文/北京集佳知識產權代理有限公司 張海永
引言
美國專利法第101條定義了可專利主題的范圍，即任何新的、有用的工藝、機器、制造物或物質組合都可以獲得專利。然而，美國最高法院長期以來一直認為，自然法則、自然現象和抽象概念是可專利主題的例外。這些例外雖未在法律條文中明確提及，但是通過司法解釋確立了屬于這些例外的申請不具有專利適格性。隨著人工智能技術（AI）的發展，越來越多的人工智能相關的專利申請開始涌現，本文簡要介紹了人工智能領域專利適格性判斷，并提供了一些針對AI相關發明如何克服適格性問題的建議。
一、美國專利適格性概述
美國專利法第101條規定了發明必須屬于四個法定類別之一：工藝、機器、制造物或物質組合。大多數發明都符合這些類別，但有些不符合。例如，僅涉及軟件代碼或純數據的發明不符合專利保護條件，因為這些項目不屬于上述四個類別之一。同樣，僅請求保護“經過訓練的神經網絡”的申請也不符合第101條的規定，但如果請求保護訓練神經網絡的方法或使用經過訓練的神經網絡的計算機，則滿足專利適格性要求。
實際上，第101條中專利適格性的真正復雜性來自于非法定例外：自然法則、自然現象和抽象概念。美國最高法院強調，這些例外至關重要，因為對這些基本科學和技術工具的專利可能會阻礙而非促進創新。例如，不能對物理定律或數學算法的抽象形式申請專利。然而，這些原則的新應用，如從中衍生出的新的并且有用結構或工藝，可以申請專利。
二、專利適格性判斷標準
美國專利與商標局在審查指南MPEP中采用了Alice/Mayo判例中的流程來判斷專利申請是否滿足101條款的適格性要求，并于2019年對該判斷流程進行了更新。
判斷流程包括：步驟1，判斷權利要求是否是針對工藝、機器、制造物或物質組合；步驟2A，判斷該權利要求是否指向自然法則、自然現象和抽象概念，如果否的話，則權利要求具有專利適格性，如果是的話，進入步驟2B的判斷；步驟2B，如果在步驟2A中判定該權利要求指向司法例外，評估該權利要求中是否存在附加元素使得權利要求具有創造性，如果是的話，則該權利要求具有專利適格性，否則的話，則該權利要求不具有專利適格性，不可以授權。
在更新的判斷流程中，步驟2A進一步被細分為兩個分支：分支1，判斷權利要求是否引用或者包括了司法例外，例如抽象概念等；分支2，如果權利要求包含或者引用了司法例外，則進一步判斷該權利要求整體上是否將該司法例外整合到實際的技術應用中，如果是的話，則step 2A的判斷結果為該權利要求并未指向司法例外，因此符合專利適格性的要求。
三、關于人工智能的例子
針對專利適格性要求，美國專利與商標局還提供了許多例子并介紹了如何根據101條來進行判斷。唯一直接與人工智能相關的例子是第39個例子。這個例子涉及一個旨在提高識別數字圖像中人臉的能力的AI系統。先前使用神經網絡進行面部檢測的方法在處理面部圖像的移動、扭曲和變化時的魯棒性方面存在不足。該發明通過使用對面部圖像進行數學變換開發的擴展訓練集，并采用迭代訓練算法來最小化誤報，從而改進了這項技術，從而得到一個更可靠的面部檢測模型。
這個例子中的步驟涉及收集數據、修改數據、創建兩個訓練集，然后在訓練集上訓練神經網絡。通過分析，該權利要求符合第101條的規定，因為該權利要求“沒有陳述MPEP中列舉的任何司法例外”。特別是，專利局指出，這些步驟沒有陳述任何數學關系、公式或計算（盡管該權利要求可能“基于數學概念，但數學概念并未在權利要求中陳述”），沒有陳述思維過程（“因為這些步驟實際上不能在人腦中執行”），也沒有陳述任何組織人類活動的方法，如基本經濟概念或管理人與人之間的互動。因此，該權利要求符合專利適格性要求，因為它沒有引用司法例外。
但是審查員對于上述例子的解讀是非常有限度的，即審查員還是會傾向于基于具體的權利要求來對專利適格性進行判斷。雖然一些人工智能相關的權利要求也是涉及上述的例子中的收集數據并訓練得到神經網絡的過程，但是審查員并未同意這些如此撰寫的權利要求具有專利適格性。
這種傾向從專利審判和上訴委員會的部分判詞中可見一斑：
1、第39個例子具體限定到了圖像分析，“因此，第39個例子解決了與分析圖像以識別和分析其中的面部圖像相關的技術難題。而申請人未證明當前權利要求提供了此類圖像分析的方案。相反，說明書稱權利要求涉及使用信息處理系統來估計醫療資源的需求”；
2、第39個例子具體限定了數據準備或者兩個訓練階段，“在此申請中，訓練數據并沒有以任何特定方式轉換或策劃以訓練機器學習模型。也沒有像第39個例子那樣分階段訓練模型以提高其準確性”；
3、權利要求中的金融活動的表述（或者其他抽象概念）使得權利要求不具有適格性，“簡單來說，權利要求1與第39個例子中的權利要求不同，它陳述了商業互動，包括廣告、營銷或銷售活動或行為，這是一種組織人類活動的方法，因此，該權利要求是一個抽象概念”。
四、對AI相關發明的建議
基于上述對第39個例子分析可以看出，它的作用比預期中的要小，但是從這個例子中仍然可以總結出一些針對AI相關發明的建議。
1、在權利要求中描述具體的數據和數據處理
詳細描述AI如何訓練以及如何處理數據是至關重要的，并且解釋用于開發訓練數據的特定算法、模型和技術，以及這些如何有助于解決技術問題。例如，如果AI使用新的訓練數據集或獨特的數據預處理方法，這些細節應包含在專利申請中并成為權利要求的一部分。第39個例子對面部圖像進行了相對簡單的變換來訓練神經網絡。然而，PTAB的決定強調了，訓練數據的預處理是第39個例子能夠在第101條下獲得專利適格性的關鍵要素之一。
2、詳細描述AI系統的訓練過程
第39個例子要求保護一個兩步訓練過程：首先在一組經過變換的面部圖像上訓練神經網絡，然后基于檢測到的錯誤在第二組上重新訓練神經網絡。這種迭代方法不僅提高了模型的魯棒性，還解決了誤報問題。PTAB的決定強調了，這個兩步過程是該例子具有專利適格性的主要原因之一。如果可能的話，新的AI專利申請應在說明書中突出訓練過程中的任何具有獨特性的元素，并將這些元素包含在權利要求中，以克服任何潛在的101條的專利適格性問題。