人工智能算法或模型在计算机系统上运行时，如果算法与计算机系统的内部结构之间存在特定技术关联，实现了对计算机系统内部性能的改进，那么在专利创造性评判时，方案中的算法特征与技术特征将作为一个整体进行考虑。这一审查规则为涉及计算资源优化的AI专利申请提供了重要的创造性论证路径。

一、算法与硬件系统的技术关联

对计算机系统内部性能进行改进的情形，包括两个方面。一是在硬件层面调整系统的体系架构来支持或优化特定算法或模型的运行。例如，专门为神经网络计算设计的NPU芯片架构，通过硬件层面的矩阵运算加速单元来提升神经网络的推理速度，这种架构调整使算法与硬件之间存在紧密的关联关系。二是在算法层面，通过算法或模型的执行来优化计算机系统中硬件资源的调度。例如，通过改进内存分配算法来减少数据在CPU和GPU之间的传输次数，从而提高整体计算效率。

在这两种情形下，方案中的算法特征与技术特征将作为一个整体考虑。如果现有技术未给出技术启示，方案具备创造性的可能性较高。

二、FPGA上运行神经网络的典型场景

在嵌入式系统领域，FPGA因其低功耗、可编程的硬件特性，被广泛应用于部署卷积神经网络等深度学习模型。但FPGA的计算资源有限，特别是低比特位宽的FPGA平台，难以直接运行大规模的浮点神经网络模型。如何在不显著降低模型精度的前提下，将神经网络压缩到适合在FPGA上运行的规模，是一个具有挑战性的技术问题。

一种解决方案是通过神经网络定点化来降低资源使用量。其核心思路是：在训练阶段采用高比特定点量化保证模型的精度，在部署阶段通过低比特位宽对模型进行微调，使其能够在低比特位宽的FPGA平台上高效运行。这种方法既利用了高比特量化训练获取的模型参数优势，又通过在FPGA上进行低比特微调来适配硬件的资源限制。

三、创造性论证的审查逻辑

在审查实践中，审查员会将该方案与最接近的现有技术进行对比。以卷积神经网络的FPGA部署为例，最接近的现有技术公开了一种基于动态定点参数的定点训练方法，在训练过程中使用定点方式进行前向计算，最终使网络精度达到浮点计算的水平。

本案与最接近的现有技术的区别在于，在使用高比特定点量化对神经网络进行训练后，通过FPGA的低比特位宽对网络进行微调。基于这一区别特征，本申请解决了将多层级大数据量的卷积神经网络用于小型FPGA嵌入式系统时，受限于计算资源导致的精度降低问题，降低了神经网络在FPGA平台上训练的资源使用量，获得了在小型FPGA嵌入式系统上实现媲美浮点网络的计算精度的技术效果。

将算法特征和FPGA的低比特位宽等技术特征作为一个整体考虑，现有技术中并不存在技术启示，因此该方案具备创造性。

对于AI领域的专利申请人和专利代理师而言，在撰写涉及算法与硬件协同优化的专利申请时，应当着重在说明书中阐述以下内容：算法与硬件系统之间的特定技术关联关系，包括算法的运行如何依赖硬件的特定架构、硬件资源如何被算法动态调度；改进算法带来的硬件性能提升效果，尽量以量化数据的形式呈现；在审查意见答复时，应当强调算法特征与硬件特征之间的协同效果，主张将两者作为一个整体进行创造性评价，而非孤立地看待算法改进或硬件改进。

四、论证策略的整理

论证要素一：明确技术关联。说明算法特征与硬件系统的内部结构之间存在怎样的特定技术关联，二者在功能上如何相互支持。

论证要素二：界定区别特征。将本方案与最接近的现有技术进行对比，准确界定区别技术特征——通常是算法特征与硬件特征之间的结合点。

论证要素三：论证技术效果。说明基于该区别特征，方案实现了怎样的计算机系统内部性能改进效果，例如资源消耗降低、运行速度提升、精度提升等。

论证要素四：整体评价创造性。主张将算法特征与技术特征作为一个整体进行考量，论证现有技术不存在将二者结合的技术启示。

综上所述，当AI算法与计算机系统的内部结构存在特定技术关联时，算法特征与技术特征应作为一个整体进行创造性评价。这一审查规则为涉及计算资源优化的AI专利申请提供了重要的创造性论证路径，申请人应当充分利用这一规则，在说明书中清晰阐述算法与硬件之间的技术关联关系，并在审查意见答复中进行有针对性的论述。