AI創業公司的「智慧財產」保護策略（下篇）

對於一些AI初創企業來說，取得專利以保護技術是一種有效的方式。然而，許多AI初創企業可能並未充分理解專利有多種根據目的不同的類型。例如，美國的專利法中包含「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部分。

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的圖形用戶介面（GUI）外觀。AI初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初創企業需要了解自家發明是否符合這些例外情況。

首先，簡要介紹一下在美國哪些內容可以成為專利保護的對象。美國的專利範圍非常廣泛，但有三個領域是通常不會被授予專利的。這三個領域分別是「自然法則」、「自然現象」和「抽象的理念」，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。

在美國，專利的可獲得性通常依據一個由兩個主要檢討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，在Alice/Mayo測試的第1步中，專利（或專利申請）的請求項會被判定是否涉及自然法則、自然現象或抽象的理念。大多數AI技術通常會被視為抽象的理念，因此會進入第2步。在第2步中，會判定請求項是否包含附加的元素，並根據這些元素來決定是否應該授予專利。了解這些附加元素的性質和特徵，是判斷AI相關發明是否能在美國獲得專利的關鍵。

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，聯邦巡迴區上訴法院（美國的專門法院，負責知識產權和關稅相關訴訟的上訴審理以及對美國專利商標局決定的訴訟）裁定的「Recentive Analytics, Inc. v. Fox Corp.」判決，作為未能獲得專利的AI技術案例提供了參考。

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公司主張，由於其AI技術能夠動態調整機器學習模型的訓練，並生成修正後的最佳電視播放時間表，因此該專利是有效的。換句話說，Recentive公司認為其專利已通過Alice/Mayo測試的第2步，並表示「通過AI技術動態調整訓練」是一个新的「附加元素」，將「僅僅是抽象的理念」的電視播放時間表創建轉變為可專利的「發明」。（參見圖3、第2步）

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，介紹一個在美國被認可為專利資格的AI技術範例。IBM的AI系統IBM Watson在AI領域打破了許多壁壘，而從Watson的開發中衍生出的多項發明，其中之一被認定為專利，這並不令人驚訝。IBM Watson的「U.S. Patent No.11,475,331」（以下簡稱「’331專利」）關於可能扭曲結果並降低精度的數據集（資料集合）偏見（偏差）。

’331專利中描述的發明是通過檢測數據集中的偏見，精確識別並去除偏頗數據，從而創建公平的數據集。以下圖6顯示了’331專利中偏見檢測和去除的區塊圖。

如圖6所示，偏見檢測工具「310」會檢測輸入資料集「305」中的偏見。當偏見被識別出來後，偏見識別工具「320」會找出偏頗的數據。最後，為了去除偏見，系統中的去偏見引擎「340」會從輸入資料集「305」中移除偏頗的數據，並創建去除偏見的資料集「380」。’331專利所要求的發明簡化概述如下圖7所示。

如圖7所示，’331專利輕易通過了Alice/Mayo測試的第2步（參見圖3）。這主要是因為它針對現實問題——數據集中的偏見，提供了創新且技術性的解決方案。

這個例子（以及前述的反例）希望能為AI初創企業，特別是那些希望在美國獲得專利的AI技術，提供一些參考。然而，將企業有價值的創意以專利申請的方式公開，並不總是最佳選擇。在決定AI初創企業的知識產權策略時，應該謹慎考慮商業機密的保護、設計專利及實用專利等問題。

AI初創企業，特別是日本的AI初創企業，通常擁有優秀的創意、無限的精力和強烈的樂觀主義，但同時也常常忽視如何保護自己公司的知識產權。我真心希望本篇文章能成為一些AI初創企業認真思考如何保護自身創意的契機，並最終促進企業的成長。為了保護創新，投入少量的時間和成本，將來必定會為企業帶來巨大的利益。

理蒙法律事務所的合夥律師，持有日本永住權。在紐約專注於智慧財產的法律事務所擔任專利訴訟律師後，於2010年來到日本，並成為尼康公司智慧財產部門的負責人（Chief IP Counsel），擔任此職位達10年之久。自2023年起，加入理蒙法律事務所並開設東京辦公室。

如有聯繫需求，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

圖片：Envato 提供

如有關於本文的問題，請聯繫 jstories@pacificbridge.jp。

本文章的英文版可以從這裡查看。