AI最新應用及其法律議題 系列6（上）— AI代理之可專利性與範例舉隅
科技產業資訊室(iKnow) - 陳家駿、許正乾 發表於 2025年11月25日
圖、AI最新應用及其法律議題 系列6（上）— AI代理之可專利性與範例舉隅
不論AI代理人（AI Agent）或代理型AI（Agentic AI），其共同特色，都是指一種能在無需持續人類監督下，就能自主設定目標、規劃任務的AI工具。延續之前本系列1-5，以下說明皆以「AI代理」來代表AI代理人或代理型AI。
AI代理的觸角正延伸到製造、醫療、金融、教育、零售、法律及供應鏈管理等多個產業，讓業界認真思考如何發揮其功用並確實落地應用，以提升工作效率與決策品質，並能自我學習與調整。據此，若能建立適當的專利保護壁壘，就可防止競爭者仿效，並透過授權或收購實現商業化收益。
自2021年以來，AI相關的專利申請數量，在美國專利商標局（USPTO）中成長逾150%，顯示企業在激烈市場競爭中愈發重視對AI技術成果的保護。這樣的數據所帶來的意義是，若能及早辨識並布局自身AI創新的企業，不僅能建立智慧財產的「護城河」，還能取得明顯的競爭優勢。根據IFI Claims最近的報告顯示，美國企業過去一年中，提交AI相關的專利申請數量就激增超過50%，約占AI相關專利申請的7%。以下即以美國為例加以介紹。
專利三性之判斷評估
在探討AI技術參與研發時，仍須回到專利制度的根本要求。依現行國際主流法制，發明人必須是「人類發明人」（human inventor），而AI本身不被法律承認為發明人，但利用AI衍生的發明可以申請專利，但必須是由「自然人」列為發明人。然而，許多國家的法院允許只要研發過程中仍由人類基於技術構思、判斷與貢獻進行發明或創作，利用AI所得到的技術成果仍可申請專利；其次，發明仍需符合專利要件。以美國為例，USPTO審查專利時，將依據美國專利法的第35篇（35 U.S.C.）第101～103條進行判斷是否符合以下三大門檻，亦即大家所稱的「專利三性」，也是全球審查發明專利時的共同基準。
專利三性包括：可專利標的（patent-eligible subject matter, 35 U.S.C. §101）、新穎性（novelty, 35 U.S.C. §102）與非顯而易見性（non-obviousness, 35 U.S.C. §103）等授予專利的基本門檻，如欠缺以上任一要件，發明申請將無法通過專利審查。以下為美國對於專利三性及其與AI代理的簡單說明。
1. 可專利標的（eligible subject matter）
依美國專利法35 U.S.C. §101，發明必須同時符合實用性（utility）與適格標的（eligibility）。申請的發明能如依據說明書所述實際操作並具備可在產業中運用的功效，只要能產生具體功能或技術效果（例如提升運算效率、改善材料特性等），通常即可符合實用要件。適格標的則限定發明必須落於四大可專利類型──過程、機械、製造物、物質組合或其有用改良；但不包括自然法則、物理現象或抽象概念等不適格標的。不過依最高法院Mayo Collaborative Servs. v. Prometheus Labs和Alice v. CLS Bank Int’l二個判例所發展出的「Mayo/Alice二步測試法」，只要申請內容能將不適格概念具體轉化為「發明概念」（inventive concept）的技術方案，仍有可能被視為專利適格。
針對AI代理技術而言，要通過美國專利法35 U.S.C. §101通常沒太大問題，畢竟其技術與應用本質上，在許多產業中就具有相當的實用性與適格性。即便AI代理可能在某些情況具有抽象概念（如數學演算程序），但只要申請內容能將可能會發生的不適格概念具體轉化為「發明概念」，即可通過美國專利法35 U.S.C. §101。
2. 新穎性（novelty）
依美國專利法35 U.S.C. §102，新穎性係指發明申請在有效申請日前，如已有同樣獲准之專利，或曾載於已公開文獻或曾公開使用或販售（於專利申請日1年以前，於全世界而非單指申請國境內）[1]，或由其他方式為公眾取得，該專利申請就不具新穎性。USPTO於專利審查程序指南（MPEP: Manual of Patent Examining Procedure）指出：「在請求項中所述及之每一項元件（element），不論是明示或本質上被發現已描述於單一習知技術之參考中，該請求即已被先占（anticipated）」。因此新穎性係基於先占原則（doctrine of anticipation），其要求專利申請標的，必須是先前不為人知或不屬於任何習知技術（prior art）。
針對AI代理技術而言，新穎性判斷的要件是「請求項的每一個元件必須在同一份習知技術中被完全揭露」，然而AI代理的設計不僅包含多層組件，而且也未被標準化。舉例來說，LLM或多模態模型、API工具使用或函數呼叫、RAG（檢索增強生成，Retrieval Augmented Generation）或外部記憶系統、協調或規劃模組、自動化決策模組、任務分解與狀態管理、策略行動模組、評估模組等，這種系統本身「複合性」高，又缺乏統一架構標準，使得單一專利要「完整逐項涵蓋」申請人所主張的AI代理流程，其實相當困難。換言之，AI代理技術的元件組合，通常比現有單一習知技術所能揭露的更複雜，因此，在美國專利法35 U.S.C. §102上也相對較容易通過。
3. 非顯而易見性（non-obviousness）
依美國專利法35 U.S.C. §103，發明申請需與既有習知技術間存有差異，如發明在專利申請時易於被認知或改變，例如只用已知方法結合習知技術之元件來實現可預測的結果，或只用一已知元件替換另一已知元件，即屬顯而易見而不具有專利性。然而，即使構成發明的元件已存在於先前技術中，只要其組合能產生意料之外的技術效果或帶來顯著改進，仍可能符合非顯而易見性。簡言之，若發明對該領域現有技術中具普通技能者（PHOSITA）而言，該改良可輕易推知，那麼就不具有「非顯而易見性」。
AI代理技術要通過非顯而易見性是最大的挑戰，原因在於目前AI代理大多屬於「可預期的組合」，舉例而言，第一種實施態樣可為「LLM結合API工具使用、外部記憶系統、規劃模組」；第二種實施態樣可為「LLM結合RAG、套上工作流程協調樣板」；第三種實施態樣可為「LLM輔以一般的機器學習、任務自動化邏輯」。這些架構在行業中愈來愈常見，因此審查官容易認為「這只是把已知的模型與已知的模組依照常規方式組合，對PHOSITA而言是合理推論。」
因此，審查委員常以「缺乏具體技術效果」、或「只是把既有AI模型組合使用，缺乏超越預期的技術貢獻」為由而予以核駁。因此，要突破此挑戰，AI代理可強調獨特的整合方式，透過實證數據展示意外的技術效果，例如，在特定應用中，達成超出預期的準確度、提升或資源效率改善，從而證明非顯而易見性。另一途徑是聚焦於創新步驟，如開發新型訓練機制或適應性邏輯，結合比較分析證明其係具有超越常規組合的貢獻，避免被視為僅是常規自動化。
除了專利三性之外，專利說明書之明確性（definiteness, 35 U.S.C. §112）、即可據以實施性（enablement）與最佳實施例（best mode）。依專利法第112條，專利說明書就發明及其製造、使用之過程和方法應以書面描述，其文字說明需用完整、清晰、精簡準確之用語充分揭露，以據以實施該發明。要求申請人完整揭露實現該發明的最佳方法，防止其保留更佳的實施途徑卻仍獲專利保護。據此，在AI代理領域，明確性要求確保說明書精確定義AI代理的架構、演算法、系統部署或動態適應機制等可據以實施的說明，而非僅空泛提及LLM或工具組合，以避免模糊描述而導致請求項的保護範圍不明確，進而影響專利有效性。
2019 PEG專利審查指南
針對AI代理之專利申請，實務作業上必須遵照2019 PEG專利審查指南（Patent Examination Guidance），該指南係依最高法院Mayo/Alice二步測試法，為審查委員提供一種步驟/分支（Step/Prong）之實務應用方法，以確定基於抽象概念之權利請求項是否具專利適格。其審查程序簡述如下：
I. Step 2A Prong 1
判定是否涉及司法例外（judicial exceptions），其包括抽象概念（abstract ideas）之特定類別，如：數學概念、人類活動組織方法、心智過程（mental processes）。基本上，AI代理是因為模擬人類決策與規劃的心智過程的運作，很可能落入抽象概念。
II. Step 2A Prong 2
接著，檢視是否有「附加元件」（additional elements），將司法例外整合至一項實際應用（practical application）之中。若請求項同時滿足以下兩項條件，則可能涉及不可專利標的：(1) 請求項引述到司法例外；且(2) 未將該例外整合至具體的實際應用中。換言之，若請求項已將抽象概念整合進實際應用，則不會被視為不可專利之標的，因此，此已賦予申請人更寬廣的專利空間。AI代理因為是模擬人類決策以執行現實世界中特定任務的運作，要符合將其整合至具體的實際應用中，應非難事。若仍未通過此步驟，則進入Step 2B，進一步檢視請求項是否具有比抽象概念「實質上更多」內涵（significantly more than abstract ideas）。
III. Step 2B
在判斷司法例外是否具「實質上更多」，則應考量其「在該領域中非充分為人了解、常規慣例、傳統活動的特定限制」，才構成實質上更多；因2019 PEG修訂後，Step 2A中的若干考慮因素與Step 2B重疊，因此不會在2B中重新評估。當審查員在2A第二部分，得出附加元素是無關緊要之額外解決活動（insignificant extra-solution activity）的結論時，此情況下應在2B中重新評估該元素是否係非常規（即必須多過眾所周知、慣例、傳統或常規的活動）。如特定概括性地將行業先前已「充分為人了解、例行、常規的活動」，附加到該司法例外，此時即非屬「實質上更多」。
由於AI代理依賴通用電腦硬體執行抽象算法的運作，申請時務必將其撰擬成包含獨特技術限制或創新整合的具體實施，從而證明其超越常規。例如，AI代理可透過整合專用硬體，如邊緣計算裝置，展示在特定領域的非傳統性能提升，如即時處理大量數據而非僅依賴雲端運算，從而構成「實質上更多」。另一途徑可強調自我改進機制，例如動態調整參數以適應未知環境，經比較測試證明其超出行業常規，轉化為可專利的技術貢獻。
其實，根據該審查指南，本來就是要放寬AI相關專利核准的可能性，因為之前有許多AI相關專利在聯邦法院的訴訟中常被判定無效，專利局為了要鼓勵AI發明的申請，某層面上已相當程度地放寬審查的標準。連帶AI代理相關專利當然也隨之受惠。不過，即使專利獲准，但嗣後在法院的訴訟當中，AI代理專利是否能繼續存活，仍然必須接受最高法院Alice v. CLS Bank判例的檢驗。
AI代理的運作原理
AI代理會根據一組「成功判定標準」來選擇並執行行動，而這組標準通常稱為「目標函數」（objective function）。簡單來說，目標函數的作用，是在告訴AI代理「什麼行為算好、什麼結果算成功」的規則。AI代理會處理資料輸入、評估當前狀態，並選擇能讓結果更接近這些成功標準的行動。AI代理的每一項判斷都依賴所謂的「知覺」（percept），也就是系統目前對環境與目標的理解。隨著與環境互動，其知覺會不斷更新，使AI代理能逐步調整策略、提升決策品質。
至於目標函數，可以由開發者或使用者明確設定，例如：設定讓機器人系統「越省電越好」之目標；可透過強化學習在大量試誤中自行學得該目標。常見的成功判定方式（即目標函數）包括「獎勵函數」（Reward Function）與「成本函數」（Cost Function），其中「獎勵函數」之目的，是為引導AI代理在進行決策時，傾向將「有利結果」（技術專業說法為最大化正向結果）變多；而「成本函數」之目的，是要引導AI代理在進行決策時，傾向讓「不良結果」（技術專業說法為最小化懲罰或不理想結果）變少。
AI發明之實質貢獻要件
專利制度的前提是：發明必須源自人類的構思（conception）。然而，當AI本身能定義技術問題、設計並執行實驗、解析結果、並產出新穎且非顯而易見的解決方案時，人類的角色可能僅剩設定大方向或審核最終結果。此類情況下，人類是否仍具備足以構成「實質性貢獻」的創造性角色？目前仍不確定，這也使專利適格性面臨挑戰。
若專利請求項過度強調AI的內部推理過程，可能會被視為「抽象概念」（abstract idea），除非能明確連結至具體技術改進，例如降低能耗、加快運算或提升感測精度。發明概念越依賴AI內部邏輯，就越需要以可驗證的技術效果作為支撐。
在機器人、材料科學及生物科技等領域，AI已能自行定義問題、收集資料並迭代實驗，使研發周期與成果品質產生根本性的變化。從法律觀點來看，USPTO發布的《AI輔助發明之發明人指導方針》（Inventorship Guidance for AI-Assisted Inventions）明確指出：只有當至少一位人類，對所主張發明的「構思」作出實質性貢獻時，AI輔助的成果才可獲得專利保護。此「實質性貢獻」的典型形式包括：設計或調整AI系統的架構、工程化訓練流程、資料來源或模型輸出方式。而僅僅「操作AI工具」或「擁有AI系統」，則不足以構成可主張發明的貢獻。
對創新者而言，過程紀錄已不僅是良好做法，而是取得專利保護的必要條件。必須清楚保存人類在AI的目標設定、模型設計、資料選擇或結果評估過程中介入的具體證據，以證明人類對發明「構思」具有實質性貢獻。在撰寫專利說明書申請時，將AI明確描述為整體技術系統中的一個組成模組，不僅有助於符合發明人要件，也能強化技術性的主張基礎。
舉例來說，在機器人領域中，一個經人類設計與訓練的AI模組，可接收機械手臂的即時感測資料，自主生成校準參數以提升操作精準度。接著，將這些參數回傳給致動器（actuator，將能量轉換為運動的裝置，可以廣泛應用於各個領域，如工業自動化、機器人技術等）以進行調整。最後，再由人類確認該調整，是否符合安全與性能要求。此結構清楚展現AI的自主決策與人類監督的分工關係，也提供可被專利審查認可的人類創造性介入證據。
AI代理之可專利性
AI代理的應用潛力
AI代理在各領域展現高度應用潛力，從自駕車、工業機器人與無人機等自主控制系統，到提供自動化回覆與問題分流的客戶支援服務，均能即時調整決策並提升效率。在醫療領域，AI協助診斷、治療建議與病患監測，改善臨床結果；在企業營運中，AI可協調任務與資源，優化工作流程並提升生產力。在金融市場，AI可多面向執行「數據驅動決策」之任務，藉由分析大量資料、依既定策略自動執行交易以平衡風險與報酬；而在內容產製方面，AI不僅能生成內容，更能自主規劃與排程，並依使用者互動數據持續調整策略。
AI代理是否可獲得專利？
AI 代理是否可獲得專利，取決於其是否符合法定的專利三性等要件。AI代理與生成式AI（即GenAI，如ChatGPT或Grok等應用程式皆屬GAI）在本質上有根本差異。GenAI專注於根據人類的提示指令，一問一答而生成內容；然而AI代理則能自主執行一連串動作，並根據環境的變化而自動調整行為或動作。
具體而言，AI代理是具備自主或半自主運作能力的軟體，能感知其環境、處理資訊並完成任務，與依賴預先設定規則的傳統系統不同。AI代理能處理資料並執行任務，透過感測器、API及互動經驗所蒐集的資料，不斷學習、改良並進行預測。這種能力使其能在多種產業中分析資料、辨識複雜的環境模式並進而執行自動化決策。更甚者，將多個AI代理整合至企業級應用中，更能執行多項任務，提升流程協調能力與組織生產力；同時降低錯誤率、優化解決方案品質，進而讓團隊專注於更高價值的工作。
相較傳統基於規則的系統，AI代理具備隨時間持續優化的能力，無須重新程式設計，即可透過學習進行調整。然而，專利保護並非取決於「技術的自主程度」，而是取決於「申請內容是否明確揭示技術貢獻」，並滿足可專利標的（包含實用性）、新穎性與非顯而易見性等基本要求。只要AI代理的創新，能克服審查委員經常以「缺乏具體技術效果」、或「只是把既有AI模型組合使用，缺乏超越預期的技術貢獻」等論點核駁，基本上都有機會獲得軟體類的發明專利。
在AI技術快速演進的背景下，保護核心軟體解決方案，是企業維持競爭優勢的關鍵策略。因此，熟悉審查委員對判斷專利三性的「好球帶」，是有效保護與運用AI技術成果的關鍵，特別是「非顯而易見性」。然後再回過頭審視AI代理或AI平台的技術創新點與專利三性之間的關聯性，並透過專利佈局建立技術壁壘，以提升市場競爭力與支持後續商業化。
AI代理可專利性之範圍
AI代理所衍生的發明是否可予以專利，首先必須通過「可專利性」的門檻。USPTO在審查所有非臨時專利申請時，會先判斷其是否落入不可專利的「抽象概念」範疇。若過於抽象，即可能在美國專利法第101條下被拒絕。AI代理與機器學習相關技術的可專利性在法律上尤其複雜，因其不僅需符合前述的專利三性外，還必須處理AI與軟體發明特有的技術揭露挑戰。
因此，在專利申請中，必須明確而具體地描述AI模型的技術層面，包括其架構設計、資料處理流程、訓練方式、推論流程以及與硬體系統的互動方式，以凸顯其技術改進，並避免被視為僅僅是抽象演算法或概念化的資料處理步驟。唯有透過充分揭露具體技術內容，才能降低被美國專利法第101條「抽象概念」駁回的風險，並強化發明的可專利性之主張。
AI正從單純的「模式識別」與「內容生成」，進化到具備自主決策與長時序任務能力的階段，使得AI代理可望在未來的專利工作領域中，展現更高的創新密度與保護價值。特別是當自主能力被導入實體系統時，傳統機械創新與軟體創新之間的界線逐漸模糊。例如：自主維修無人機可結合視覺感測器、AI診斷與機械操作臂，能自動檢測磨損、選擇修復方案並執行維修，全程無需人類花太多時間介入。另一例子，手術機器人可根據病患即時生理數據，自動調整手術路徑，並由AI控制模組進行動態校正，以確保手術精準度。
在這些情境中，創新價值往往不設定在單一硬體或單一演算法，而是體現於感知、推理與行動三者之間的系統級整合。從專利實務的角度，這樣的融合需要更精確且多面向的請求項策略，包括：(1)方法請求項，保護從感知到決策再到行動的完整流程與訊息處理順序；(2)系統請求項，涵蓋感測硬體、致動器與AI控制邏輯之間的互動架構；(3)電腦可讀媒介（computer-readable medium）請求項：保護系統背後的軟體實作與模型程式架構。此外，系統整合也要提供支持非顯而易見性的論據，即便硬體、演算法或資料處理流程各自已是現有技術，但若其整合後展現出超乎預期的性能改善，如縮短作業時間、提高準確度或降低功耗等，仍可構成可專利性的基礎。(7036字；圖1)
[1] 發明不得在有效申請日前已被公開或為人所知。若仍在研發AI創新，應考慮提交臨時性專利申請(provisional application)或將成果視為營業秘密。
作者資訊：
陳家駿律師 臺灣資訊智慧財產權協會 理事長
許正乾執行長 因子數據股份有限公司 共同創辦人
參考資料：
Are AI Agents Patentable? Powerful Strategies for Agent-Based IP Rights. The Rapacke Law Group, 2025/2/10
Understanding How to Patent Agentic AI Systems. MINTZ, 2025/3/20
How Agentic AI Is Testing The Limits Of Patent Law. Marshallip, 2025/8/20
Systems and methods for generating models to identify states and actions. Google Patents, 2025/7/1
C3.ai gets grant for detecting non-technical energy loss using machine learning clustering. Verdict, 2024/3/11
C3 AI Awarded Patent for AI Agents. Destination CRM, 2024/11/1
C3 AI Awarded Patent for AI Agents. Business Wire, 2024/10/31
Regie.ai Secures Foundational U.S. Patent for AI Agent Technology Years Ahead of the Market. PR Newswire, 2025/10/7
Patent Eligibility, Patent Eligibility: How to Tell if your Life Science Invention is Patentable. Labiotech, 2022/6/22
C3.ai, Inc. (AI) Secures New U.S. Patent for Advanced Generative AI Technology, Reinforcing Leadership in Enterprise AI Innovation. Yahoo Finance, 2024/11/1
Allocating resources for a machine learning model. Justia Patents, 2022/6/10
Allocating computing resources using a machine learning model. Google Patents, 2024/7/4
Enterprise generative artificial intelligence architecture. Google Patents, 2024/10/8
Systems and methods for generating models to identify states and actions. Google Patents, 2025/7/1
AI for evaluation and development of new products and features. Google Patents, 2023/4/11
Implementing artificial intelligence agents to perform machine learning tasks using predictive analytics to leverage ensemble policies for maximizing long-term returns. Google Patents, 2021/11/30
Executing artificial intelligence agents in an operating environment. Google Patents, 2021/5/6
C3AI awarded a patent for AI agents. Linkedin, 2024
--------------------------------------------------------------------------------------------------------------------------------------------
【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。
|