2025年Recentive案:美國CAFC認為將通用AI技術使用於新應用領域,難以跨越專利適格性門檻
科技產業資訊室(iKnow) - 金鱗 發表於 2025年5月27日

圖、2025年Recentive案:美國CAFC認為將通用AI技術使用於新應用領域,難以跨越專利適格性門檻
在2025年4月18日,美國聯邦巡迴上訴法院(CAFC)針對Recentive Analytics一案做出判決。CAFC認為,系爭專利使用機器學習生成網路地圖和最佳化活動時間表的方法,不符合35 U.S.C. § 101 所要求的適格性,因為它們針對的是在特定環境中使用「通用機器學習技術」的抽象概念。由於本案涉及機器學習、人工智慧及專利適格性等問題,所以引起廣泛關注也不令人意外,就連法院本身也稱之為「第一個案例」("matter of first impression")。
系爭專利
本案有四篇系爭專利,其中又可被分為機器學習訓練及網路地圖兩種類型。
- 機器學習訓練專利(US11386367、US11537960):通過場地可用性、門票價格、表演者費用等參數來訓練機器學習模型生成活動時間表。
- 網路地圖專利(US10911811、US10958957):根據時間表或變化即時更新網路地圖,以將現場活動映射到不同地區的電視台,來最佳化電視收視率。
十分重要的一點是,專利的說明書中提及,這些方法使用通用的電腦,可採用「任何合適的機器學習技術」(“any suitable machine learning technique”)。
地院否定系爭專利之適格性
專利權人Recentive 在2022年於Delaware地方法院對Fox提起專利侵權訴訟。被告Fox主張系爭專利不具適格性,提出駁回動議。Recentive自然不同意,並將其專利描述為「將機器學習模型應用於不成熟且同樣小眾的先前技術領域,也就是生成廣播現場活動的網路地圖及現場活動時間表」(“the application of machine learning models to the unsophisticated, and equally niche, prior art field of generating network maps for broadcasting live events and live event schedules.”)。
在電腦軟體的專利適格性上,美國目前均是以Alice一案中最高法院所建立的兩步測試來做判斷。在第一步中,法院會探討請求項是否針對抽象概念;在第二步中,則會考慮請求項是否包含足夠的創造性概念(inventive concept),以將抽象概念轉化為符合專利適格性之標的。
在Alice的第一步,地院認定請求項是「分別針對使用已知的通用數學技巧來產生網路地圖和活動時間表的抽象概念」(“directed to the abstract ideas of producing network maps and event schedules, respectively, using known generic mathematical techniques.”)。在第二步時,法院則認定機器學習的限制僅僅是「廣泛的、功能性描述的、眾所周知的技術」(“broad, functionally described, well-known techniques”),並且僅主張了「通用和傳統的計算裝置」(“only generic and conventional computing devices”)。因此地院同意被告的請求,而原告Recentive隨後上訴至CAFC。
CAFC駁回原告之上訴
對於CAFC而言,本案的問題在於,僅僅將習知的機器學習方法應用於新的資料環境,是否具有專利適格性?
在Alice的第一步中, CAFC認為系爭專利顯然是針對抽象概念,也就是即時生成活動時間表和網路地圖。事實上,法院認為原告Recentive也同意專利並未主張機器學習技術本身,而僅僅使用了通用/傳統的機器學習技術。此外,CAFC認為專利並沒有提出利用機器學習技術實現改進的步驟。
Recentive承認,在機器學習出現之前,是由人類依照門票銷售、天氣預報和其他資料來決定時間表安排。而決定內容如何在各個電視台播放狀況的網路地圖,在過往也是由人類製作的。因此法院認為僅僅將抽象概念放入新的使用領域並不能將其轉變為符合專利適格性的發明。
Recentive試圖證明所請求的機器學習方法並非通用或習知的,並辯稱其方法採用了基於即時變化的輸入資料進行迭代訓練和動態調整,而這是對傳統機器學習模型的技術改進。然而CAFC不認為這些論點具有說服力,因為「使用選定的訓練材料進行的迭代訓練和基於即時變化的動態調整是機器學習本質上的附帶特徵」("Iterative training using selected training material and dynamic adjustments based on real-time changes are incident to the very nature of machine learning.")。換句話說,使用通用的機器學習模型,是不足夠的。至於Recentive認為此技術在特定的技術環境中提高了任務的速度和效率,CAFC也不同意。根據過往判例,源於自動化的速度和效率方面的通用改進,不足以賦予§ 101的專利適格性。
另外,在確定專利請求項是指向抽象概念還是技術改進時,法院通常會考慮該請求項是否包含如何實現專利權人所聲稱的改進。然而,法官認為請求項和說明書都沒有描述如何實現這種改進,而只陳述了最佳化時間表或網路地圖等功能性目標。也就是說,這些請求項沒有劃分出機器學習技術實現改進的步驟(“Neither the claims nor the specifications describe how such an improvement was accomplished. That is, the claims do not delineate steps through which the machine learning technology achieves an improvement.”)。
在Alice的第二步,CAFC發現請求項缺乏創新概念(inventive concept),未能將抽象概念轉化為可專利的應用。Recentive辯稱發明概念是使用機器學習來根據即時資料動態生成最佳化的網路地圖和時間表,並根據不斷變化的條件進行更新。然而,CAFC認為這不過是主張了抽象概念本身。法院也認為,無論是單獨或是按順序組合考慮,請求項中沒有任何能將機器學習訓練和網路地圖的發明轉變為比抽象概念(通過機器學習生成活動時間表和網路地圖)「顯著更多」的東西。最終,CAFC表示系爭專利未通過Alice的兩步測試,並駁回了上訴。
實務建議
本案是第一個CAFC針對人工智慧相關專利進行35 U.S.C. § 101分析的案件。在本案中,CAFC很大程度上依賴專利權人在訴訟過程中自我承認所使用的技術是通用和習知的。因此,CAFC認為本案意見的適用範圍較為狹隘:「我們僅僅認為,專利只主張將通用機器學習應用於新的資料環境,而未揭露要應用的機器學習模型的改進,根據第101條是不適格的」(“we hold only that patents that do no more than claim the application of generic machine learning to new data environments, without disclosing improvements to the machine learning models to be applied, are patent ineligible under 101.”)。然而,本案的意見仍然很可能對未來基於人工智慧的專利造成廣泛的影響。
另一方面,CAFC對機器學習模型的Alice分析與其他電腦軟體的差別不大。在過往CAFC的判例中,已經指出「將現有技術應用於新的資料庫並不能產生專利適格性」(“the application of existing technology to a novel database does not create patent eligibility”)。由於CAFC引用了其在 SAP v. InvestPic及Power Grp. v. Alstom等案件中的判決。未來在撰寫相關專利時,可能需要多研究這些判決的內容。
在本案中,法院嘗試將真正的技術進步和僅僅是應用現有技術的情況切分開來,不過並未就該如何克服適格性要求提供具體的方向。現階段而言,申請AI專利的公司可能要採取一些預防措施:
- 避免可能使AI方法被解釋為通用或傳統的文字。例如不應主張發明不特別受限於某個AI模型。申請人應該盡可能詳細地描述AI模型,同時強調獨特的算法步驟,以將專利中的AI模型與現有的傳統模型區分開來。
- 清楚說明發明是如何改進傳統的機器學習方法。
- 申請人也應強調機器學習演算法本身的技術改進上,而不僅僅是應用於新領域。
- 將人工智慧方法與電腦本身的改進相連結,以凸顯對於現有技術的改良。
- 清楚解釋實現功能的技術手段,並避免純粹的功能性請求項。
最後,若擔心難以取得專利,也可如同一般的電腦軟體發明,將技術以其他手段進行保護,例如營業秘密或軟體著作權。(2484字;圖1)
參考資料:
Recentive Analytics, Inc. v. Fox Corp., No. 2023-2437 (Fed. Cir. Apr. 18, 2025)
Broadcast Alert! Applying Conventional Machine Learning to New Data Isn’t Patent Eligible. JDSUPRA. 2025/04/24.
--------------------------------------------------------------------------------------------------------------------------------------------
【聲明】
1.科技產業資訊室刊載此文不代表同意其說法或描述,僅為提供更多訊息,也不構成任何投資建議。
2.著作權所有,非經本網站書面授權同意不得將本文以任何形式修改、複製、儲存、傳播或轉載,本中心保留一切法律追訴權利。
|