專利適格性與AI技術：抽象概念的挑戰與突破
2024-11-29
專利申請
專利適格性與AI技術：抽象概念的挑戰與突破
專利申請
人工智慧（AI）技術的迅猛發展，帶來了許多創新機會，但同時也挑戰了專利法的傳統框架。美國專利法第101條要求專利申請的客體必須適格，而涉及AI的技術常常因被認定為「抽象概念」或「沒有整合到實際應用」而遭到拒絕。這些拒絕背後的原因不僅反映了專利法對抽象性問題的嚴格要求，也揭示了申請人在撰寫AI專利時的常見難點。本篇文章將探討AI技術專利不符合適格性的主要問題，分析由美國專利局（USPTO）提供的指導文件中範例47、48和49的案例，說明如何提升AI專利申請成功率。
美國專利法第101條的適格性要求
美國專利法第101條適格性的規定，專利申請必須屬於法定的客體類別，包括機器、方法、製造或組合物。同時，申請不得落入司法排除的例外情況，例如抽象概念、自然法則或自然現象。針對AI技術的專利，這些例外情況往往成為審查過程中的關鍵問題。
根據美國專利商標局（USPTO）的指導文件，101條的適格性判斷包括以下步驟：
Step 1：申請是否屬於專利客體類別？（機器、方法、製造或組合物）
Step 2A-1 (Prong One)：申請是否涉及司法排除的例外情況（數學概念、人類活動的方法、心智過程）？
Step 2A-2 (Prong Two)：申請是否將抽象概念整合到實際應用中，並展示具體的技術改進？
Step 2B：申請是否包含「顯著更多」的技術內容，超越單純的抽象概念或例行活動？
這些步驟提供了一個較為具體的判斷框架，但對於AI技術的專利，申請人在撰寫時仍需特別關注如何避免被解讀為單純的「數學公式」或「心智過程」的抽象概念，然而一旦被解讀成上述的態樣，是否還有機會通過101條適格性的規定呢？請繼續參考下文的解析。
範例分析：範例47、48和49的專利適格性判斷
USPTO在指導文件中的範例47、48和49，展示不同AI技術專利申請在101適格性上的挑戰與審查邏輯。其中下文將提供範例47的Claim 1~3的對比進行詳盡解釋，範例48、49則直接描述判斷的結果。
範例47：異常檢測方法：
涉及一種基於人工神經網絡（ANN）的異常檢測技術。
Claim 1：
一種用於人工神經網絡（ANN）的集成電路（ASIC），該ASIC包括：
排列的多個神經元，每個神經元包含一個暫存器、微處理器及至少一個輸入端；
多個突觸電路，每個突觸電路包括存儲突觸權重的記憶體，其中每個神經元經由多個突觸電路連接至少一個其他神經元。
Claim 1適格性判斷：
Step 1：通過，屬於機器。
S2A-1：通過，未包含抽象概念，係因神經元與突觸電路具有具體的硬體連接關係。
→Claim 1具備專利適格性 (Eligible)
Claim 2：
一種使用人工神經網路（ANN）的方法，包括：
（a）接收電腦中的連續訓練數資料；
（b）電腦將連續訓練數據離散化以生成輸入資料；
（c）電腦基於輸入資料及選定的訓練算法訓練ANN；
（d）使用經過訓練的ANN檢測資料集中一或多個異常；
（e）使用經過訓練的ANN分析出一個或多個的異常生成的異常資料；
（f）從經過訓練的ANN輸出異常資料。
Claim 2適格性判斷：
Step 1：通過：屬於方法。
S2A-1：未通過：（b）離散化、（d）檢測、（e）分析的動作為心智過程；（c）訓練的概念為數學概念。
S2A-2：未通過（未整合）：僅將電腦作為工具使用，並未詳細說明發明內容。
S2B：未通過（無顯著更多）：僅為通用電腦的應用程序。
→Claim 2不具備專利適格性 (Not eligible)
Claim 3：
一種使用人工神經網絡（ANN）檢測惡意網絡封包的方法，包括：
（a）電腦基於輸入資料和選定的訓練算法訓練ANN；
（b）使用經過訓練的ANN檢測網絡流量中的異常情形；
（c）判斷至少一個異常情形與惡意網路封包相關聯；
（d）即時檢測惡意數網路封包的來源位址；
（e）即時丟棄一個或多個惡意網路封包；
（f）封鎖該來源位址的未來流量。
Claim 3適格性判斷：
Step 1：通過：屬於方法
S2A-1：未通過：（a）訓練為數學概念，且（b）檢測和（c）判斷為心智過程。
S2A-2：通過（有整合）：在（d）~（f）的步驟中，使用檢測到的異常情形進行即時網絡安全優化，已將抽象概念整合到實際應用中，並具有顯著的技術改進。
→Claim 3具備專利適格性 (Eligible)
範例48：語音分離技術
涉及一種技術聚焦於語音分離，旨在解決多聲源語音分離的實際問題。
Claim 1：不符合專利適格性：僅描述了接收語音信號、執行短時傅立葉變換 (STFT) 和應用深度神經網路 (DNN) 計算嵌入向量，缺乏對具體技術改進的描述。DNN的使用僅限於執行數學運算，未展示如何解決實際技術問題，也無法整合抽象概念至實際應用。由於其額外元素僅為數據處理的基本步驟，Claim 1未達到Step 2A-2 (Prong Two)和Step 2B的標準 (Not eligible)。
Claim 2：符合專利適格性：新增了聚類、應用遮罩和合成語音信號的步驟，展示了具體技術如何改善語音分離效果，解決多語音源分離的實際問題。這些技術步驟超越了數學運算的層面，清楚展示了應用的技術改進。Claim 2 成功整合抽象概念與實際應用，滿足Step 2A-2 (Prong Two)的標準 (Eligible)。
Claim 3：符合專利適格性：描述了一種存儲介質，包含指令用於完成語音分離和轉錄文本的過程，展示了從語音處理到文本生成的技術改進。Claim 中的步驟詳細說明了技術應用，解決了現有語音處理技術的準確性和性能問題，成功展示了技術進步的具體效果。Claim 3 整合抽象概念至實際應用，並提供顯著的技術內容，符合 Step 2A-2 (Prong Two)和Step 2B 的標準 (Eligible)。
範例 49：纖維化治療技術
涉及一種AI模型在醫療應用中的技術改進，用於改善纖維化的診斷與治療準確性。
Claim 1：不符合專利適格性：步驟(a)的數據收集和基因分型過程僅涉及常規方法，未展示技術改進；步驟(b)的多基因風險評分 (PRS)計算主要依賴數學運算和基因型分析，屬於抽象概念或心智過程。步驟(c)中的治療建議未限於特定方法，僅泛指適當的治療措施，無法展現具體技術應用。因此，Claim 1 僅將抽象概念與常規數據處理結合，未能整合至實際應用，未滿足 Step 2A-2 (Prong Two)和Step 2B 的標準 (Not eligible)。
Claim 2：符合專利適格性：本項在 Claim 1 的基礎上增加了明確的治療方法，即指定將Compound X眼藥水用於高風險患者的術後治療。該限制使得治療步驟具有具體且明顯的技術應用，超越了一般性的抽象概念。與特定患者群體相關的精準治療展示了應用風險評估結果進行個性化醫療的技術進步，滿足 Step 2A-2 (Prong Two) 的標準 (Eligible)。
實務建議：如何提升AI專利的適格性
從上述案例中，可以規劃出以下幾項實務建議，幫助AI專利申請更容易符合101條的要求：
1. 展示具體的技術架構：申請需明確說明AI模型的實際應用場景，避免單純描述數學公式或數據處理。例如，可以使用軟硬體結合的方塊圖或流程圖展示具體的架構。
2. 強調技術改進的效果：說明書中應強調AI技術的具體優勢或改進，例如與現有技術相比的性能提升、效率改進或新功能的實現。同時，建議提供實驗數據來支持這些技術改進。
3. 避免模糊的用語：撰寫Claim時，應避免使用如「apply to」這類模糊描述，避免給審查員留下牽強連結的印象。相反，需具體說明附加元素如何整合抽象概念並帶來實際技術效果。
美國專利法第101條的適格性要求
美國專利法第101條適格性的規定，專利申請必須屬於法定的客體類別，包括機器、方法、製造或組合物。同時，申請不得落入司法排除的例外情況，例如抽象概念、自然法則或自然現象。針對AI技術的專利，這些例外情況往往成為審查過程中的關鍵問題。
根據美國專利商標局（USPTO）的指導文件，101條的適格性判斷包括以下步驟：
Step 1：申請是否屬於專利客體類別？（機器、方法、製造或組合物）
Step 2A-1 (Prong One)：申請是否涉及司法排除的例外情況（數學概念、人類活動的方法、心智過程）？
Step 2A-2 (Prong Two)：申請是否將抽象概念整合到實際應用中，並展示具體的技術改進？
Step 2B：申請是否包含「顯著更多」的技術內容，超越單純的抽象概念或例行活動？
這些步驟提供了一個較為具體的判斷框架，但對於AI技術的專利，申請人在撰寫時仍需特別關注如何避免被解讀為單純的「數學公式」或「心智過程」的抽象概念，然而一旦被解讀成上述的態樣，是否還有機會通過101條適格性的規定呢？請繼續參考下文的解析。
範例分析：範例47、48和49的專利適格性判斷
USPTO在指導文件中的範例47、48和49，展示不同AI技術專利申請在101適格性上的挑戰與審查邏輯。其中下文將提供範例47的Claim 1~3的對比進行詳盡解釋，範例48、49則直接描述判斷的結果。
範例47：異常檢測方法：
涉及一種基於人工神經網絡（ANN）的異常檢測技術。
Claim 1：
一種用於人工神經網絡（ANN）的集成電路（ASIC），該ASIC包括：
排列的多個神經元，每個神經元包含一個暫存器、微處理器及至少一個輸入端；
多個突觸電路，每個突觸電路包括存儲突觸權重的記憶體，其中每個神經元經由多個突觸電路連接至少一個其他神經元。
Claim 1適格性判斷：
Step 1：通過，屬於機器。
S2A-1：通過，未包含抽象概念，係因神經元與突觸電路具有具體的硬體連接關係。
→Claim 1具備專利適格性 (Eligible)
Claim 2：
一種使用人工神經網路（ANN）的方法，包括：
（a）接收電腦中的連續訓練數資料；
（b）電腦將連續訓練數據離散化以生成輸入資料；
（c）電腦基於輸入資料及選定的訓練算法訓練ANN；
（d）使用經過訓練的ANN檢測資料集中一或多個異常；
（e）使用經過訓練的ANN分析出一個或多個的異常生成的異常資料；
（f）從經過訓練的ANN輸出異常資料。
Claim 2適格性判斷：
Step 1：通過：屬於方法。
S2A-1：未通過：（b）離散化、（d）檢測、（e）分析的動作為心智過程；（c）訓練的概念為數學概念。
S2A-2：未通過（未整合）：僅將電腦作為工具使用，並未詳細說明發明內容。
S2B：未通過（無顯著更多）：僅為通用電腦的應用程序。
→Claim 2不具備專利適格性 (Not eligible)
Claim 3：
一種使用人工神經網絡（ANN）檢測惡意網絡封包的方法，包括：
（a）電腦基於輸入資料和選定的訓練算法訓練ANN；
（b）使用經過訓練的ANN檢測網絡流量中的異常情形；
（c）判斷至少一個異常情形與惡意網路封包相關聯；
（d）即時檢測惡意數網路封包的來源位址；
（e）即時丟棄一個或多個惡意網路封包；
（f）封鎖該來源位址的未來流量。
Claim 3適格性判斷：
Step 1：通過：屬於方法
S2A-1：未通過：（a）訓練為數學概念，且（b）檢測和（c）判斷為心智過程。
S2A-2：通過（有整合）：在（d）~（f）的步驟中，使用檢測到的異常情形進行即時網絡安全優化，已將抽象概念整合到實際應用中，並具有顯著的技術改進。
→Claim 3具備專利適格性 (Eligible)
範例48：語音分離技術
涉及一種技術聚焦於語音分離，旨在解決多聲源語音分離的實際問題。
Claim 1：不符合專利適格性：僅描述了接收語音信號、執行短時傅立葉變換 (STFT) 和應用深度神經網路 (DNN) 計算嵌入向量，缺乏對具體技術改進的描述。DNN的使用僅限於執行數學運算，未展示如何解決實際技術問題，也無法整合抽象概念至實際應用。由於其額外元素僅為數據處理的基本步驟，Claim 1未達到Step 2A-2 (Prong Two)和Step 2B的標準 (Not eligible)。
Claim 2：符合專利適格性：新增了聚類、應用遮罩和合成語音信號的步驟，展示了具體技術如何改善語音分離效果，解決多語音源分離的實際問題。這些技術步驟超越了數學運算的層面，清楚展示了應用的技術改進。Claim 2 成功整合抽象概念與實際應用，滿足Step 2A-2 (Prong Two)的標準 (Eligible)。
Claim 3：符合專利適格性：描述了一種存儲介質，包含指令用於完成語音分離和轉錄文本的過程，展示了從語音處理到文本生成的技術改進。Claim 中的步驟詳細說明了技術應用，解決了現有語音處理技術的準確性和性能問題，成功展示了技術進步的具體效果。Claim 3 整合抽象概念至實際應用，並提供顯著的技術內容，符合 Step 2A-2 (Prong Two)和Step 2B 的標準 (Eligible)。
範例 49：纖維化治療技術
涉及一種AI模型在醫療應用中的技術改進，用於改善纖維化的診斷與治療準確性。
Claim 1：不符合專利適格性：步驟(a)的數據收集和基因分型過程僅涉及常規方法，未展示技術改進；步驟(b)的多基因風險評分 (PRS)計算主要依賴數學運算和基因型分析，屬於抽象概念或心智過程。步驟(c)中的治療建議未限於特定方法，僅泛指適當的治療措施，無法展現具體技術應用。因此，Claim 1 僅將抽象概念與常規數據處理結合，未能整合至實際應用，未滿足 Step 2A-2 (Prong Two)和Step 2B 的標準 (Not eligible)。
Claim 2：符合專利適格性：本項在 Claim 1 的基礎上增加了明確的治療方法，即指定將Compound X眼藥水用於高風險患者的術後治療。該限制使得治療步驟具有具體且明顯的技術應用，超越了一般性的抽象概念。與特定患者群體相關的精準治療展示了應用風險評估結果進行個性化醫療的技術進步，滿足 Step 2A-2 (Prong Two) 的標準 (Eligible)。
實務建議：如何提升AI專利的適格性
從上述案例中，可以規劃出以下幾項實務建議，幫助AI專利申請更容易符合101條的要求：
1. 展示具體的技術架構：申請需明確說明AI模型的實際應用場景，避免單純描述數學公式或數據處理。例如，可以使用軟硬體結合的方塊圖或流程圖展示具體的架構。
2. 強調技術改進的效果：說明書中應強調AI技術的具體優勢或改進，例如與現有技術相比的性能提升、效率改進或新功能的實現。同時，建議提供實驗數據來支持這些技術改進。
3. 避免模糊的用語：撰寫Claim時，應避免使用如「apply to」這類模糊描述，避免給審查員留下牽強連結的印象。相反，需具體說明附加元素如何整合抽象概念並帶來實際技術效果。
美國專利法第101條的適格性要求
美國專利法第101條適格性的規定，專利申請必須屬於法定的客體類別，包括機器、方法、製造或組合物。同時，申請不得落入司法排除的例外情況，例如抽象概念、自然法則或自然現象。針對AI技術的專利，這些例外情況往往成為審查過程中的關鍵問題。
根據美國專利商標局（USPTO）的指導文件，101條的適格性判斷包括以下步驟：
Step 1：申請是否屬於專利客體類別？（機器、方法、製造或組合物）
Step 2A-1 (Prong One)：申請是否涉及司法排除的例外情況（數學概念、人類活動的方法、心智過程）？
Step 2A-2 (Prong Two)：申請是否將抽象概念整合到實際應用中，並展示具體的技術改進？
Step 2B：申請是否包含「顯著更多」的技術內容，超越單純的抽象概念或例行活動？
這些步驟提供了一個較為具體的判斷框架，但對於AI技術的專利，申請人在撰寫時仍需特別關注如何避免被解讀為單純的「數學公式」或「心智過程」的抽象概念，然而一旦被解讀成上述的態樣，是否還有機會通過101條適格性的規定呢？請繼續參考下文的解析。
範例分析：範例47、48和49的專利適格性判斷
USPTO在指導文件中的範例47、48和49，展示不同AI技術專利申請在101適格性上的挑戰與審查邏輯。其中下文將提供範例47的Claim 1~3的對比進行詳盡解釋，範例48、49則直接描述判斷的結果。
範例47：異常檢測方法：
涉及一種基於人工神經網絡（ANN）的異常檢測技術。
Claim 1：
一種用於人工神經網絡（ANN）的集成電路（ASIC），該ASIC包括：
排列的多個神經元，每個神經元包含一個暫存器、微處理器及至少一個輸入端；
多個突觸電路，每個突觸電路包括存儲突觸權重的記憶體，其中每個神經元經由多個突觸電路連接至少一個其他神經元。
Claim 1適格性判斷：
Step 1：通過，屬於機器。
S2A-1：通過，未包含抽象概念，係因神經元與突觸電路具有具體的硬體連接關係。
→Claim 1具備專利適格性 (Eligible)
Claim 2：
一種使用人工神經網路（ANN）的方法，包括：
（a）接收電腦中的連續訓練數資料；
（b）電腦將連續訓練數據離散化以生成輸入資料；
（c）電腦基於輸入資料及選定的訓練算法訓練ANN；
（d）使用經過訓練的ANN檢測資料集中一或多個異常；
（e）使用經過訓練的ANN分析出一個或多個的異常生成的異常資料；
（f）從經過訓練的ANN輸出異常資料。
Claim 2適格性判斷：
Step 1：通過：屬於方法。
S2A-1：未通過：（b）離散化、（d）檢測、（e）分析的動作為心智過程；（c）訓練的概念為數學概念。
S2A-2：未通過（未整合）：僅將電腦作為工具使用，並未詳細說明發明內容。
S2B：未通過（無顯著更多）：僅為通用電腦的應用程序。
→Claim 2不具備專利適格性 (Not eligible)
Claim 3：
一種使用人工神經網絡（ANN）檢測惡意網絡封包的方法，包括：
（a）電腦基於輸入資料和選定的訓練算法訓練ANN；
（b）使用經過訓練的ANN檢測網絡流量中的異常情形；
（c）判斷至少一個異常情形與惡意網路封包相關聯；
（d）即時檢測惡意數網路封包的來源位址；
（e）即時丟棄一個或多個惡意網路封包；
（f）封鎖該來源位址的未來流量。
Claim 3適格性判斷：
Step 1：通過：屬於方法
S2A-1：未通過：（a）訓練為數學概念，且（b）檢測和（c）判斷為心智過程。
S2A-2：通過（有整合）：在（d）~（f）的步驟中，使用檢測到的異常情形進行即時網絡安全優化，已將抽象概念整合到實際應用中，並具有顯著的技術改進。
→Claim 3具備專利適格性 (Eligible)
範例48：語音分離技術
涉及一種技術聚焦於語音分離，旨在解決多聲源語音分離的實際問題。
Claim 1：不符合專利適格性：僅描述了接收語音信號、執行短時傅立葉變換 (STFT) 和應用深度神經網路 (DNN) 計算嵌入向量，缺乏對具體技術改進的描述。DNN的使用僅限於執行數學運算，未展示如何解決實際技術問題，也無法整合抽象概念至實際應用。由於其額外元素僅為數據處理的基本步驟，Claim 1未達到Step 2A-2 (Prong Two)和Step 2B的標準 (Not eligible)。
Claim 2：符合專利適格性：新增了聚類、應用遮罩和合成語音信號的步驟，展示了具體技術如何改善語音分離效果，解決多語音源分離的實際問題。這些技術步驟超越了數學運算的層面，清楚展示了應用的技術改進。Claim 2 成功整合抽象概念與實際應用，滿足Step 2A-2 (Prong Two)的標準 (Eligible)。
Claim 3：符合專利適格性：描述了一種存儲介質，包含指令用於完成語音分離和轉錄文本的過程，展示了從語音處理到文本生成的技術改進。Claim 中的步驟詳細說明了技術應用，解決了現有語音處理技術的準確性和性能問題，成功展示了技術進步的具體效果。Claim 3 整合抽象概念至實際應用，並提供顯著的技術內容，符合 Step 2A-2 (Prong Two)和Step 2B 的標準 (Eligible)。
範例 49：纖維化治療技術
涉及一種AI模型在醫療應用中的技術改進，用於改善纖維化的診斷與治療準確性。
Claim 1：不符合專利適格性：步驟(a)的數據收集和基因分型過程僅涉及常規方法，未展示技術改進；步驟(b)的多基因風險評分 (PRS)計算主要依賴數學運算和基因型分析，屬於抽象概念或心智過程。步驟(c)中的治療建議未限於特定方法，僅泛指適當的治療措施，無法展現具體技術應用。因此，Claim 1 僅將抽象概念與常規數據處理結合，未能整合至實際應用，未滿足 Step 2A-2 (Prong Two)和Step 2B 的標準 (Not eligible)。
Claim 2：符合專利適格性：本項在 Claim 1 的基礎上增加了明確的治療方法，即指定將Compound X眼藥水用於高風險患者的術後治療。該限制使得治療步驟具有具體且明顯的技術應用，超越了一般性的抽象概念。與特定患者群體相關的精準治療展示了應用風險評估結果進行個性化醫療的技術進步，滿足 Step 2A-2 (Prong Two) 的標準 (Eligible)。
實務建議：如何提升AI專利的適格性
從上述案例中，可以規劃出以下幾項實務建議，幫助AI專利申請更容易符合101條的要求：
1. 展示具體的技術架構：申請需明確說明AI模型的實際應用場景，避免單純描述數學公式或數據處理。例如，可以使用軟硬體結合的方塊圖或流程圖展示具體的架構。
2. 強調技術改進的效果：說明書中應強調AI技術的具體優勢或改進，例如與現有技術相比的性能提升、效率改進或新功能的實現。同時，建議提供實驗數據來支持這些技術改進。
3. 避免模糊的用語：撰寫Claim時，應避免使用如「apply to」這類模糊描述，避免給審查員留下牽強連結的印象。相反，需具體說明附加元素如何整合抽象概念並帶來實際技術效果。
美國專利法第101條的適格性要求
美國專利法第101條適格性的規定，專利申請必須屬於法定的客體類別，包括機器、方法、製造或組合物。同時，申請不得落入司法排除的例外情況，例如抽象概念、自然法則或自然現象。針對AI技術的專利，這些例外情況往往成為審查過程中的關鍵問題。
根據美國專利商標局（USPTO）的指導文件，101條的適格性判斷包括以下步驟：
Step 1：申請是否屬於專利客體類別？（機器、方法、製造或組合物）
Step 2A-1 (Prong One)：申請是否涉及司法排除的例外情況（數學概念、人類活動的方法、心智過程）？
Step 2A-2 (Prong Two)：申請是否將抽象概念整合到實際應用中，並展示具體的技術改進？
Step 2B：申請是否包含「顯著更多」的技術內容，超越單純的抽象概念或例行活動？
這些步驟提供了一個較為具體的判斷框架，但對於AI技術的專利，申請人在撰寫時仍需特別關注如何避免被解讀為單純的「數學公式」或「心智過程」的抽象概念，然而一旦被解讀成上述的態樣，是否還有機會通過101條適格性的規定呢？請繼續參考下文的解析。
案例分析：範例47、48和49的專利適格性判斷
USPTO在指導文件中的範例47、48和49，展示不同AI技術專利申請在101適格性上的挑戰與審查邏輯。其中下文將提供範例47的Claim 1~3的對比進行詳盡解釋，範例48、49則直接描述判斷的結果。
範例47：異常檢測方法：
涉及一種基於人工神經網絡（ANN）的異常檢測技術。
Claim 1：
一種用於人工神經網絡（ANN）的集成電路（ASIC），該ASIC包括：
排列的多個神經元，每個神經元包含一個暫存器、微處理器及至少一個輸入端；
多個突觸電路，每個突觸電路包括存儲突觸權重的記憶體，其中每個神經元經由多個突觸電路連接至少一個其他神經元。
Claim 1適格性判斷：
Step 1：通過，屬於機器。
S2A-1：通過，未包含抽象概念，係因神經元與突觸電路具有具體的硬體連接關係。
→Claim 1具備專利適格性 (Eligible)。
Claim 2：
一種使用人工神經網路（ANN）的方法，包括：
（a）接收電腦中的連續訓練數資料；
（b）電腦將連續訓練數據離散化以生成輸入資料；
（c）電腦基於輸入資料及選定的訓練算法訓練ANN；
（d）使用經過訓練的ANN檢測資料集中一或多個異常；
（e）使用經過訓練的ANN分析出一個或多個的異常生成的異常資料；
（f）從經過訓練的ANN輸出異常資料。
Claim 2適格性判斷：
Step 1：通過：屬於方法。
S2A-1：未通過：（b）離散化、（d）檢測、（e）分析的動作為心智過程；（c）訓練的概念為數學概念。
S2A-2：未通過（未整合）：僅將電腦作為工具使用，並未詳細說明發明內容。
S2B：未通過（無顯著更多）：僅為通用電腦的應用程序。
→Claim 2不具備專利適格性 (Not eligible)。
Claim 3：
一種使用人工神經網絡（ANN）檢測惡意網絡封包的方法，包括：
（a）電腦基於輸入資料和選定的訓練算法訓練ANN；
（b）使用經過訓練的ANN檢測網絡流量中的異常情形；
（c）判斷至少一個異常情形與惡意網路封包相關聯；
（d）即時檢測惡意數網路封包的來源位址；
（e）即時丟棄一個或多個惡意網路封包；
（f）封鎖該來源位址的未來流量。
Claim 3適格性判斷：
Step 1：通過：屬於方法
S2A-1：未通過：（a）訓練為數學概念，且（b）檢測和（c）判斷為心智過程。
S2A-2：通過（有整合）：在（d）~（f）的步驟中，使用檢測到的異常情形進行即時網絡安全優化，已將抽象概念整合到實際應用中，並具有顯著的技術改進。
→Claim 3具備專利適格性 (Eligible)。
範例48：語音分離技術
涉及一種技術聚焦於語音分離，旨在解決多聲源語音分離的實際問題。
Claim 1：不符合專利適格性：僅描述了接收語音信號、執行短時傅立葉變換 (STFT) 和應用深度神經網路 (DNN) 計算嵌入向量，缺乏對具體技術改進的描述。DNN的使用僅限於執行數學運算，未展示如何解決實際技術問題，也無法整合抽象概念至實際應用。由於其額外元素僅為數據處理的基本步驟，Claim 1未達到Step 2A-2 (Prong Two)和Step 2B的適格性 (Not eligible)。
Claim 2：符合專利適格性：新增了聚類、應用遮罩和合成語音信號的步驟，展示了具體技術如何改善語音分離效果，解決多語音源分離的實際問題。這些技術步驟超越了數學運算的層面，清楚展示了應用的技術改進。Claim 2 成功整合抽象概念與實際應用，滿足Step 2A-2 (Prong Two)的適格性 (Eligible)。
Claim 3：符合專利適格性：描述了一種存儲介質，包含指令用於完成語音分離和轉錄文本的過程，展示了從語音處理到文本生成的技術改進。Claim 中的步驟詳細說明了技術應用，解決了現有語音處理技術的準確性和性能問題，成功展示了技術進步的具體效果。Claim 3 整合抽象概念至實際應用，並提供顯著的技術內容，符合 Step 2A-2 (Prong Two)和Step 2B 的適格性 (Eligible)。
範例 49：纖維化治療技術
涉及一種AI模型在醫療應用中的技術改進，用於改善纖維化的診斷與治療準確性。
Claim 1：不符合專利適格性：步驟(a)的數據收集和基因分型過程僅涉及常規方法，未展示技術改進；步驟(b)的多基因風險評分 (PRS)計算主要依賴數學運算和基因型分析，屬於抽象概念或心智過程。步驟(c)中的治療建議未限於特定方法，僅泛指適當的治療措施，無法展現具體技術應用。因此，Claim 1 僅將抽象概念與常規數據處理結合，未能整合至實際應用，未滿足 Step 2A-2 (Prong Two)和Step 2B 的適格性 (Not eligible)。
Claim 2：符合專利適格性：本項在 Claim 1 的基礎上增加了明確的治療方法，即指定將Compound X眼藥水用於高風險患者的術後治療。該限制使得治療步驟具有具體且明顯的技術應用，超越了一般性的抽象概念。與特定患者群體相關的精準治療展示了應用風險評估結果進行個性化醫療的技術進步，滿足 Step 2A-2 (Prong Two) 的適格性 (Eligible)。
實務建議：如何提升AI專利的適格性
從上述案例中，可以規劃出以下幾項實務建議，幫助AI專利申請更容易符合101條的要求：
1. 展示具體的技術架構：申請需明確說明AI模型的實際應用場景，避免單純描述數學公式或數據處理。例如，可以使用軟硬體結合的方塊圖或流程圖展示具體的架構。
2. 強調技術改進的效果：說明書中應強調AI技術的具體優勢或改進，例如與現有技術相比的性能提升、效率改進或新功能的實現。同時，建議提供實驗數據來支持這些技術改進。
3. 避免模糊的用語：撰寫Claim時，應避免使用如「apply to」這類模糊描述，避免給審查員留下牽強連結的印象。相反，需具體說明附加元素如何整合抽象概念並帶來實際技術效果。
CONTACT US
免費諮詢
官方帳號