AI新創企業的「智慧財產」保護策略（下篇）

對部分AI新創企業而言，取得專利保護技術是有效方法之一。然而，許多AI新創企業對於專利依目的不同而有多種類型的認識不足。例如，美國專利法有「設計專利（design patents）」和「實用專利（utility patents）」兩種，其中設計專利用來保護產品的外觀，維護設計的獨特性。結合設計專利與商業機密保護，可以有效地調整公開與保密部分的保護方式。圖1展示了美國蘋果公司某些著名的設計專利。

如圖1所示，蘋果公司著名的設計專利之一「US Design 604,305」保護的是iPhone的圖形使用者介面（GUI）外觀。AI新創企業應該關注如何戰略性地運用設計專利來保護自家產品的用戶介面設計及其他裝飾性元素。

與設計專利不同，實用專利保護的是裝置或技術的新穎性和創新性。然而，在美國，通常軟體和AI並不屬於專利保護範圍。儘管如此，這條規則有許多例外，因此AI新創企業需要了解自家發明是否符合這些例外情況。

首先，簡單說明美國專利保護的對象範圍。美國的專利保護範圍雖然非常廣泛，但存在三個不予專利的領域，分別是「自然法則」、「自然現象」以及「抽象概念」，如圖2所示。

軟體、資料結構（用來整理和結構化資料的方法）、AI通常被視為抽象的理念，因此一般不會在美國獲得專利。然而，這並不意味著必須放棄。這條規則有許多例外，接下來將詳細說明。

為判斷在美國能否取得專利,專利局和法院採用由兩個主要審查項目構成的框架來進行評估。這個框架被稱為「Alice/Mayo測試」，是基於美國最高法院所做的兩個著名判決，並且適用於包含AI技術在內的各種發明。具體內容如圖3所示。

如圖3所示，Alice/Mayo測試的步驟1判斷專利（或專利申請）的請求項是否涉及自然法則、自然現象或抽象概念。由於大多數AI技術被視為抽象概念，因此會進入步驟2。步驟2判斷請求項是否包含額外要素，據此決定是否應授予專利。理解這些額外要素具有何種性質或特徵，是判斷AI相關發明能否在美國取得專利的關鍵。

通常，所謂的「附加元素」是指針對現實問題提供創新且技術性的解決方案。例如，現實問題可能包括某些大型語言模型（LLM）運行過慢、所需學習資料過多、能耗過大、訓練困難、經常生成錯誤資訊等。

新穎且技術性的解決方案可以是開發特定類型的合成數據的方法、配置省電且運行更快速的API（應用程式介面）、使LLM訓練更加簡單且精確的方法，或者檢測並防止LLM生成錯誤資訊的方法等。

2025年4月18日聯邦巡迴上訴法院（美國專門法院，管轄智慧財產權或關稅相關訴訟的上訴審，以及對美國專利商標局決定的訴訟）做出的「Recentive Analytics, Inc. v. Fox Corp.」判決，可作為AI技術未獲專利認可的參考案例。

在這場訴訟中，Recentive Analytics, Inc.（以下簡稱Recentive公司）對其擁有的「為直播事件創建最佳電視播放時間表的技術」提出了四項專利訴訟，指控Fox Corp.（以下簡稱Fox公司）侵犯了這些專利。對此，Fox公司主張Recentive公司的專利屬於「抽象的理念」，不符合專利法要求，因此不應被承認為專利，並要求駁回訴訟。

例如，Recentive公司對其中一項名為「U.S. Patent No.11,386,367」的專利提出了以下四個步驟，要求將其認定為專利：（1）收集即將播出的直播事件相關資料；（2）訓練通用機器學習模型以識別收集的資料之間的關聯；（3）使用該機器學習模型生成最佳直播事件電視播放時間表；（4）檢測直播事件資料的變更並生成修改後的最佳電視播放時間表。這些步驟在下圖4中以區塊圖形式進行說明。

Recentive公司認為其專利通過了Alice/Mayo測試的步驟2，「AI技術的動態調整訓練」是將「利用AI創建電視播放時程表」這個「單純抽象概念」轉變為可專利「發明」的新「額外要素」。（參見圖3步驟2）

然而，聯邦巡迴區上訴法院對此提出異議，並解釋道：「基於即時變化的動態調整是機器學習本質上不可或缺的部分」（參見Recentive Analytics判決文第12頁，引用省略）。因此，法院認為：「僅僅限制使用領域並不能將抽象的理念轉變為具體的發明」（參見Recentive Analytics判決文第14頁，引用省略）。Recentive案件的判決概況如圖5所示。

接下來介紹一個在美國獲得專利適格性認可的AI技術實例。美國IBM公司開發的AI系統IBM Watson在人工智慧領域突破了諸多技術障礙,其開發過程中誕生的眾多發明獲得專利認證,實屬意料之中。IBM Watson取得的「美國專利第11,475,331號」(以下簡稱「'331專利」)便是針對資料集(數據集合)中可能扭曲結果、降低準確度的偏誤(bias)問題。

'331專利所述發明能夠偵測資料集內的偏誤,精確識別並移除具有偏差的數據,進而建立公平的資料集。下方圖6展示了'331專利中偏誤檢測與移除的區塊圖。

如上方圖6所示，偏誤檢測工具「310」偵測輸入資料集「305」中的偏誤。偏誤一旦被識別，偏誤識別工具「320」便會找出具有偏差的數據。最後，去偏誤引擎「340」作為移除偏誤的系統，從輸入資料集「305」中移除偏差數據，建立去除偏誤的資料集「380」。'331專利所請求發明的簡化概要如下方圖7所示。

如圖7所示，'331專利輕易通過了Alice/Mayo測試的步驟2（參見上方圖3）。這主要是因為針對資料集偏誤這個實際問題，提供了新穎且技術性的解決方案。

希望這個案例（以及前述的反例）能為AI新創企業提供參考，了解何種AI技術可在美國取得專利。然而，以專利申請形式公開企業有價值的創意，並非總是最佳選擇。AI新創企業在決定智慧財產權策略時，也應審慎考慮商業機密保護、設計專利和實用專利等選項。

AI新創企業,尤其是日本的AI新創公司,往往擁有卓越的創意、無限的活力以及強烈的樂觀精神,但同時也經常忽略如何妥善保護自身的智慧財產權。筆者衷心期盼本文能成為部分AI新創企業的契機,促使其認真思考保護自家創意的方法,進而推動業務成長。在保護創新上投入些許時間與成本,長遠來看必將為企業帶來可觀的回報。

理蒙法律事務所合夥人律師,長期定居日本。曾於紐約知識產權專業律師事務所擔任專利訴訟律師,2010年來到日本後,出任尼康公司智慧財產權部門負責人(Chief IP Counsel),任職長達10年。2023年起加入利蒙律師事務所,並於東京開設該所辦公室。

如有相關諮詢，請發送電子郵件至 eric.kirsch@rimonlaw.com。

翻譯：藤川華子

編輯：北松克朗Top

首圖：由Envato 提供

如對本文有任何疑問,歡迎來信至 jstories@pacificbridge.jp。

本文章的英文版可以從這裡查看。