擁有復(fù)雜的腦回路、學(xué)習(xí)能力超強(qiáng)的“黑盒子”。

假設(shè)將“黑盒子”類比為一個(gè)特殊的榨汁機(jī)，輸入足夠數(shù)量的“西瓜”，對(duì)榨汁機(jī)進(jìn)行訓(xùn)練，便可得到訓(xùn)練好的榨汁機(jī)，訓(xùn)練好的榨汁機(jī)的內(nèi)部結(jié)構(gòu)是專門針對(duì)“西瓜”訓(xùn)練出來的，之后將“西瓜”輸入榨汁機(jī)便可得到西瓜汁。

與輸入足夠數(shù)量的“橙子”訓(xùn)練得到的榨汁機(jī)的內(nèi)部結(jié)構(gòu)是不同的，故不能直接使用“西瓜”的榨汁機(jī)制作橙汁。

神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用 第一種場(chǎng)景，神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到具體領(lǐng)域以解決相應(yīng)問題時(shí)，自己搭建新的神經(jīng)網(wǎng)絡(luò)模型。

搭建新的網(wǎng)絡(luò)，一般也是采用已有的網(wǎng)絡(luò)模型，即在已有的網(wǎng)絡(luò)模型基礎(chǔ)上進(jìn)行修改。

例如，現(xiàn)有神經(jīng)網(wǎng)絡(luò)模型為AlexNet，其結(jié)構(gòu)如圖2所示：

在現(xiàn)有AlexNet的基礎(chǔ)上，搭建了新的模型-ZFNet，其結(jié)構(gòu)如圖3所示：

第二種場(chǎng)景，神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到具體領(lǐng)域以解決相應(yīng)問題時(shí)，直接采用現(xiàn)有的神經(jīng)網(wǎng)絡(luò)模型。

直接將現(xiàn)有的神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到一個(gè)新的場(chǎng)景或領(lǐng)域，正是本文開頭提到的情況，暫且認(rèn)為具備新穎性，那么為了盡可能的提高創(chuàng)造性，在撰寫之前盡量引導(dǎo)發(fā)明人對(duì)現(xiàn)有神經(jīng)網(wǎng)絡(luò)模型的內(nèi)部結(jié)構(gòu)進(jìn)行微調(diào)，即不要完全采用現(xiàn)有神經(jīng)網(wǎng)絡(luò)模型的內(nèi)部結(jié)構(gòu)，具體可以調(diào)整現(xiàn)有神經(jīng)網(wǎng)絡(luò)模型中卷積層、全連接層等的數(shù)量，也可以調(diào)整每層參數(shù)的權(quán)重等，具體調(diào)整方式視具體情況而定。

權(quán)利要求的布局探索 對(duì)于上述第一種場(chǎng)景，在撰寫權(quán)利要求時(shí)，只需將神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用場(chǎng)景和結(jié)構(gòu)描述清楚，即按照正常撰寫套路即可，在此不做過多說明。

對(duì)于上述第二種場(chǎng)景，例如，對(duì)比文件1為將目標(biāo)圖像輸入到預(yù)先訓(xùn)練得到的預(yù)檢測(cè)器中，得到目標(biāo)圖像中存在交通標(biāo)志的置信度；將目標(biāo)圖像輸入到預(yù)先訓(xùn)練得到的分類器中，得到圖標(biāo)圖像對(duì)應(yīng)標(biāo)志類別的置信度；將存在交通標(biāo)志的置信度與對(duì)應(yīng)標(biāo)志類別的置信度進(jìn)行融合得到交通標(biāo)志的識(shí)別結(jié)果。

本方案為基于神經(jīng)網(wǎng)絡(luò)模型，通過第一次識(shí)別是否包括目標(biāo)，第二次識(shí)別具體為什么類型的目標(biāo)，綜合兩次識(shí)別得到蘋果識(shí)別結(jié)果。

若獨(dú)權(quán)為：一種目標(biāo)識(shí)別處理方法，其特征在于，包括：

將目標(biāo)圖像輸入到預(yù)先訓(xùn)練好的第一目標(biāo)神經(jīng)網(wǎng)絡(luò)模型中，得到所述目標(biāo)圖像中包括目標(biāo)對(duì)象的第一置信度以及目標(biāo)位置信息； 根據(jù)所述目標(biāo)位置信息對(duì)所述目標(biāo)圖像進(jìn)行摳圖，得到所述目標(biāo)對(duì)象； 將所述目標(biāo)對(duì)象輸入到預(yù)先訓(xùn)練好的第二目標(biāo)神經(jīng)網(wǎng)絡(luò)模型中，得到所述目標(biāo)對(duì)象的目標(biāo)分類結(jié)果的第二置信度； 將第一置信度與第二置信度進(jìn)行融合得到蘋果識(shí)別結(jié)果。

（為了便于說明，此獨(dú)權(quán)延用了對(duì)比文件1的撰寫方式，每個(gè)人的撰寫習(xí)慣或方式不同，表述也會(huì)不同，僅供參考） 可以看出，獨(dú)權(quán)相對(duì)于對(duì)比文件1，現(xiàn)有是對(duì)交通標(biāo)志進(jìn)行識(shí)別，本方案是對(duì)蘋果進(jìn)行識(shí)別，還是比較相似的；不過本方案中還記載了通過第一目標(biāo)神經(jīng)網(wǎng)絡(luò)模型還輸出目標(biāo)位置信息，根據(jù)目標(biāo)位置信息對(duì)所述目標(biāo)圖像進(jìn)行摳圖，得到目標(biāo)對(duì)象，對(duì)比文件1中沒有公開。

不難想象，審查員應(yīng)該會(huì)說：對(duì)于本領(lǐng)域普通技術(shù)人員而言，上述區(qū)別技術(shù)特征為慣用技術(shù)手段，或者提供對(duì)比文件2，公開根據(jù)位置信息進(jìn)行摳圖，兩者的結(jié)合便能得到本方案。

雖然慣用技術(shù)手段可以進(jìn)行爭辯，但是很難得到認(rèn)可，即獨(dú)權(quán)具備創(chuàng)造性的可能性較小。

為了在答復(fù)階段，可以通過修改克服獨(dú)權(quán)的不具備創(chuàng)造性，在撰寫階段，對(duì)于從權(quán)，可從以下三個(gè)方面進(jìn)行布局：

第一方面，對(duì)獨(dú)權(quán)中的第一目標(biāo)神經(jīng)網(wǎng)絡(luò)模型與第二目標(biāo)神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)進(jìn)行進(jìn)一步限定。

例如，第一目標(biāo)神經(jīng)網(wǎng)絡(luò)模型包括：三個(gè)特征提取層和一個(gè)全連接層，第二個(gè)目標(biāo)神經(jīng)網(wǎng)絡(luò)模型雖采用現(xiàn)有AlexNet，但是對(duì)具體結(jié)構(gòu)進(jìn)行了微小調(diào)整，第二目標(biāo)神經(jīng)網(wǎng)絡(luò)模型包括：4個(gè)卷積層與2個(gè)全連接層。

首先，在從權(quán)中具體限定，所述將目標(biāo)圖像輸入到預(yù)先訓(xùn)練得到的第一目標(biāo)神經(jīng)網(wǎng)絡(luò)模型中，得到所述目標(biāo)圖像中包括目標(biāo)對(duì)象的第一置信度以及目標(biāo)位置信息包括：將所述目標(biāo)圖像輸入到所述第一目標(biāo)神經(jīng)網(wǎng)絡(luò)模型中的三個(gè)特征提取層，得到輸出的目標(biāo)圖像特征，將所述目標(biāo)圖像特征輸入到所述第一目標(biāo)神經(jīng)網(wǎng)絡(luò)模型的全連接層中，得到所述目標(biāo)圖像中包括所述目標(biāo)對(duì)象的第一置信度以及所述目標(biāo)位置信息。

在從權(quán)中具體限定，所述將目標(biāo)對(duì)象輸入到預(yù)先訓(xùn)練得到的第二目標(biāo)神經(jīng)網(wǎng)絡(luò)模型中，得到所述目標(biāo)對(duì)象的目標(biāo)分類結(jié)果的第二置信度包括：分別將所述目標(biāo)對(duì)象輸入到所述第二目標(biāo)神經(jīng)網(wǎng)絡(luò)模型中串聯(lián)的4個(gè)卷積層，得到所述4個(gè)卷積層輸出的圖像特征，將所述4個(gè)卷積層輸出的圖像特征輸入到2個(gè)全連接層中，得到所述目標(biāo)對(duì)象的目標(biāo)分類結(jié)果的第二置信度。

其次，還可以在從權(quán)中進(jìn)一步限定4個(gè)卷積層的連接關(guān)系，即第一卷積層、第二卷積層、第三卷積層、第四卷積層的連接關(guān)系，第一全連接層與得第二全連接層的連接關(guān)系，和/或第四卷積層與第一全連接層的連接關(guān)系。

另外，還可以在從權(quán)中具體限定，第一目標(biāo)神經(jīng)網(wǎng)絡(luò)模型和第二目標(biāo)神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程，訓(xùn)練過程需包括具體的結(jié)構(gòu)。

第二方面，由于本方案的目的是識(shí)別出是否有蘋果，本方案中第一階段為主識(shí)別，第二階段為輔助識(shí)別，第一階段通過神經(jīng)網(wǎng)絡(luò)模型識(shí)別，整圖輸入，輸出目標(biāo)的位置和置信度，精度高，僅存少量誤報(bào)；在第二階段輔助識(shí)別第一階段的誤報(bào)，具體限定第一置信度與第二置信度融合的權(quán)重，由于第一次識(shí)別應(yīng)該占主導(dǎo)地位，而第二次識(shí)別的目的僅僅是輔助確定第一次識(shí)別的結(jié)果，故第一置信度的權(quán)重大于第二置信度的權(quán)重，為了得到更準(zhǔn)確的識(shí)別結(jié)果，具體還可以設(shè)置對(duì)應(yīng)的取值范圍。

第三方面，為了進(jìn)一步體現(xiàn)目標(biāo)分類結(jié)果與對(duì)比文件1中的圖標(biāo)圖像對(duì)應(yīng)標(biāo)志類別的不同，還可以在從權(quán)中限定目標(biāo)分類結(jié)果包括變形的蘋果、被切掉部分的蘋果、被摳取部分的蘋果、腐爛的蘋果或其他，從而區(qū)別于對(duì)比文件1中識(shí)別具體什么類型的交通標(biāo)志。

當(dāng)然，即使具體限定了神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)，也不能確保具有創(chuàng)造性，僅僅是站在代理師的角度，為爭取具備創(chuàng)造性做出更多的努力。


更多關(guān)于 確定標(biāo)準(zhǔn)必要專利許可費(fèi)率的方法講解，歐洲鋼企碳減排的新動(dòng)向介紹 的資訊，可咨詢 樂知網(wǎng)。

(樂知網(wǎng)- 領(lǐng)先的一站式知識(shí)產(chǎn)權(quán)服務(wù)平臺(tái)，聚焦 專利申請(qǐng)，商標(biāo)注冊(cè) 業(yè)務(wù))。

關(guān)鍵詞： 申請(qǐng)專利 專利申請(qǐng) ?