軟體專利

專利適格性與AI技術：抽象概念的挑戰與突破

　　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。

AI 模型串接的專利佈局

　　隨著人工智慧（AI）技術的迅猛發展，各種 AI 模型已經成為解決複雜問題的核心工具。目前市場上有多種常用的 AI 模型，例如大語言模型（LLM）、生成對抗網路（GAN）、卷積神經網路（CNN）、遞歸神經網路（RNN）、強化學習模型（RL）等。這些模型各自擅長處理不同類型的任務，如自然語言處理、影像生成、序列數據預測和策略優化等。

在此基礎上，AI 模型之間的「互動」與「串接」已成為技術突破的主要趨勢，以應對更加複雜的任務需求。例如，大語言模型（如 GPT-4）結合檢索增強生成（Retrieval-Augmented Generation, RAG），使得語言模型在生成答案時具備即時檢索外部資料的能力，從而提高回答的精確性與時效性。此外，生成對抗網路（GAN）結合卷積神經網路（CNN）可顯著提升影像生成與影像辨識的能力，而強化學習（RL）結合遞歸神經網路（RNN）則有助於優化決策過程中的序列依賴性。這些串接方式整合不同模型的優勢，特別適合於需要多重能力支持的應用場景，如自動駕駛、智能客服和複合式推薦系統。