USPTO专利客体适格性指南更新（下） — AI相关专利的客体适格性

2024年7月17日，美国专利商标局（USPTO）发布了专利适格性（客体问题）指南的更新（以下简称“2024指南” ），以应对包括人工智能（AI）在内的关键和新兴技术中的创新。这是继2019年1月7日发布的关于Alice/Mayo测试的指导意见，旨在为处理软件相关专利的申请提供更一致的审查标准后，又一针对性的指导指南。

在上文中，我们与大家回顾了Alice/Mayo两步测试法，在本文中，我们将进一步与大家分享2024年指南中与AI相关的内容。

“与AI相关”一般包括两种情况：（1）AI 参与/辅助了发明创造本身；（2）发明所针对的是AI的创造、改进、或应用。USPTO对两者都给出了一定的指导。

I. AI辅助发明

2024指南澄清，一项发明是否是在人工智能的帮助下创造的不会影响专利适格性的评估。无论是否使用人工智能来辅助构思发明，评估仍针对所要求的发明本身。但指南中也强调，发明人必须对权要作出重大贡献（significant contribution）。至于怎样才算作出“重大贡献”，本指南未涉及，相信USPTO后续也会更新相应的指南来进行解释说明，我们会持续关注，给大家带来最新消息。

II. AI的创造、改进、或应用 + 新示例分享

关于针对AI的发明，USPTO明确指出其客体适格性并没有脱出Alice/Mayo 两步测试法的分析范畴，我们也在上篇中给出了基本的介绍。但更重要的是，USPTO为AI相关发明给出了3个新的专利适格性示例，编号47-49。分别为——

示例47：一种用于人工神经网络的专用集成电路（ASIC）；

示例48：一种用于监控乳牛健康和活动的系统；

示例49：一种包括对患有肾炎自身免疫综合症3型（NAS-3）患者施用雷帕霉素的治疗方法。

具体的示例原文在如下网站，其内容较多，可酌情阅览：www.uspto.gov/PatentEligibility。我们这里着重讲解具有一定代表性的示例47，但还是强烈建议大家去以上网址仔细阅读这3个例子。

Example 47. Anomaly Detection

CLAIMS

[Claim 1] An application specific integrated circuit (ASIC) for an artificial neural network (ANN), the ASIC comprising:

    a plurality of neurons organized in an array, wherein each neuron comprises a register, a microprocessor, and at least one input; and

    a plurality of synaptic circuits, each synaptic circuit including a memory for storing a synaptic weight, wherein each neuron is connected to at least one other neuron via one of the plurality of synaptic circuits.

分析：权利要求1描述了一种用于人工神经网络（ANN）的特定集成电路（ASIC），该ASIC包括多个以阵列形式组织的神经元，每个神经元包括一个寄存器、一个微处理器和至少一个输入；以及多个突触电路，每个突触电路包括一个用于存储突触权重的存储器，其中每个神经元通过多个突触电路中的一个与至少另一个神经元连接。权1是适格的。

第1步：判断出此权利要求属于的法定类别：机器（特定集成电路），权利要求指向一个物理电路，这是一个机器和/或制造物，并不是抽象的概念或算法。

步骤2A第一部分：权利要求中没有提到司法例外。权利要求没有提到任何抽象概念，如数学概念。虽然ANN可能使用数学进行训练，但权利要求中没有提到任何数学概念。

结论：权1具备客体适格性。

[Claim 2] A method of using an artificial neural network (ANN) comprising:

(a) receiving, at a computer, continuous training data;

(b) discretizing, by the computer, the continuous training data to generate input data; 

(c) training, by the computer, the ANN based on the input data and a selected training algorithm to generate a trained ANN, wherein the selected training algorithm includes a backpropagation algorithm and a gradient descent algorithm;

(d) detecting one or more anomalies in a data set using the trained ANN;

(e) analyzing the one or more detected anomalies using the trained ANN to generate anomaly data; and

(f) outputting the anomaly data from the trained ANN.

分析：权利要求2主要描述一个使用人工神经网络进行异常检测的过程，包括数据的接收、处理、网络的训练、异常的检测和分析，以及结果的输出；权2是不适格的。

第1步：该条权要至少提到了一个步骤或行为，包括接收连续的训练数据。这是一条方法权利要求，权要2属于法定类别。

步骤2A第一部分：该条权要是否提到司法例外。步骤(b)、(d)和(e)的最广泛合理解释是，这些步骤属于抽象概念的心智过程分组，因为它们涵盖了在人脑中执行的概念，包括观察、评估、判断和意见。具体的，步骤(b)提到通过包括四舍五入、分箱或聚类连续数据的过程，将连续训练数据离散化以生成输入数据，这可以通过使用观察、评估、判断和意见在人脑中实际执行。步骤(d)提到使用训练有素的ANN在数据集中检测一个或多个异常。在其最广泛的合理解释下，当考虑到规范时，“检测”包括在人脑中实际执行的心智观察或评估。步骤(e)提到使用训练有素的ANN分析一个或多个检测到的异常以生成异常数据。步骤(e)包括执行评估、判断和意见，以对检测到的异常做出决定。步骤(c)要求使用特定的数学计算（反向传播算法和梯度下降算法）来执行ANN的训练，因此权2包括数学概念。另外，这些步骤也属于抽象概念，步骤(b)、(d)和(e)属于抽象概念的心智过程分组，而步骤(b)和(c)属于抽象概念的数学概念分组。

步骤2A第二部分：“(a)接收连续的训练数据和 (f) 输出异常数据” 只是以高度概括的方式提到的数据收集和输出，因此是无关紧要的额外解决方案活动。在限制性描述(a)中，计算机被用作执行接收数据的通用计算机功能的辅助工具，在(b)和(c)中计算机被用来执行抽象概念。(d)和(e)中提到的“使用训练有素的ANN”也仅仅表明了执行司法例外的领域或技术环境。这种类型的限制仅仅将抽象概念的使用限制在特定的技术环境（神经网络）中，因此未能向权2中添加创造性概念。即使在组合考虑时，这些额外元素也没有将所提到的司法例外整合到实用应用中。

步骤2B：正如上文步骤2A，第二部分所解释的，权2包含四个额外元素，但(d)和(e)中提到的“使用训练有素的ANN”的额外元素充其量仅仅是“应用”抽象概念的指示，这不能提供创造性概念。额外元素(a)和(f)是无关紧要的。即使在组合考虑时，这些额外元素也代表着在计算机上实现抽象概念或其他例外的仅仅是指示和无关紧要的额外解决方案活动，这些都不提供创造性概念。

结论：权2不具备客体适格性。

[Claim 3] A method of using an artificial neural network (ANN) to detect malicious network packets comprising:

(a) training, by a computer, the ANN based on input data and a selected training algorithm to generate a trained ANN, wherein the selected training algorithm includes a backpropagation algorithm and a gradient descent algorithm;

(b) detecting one or more anomalies in network traffic using the trained ANN;

(c) determining at least one detected anomaly is associated with one or more malicious network packets;

(d) detecting a source address associated with the one or more malicious network packets in real time;

(e) dropping the one or more malicious network packets in real time; and 

(f) blocking future traffic from the source address.

分析：权利要求3与权利要求2相似，但增加了更多关于ANN的结构和训练的具体细节。权3是适格的。

第一步：权利要求提到了一系列步骤，因此是一个过程，属于法定类别。

步骤2A第一部分：步骤(a)提供了使用特定数学计算（反向传播算法和梯度下降算法）来训练ANN，因此包括数学概念。步骤(b)和(c)属于抽象概念的心智过程分组。限制(d)-(f)没有提到心智过程，因为它们不能在人脑中实际执行。也就是说，人脑没有能力检测与恶意网络数据包相关联的源地址，实时丢弃恶意网络数据包，并阻止来自声称中所述的源地址的未来流量。

权利要求提到了额外元素“(d)检测与一个或多个恶意网络数据包相关联的源地址”，“(e)丢弃一个或多个恶意网络数据包”和“(f)阻止来自该源地址的未来流量”。步骤(d)-(f)提供了使用检测信息增强安全性的改进网络安全，通过采取积极措施来减轻危险，通过检测与潜在恶意数据包相关的源地址。具体来说，权利要求反映了在步骤(d)中检测源地址的改进，在步骤(e)中丢弃潜在恶意数据包，在步骤(f)中阻止来自源地址的未来流量。这些步骤反映了背景中描述的改进。因此，权利要求作为一个整体将司法例外整合到实用应用中，权利要求不指向司法例外。

结论：权3具备客体适格性。本示例说明了，专注于特定硬件实现的AI权利要求，或者将AI模型整合到一个改进的技术过程中的权利要求，更有可能符合专利条件。

Ⅲ. 实践建议

1. 清晰描述技术问题和技术解决方案

对于AI发明，权利要求必须清晰地描述技术问题以及技术解决方案，而不仅仅是抽象地使用AI。

例如，AI用于优化制造过程中的特定步骤或用于提高数据处理效率的具体算法，这些都可能被认为是技术解决方案。

2. 避免抽象概念

具体化发明内容：尽量避免仅仅描述发明的功能或结果，而是详细描述实现这些功能或结果的具体技术方法或装置。

结合具体应用：将发明应用于具体的技术领域中，如制造、医疗、通信等，展示其实际应用场景和效果。

3. 强调技术创新

展示创新点：明确指出发明相较于现有技术的创新点，强调其技术进步。

引用技术文献：在说明书中引用相关技术文献，展示发明的技术背景和创新性。

4. 参考已有案例和指导

学习成功案例，参考类似技术领域的成功专利申请案例，学习其中的撰写技巧和策略。

遵循USPTO指导，仔细阅读并遵循USPTO发布的最新指导文件，确保申请文件符合当前的审查标准和要求。

5. 与专利代理人合作

专业咨询：与经验丰富的专利代理人或律师合作，确保申请文件的专业性和规范性。

及时沟通：在专利申请过程中与代理人保持紧密沟通，及时解决审查员提出的问题和意见。

USPTO发布的人工智能专利适格性指南为AI相关发明的专利申请提供了明确的指引。这不仅有助于提高专利审查的效率和质量，也为申请人提供了宝贵的参考依据。随着AI技术的不断发展，未来的专利申请将面临更多挑战和机遇。申请人应充分利用这份指南，优化自己的专利申请策略，确保发明能够得到有效的专利保护。