联邦巡回法院在先例裁决中打击基于 AI 的专利
快速阅读: 《JD Supra》消息，2025年4月18日，美国联邦巡回上诉法院在Recentive Analytics诉福克斯公司案中裁定，使用通用机器学习技术生成网络地图和优化活动时间表的专利不符合专利资格。法院强调，仅在新环境中应用通用机器学习模型而不改进模型本身的做法可能无法满足专利要求。未来，人工智能专利保护可能面临更高门槛，从业者需调整策略以应对新法律环境。
2025年4月18日，美国联邦巡回上诉法院在**Recentive Analytics公司诉福克斯公司**一案中发布了一份具有先例效力的意见。[1] 联邦巡回法院裁定，涉案专利涉及利用机器学习生成实时网络地图和优化活动时间表的方法。法院认为，这些专利涉及的主题不符合专利资格，因为它们是在特定环境中使用通用机器学习技术的抽象概念，并且没有创新要素。**Recentive Analytics** 是联邦巡回法院首次实质性讨论基于人工智能（此处指机器学习）专利在《专利法》第101条下可专利性的案件。在其分析中，联邦巡回法院高度依赖Recentive在诉状、口头辩论以及涉案专利说明书中作出的让步，得出所称的机器学习技术是通用且常规的结论。因此，联邦巡回法院的意见声称仅解决了关于基于人工智能专利可专利性的一个狭小问题：“今天，我们仅裁定那些仅仅声称将通用机器学习应用于新数据环境但未披露要应用的机器学习模型改进的专利，在第101条下是专利不合格的。”[3]
—
2025年4月18日，美国联邦巡回上诉法院在**Recentive Analytics公司诉福克斯公司**一案中发布了一份具有先例效力的意见。[1] 联邦巡回法院裁定，涉案专利涉及利用机器学习生成实时网络地图和优化活动时间表的方法。联邦巡回法院认为，这些专利涉及的主题不符合专利资格，因为它们针对的是在特定环境中使用通用机器学习技术的抽象概念，并且没有创新要素。然而，其背后的分析表明，这一意见可能超出了联邦巡回法院声称已解决的狭窄问题范围，这可能会对今后基于人工智能专利的可专利性分析产生广泛影响。在本文中，我们提供了联邦巡回法院意见及其后果的摘要。我们在文章结尾提出了针对从业者在Recentive Analytics裁决后如何最好地保护基于人工智能的发明的建议。
—
### 案件概要
2022年，Recentive在特拉华州地区法院起诉福克斯侵犯了涉案专利。[4] 福克斯以涉案专利指向第101条下专利不合格的标的为由，动议驳回诉讼请求。地区法院批准了该动议，Recentive随后向联邦巡回法院提起上诉。
涉案专利旨在优化现场活动的安排以及如何优化“网络地图”，以确定在特定地理市场中特定时间播出的节目内容。在**Alice调查的第一步**中，[5] 联邦巡回法院裁定涉案专利的权利要求显然指向抽象思想——即生成活动时间表和网络地图。
在分析过程中，联邦巡回法院指出，Recentive承认涉案专利并未声称机器学习本身，而仅使用了通用/常规的机器学习技术。此外，联邦巡回法院对涉案专利的权利要求提出异议，因为它们“没有描述机器学习技术实现改进的具体步骤”。[6]
Recentive试图证明所称的机器学习方法并非通用或常规的，辩称所称的方法采用了迭代训练和基于输入数据实时变化的动态调整，这是对传统机器学习模型的技术改进。联邦巡回法院并未被这些论点说服，因为“仅使用选定的训练材料进行迭代训练和基于实时变化的动态调整正是机器学习的本质属性”。[7]
联邦巡回法院同样不接受Recentive关于所称的机器学习模型因在特定技术环境中实施和/或提高人类先前执行任务的速度和效率而具有专利资格的论点，引用了与联邦巡回法院既定的第101条判例法直接冲突的内容。[8,9]
在**Alice调查的第二步**中，联邦巡回法院发现这些权利要求缺乏创新概念，未能将抽象思想转化为可专利的应用。Recentive辩称权利要求的创新概念在于基于实时数据的机器学习模型的动态输出特性。然而，联邦巡回法院认为此特性不过是抽象思想本身的表述。联邦巡回法院得出结论，由于涉案专利未能通过Alice调查的两个步骤，权利要求并未指向可专利的标的物，并确认了地区法院的判决。
—
### 启示与趋势
Recentive Analytics 至少为从业者在涉及人工智能和机器学习的专利诉讼或申请时提供了三个需要考虑的要点：
#### 1. 专利权利要求应侧重算法本身而非最终用途效益
首先，如果专利并未赋予计算组件或设备操作本身的改进，则联邦巡回法院采取的观点是，基于人工智能的专利权利要求必须明确具体的方法步骤，描述机器学习模型的算法如何配置以符合专利资格。换句话说，对于使用机器学习的基于人工智能的专利方法而言，权利要求应侧重于算法本身，而不是简单地陈述使用人工智能带来的下游效益。此外，如果没有具体说明对机器学习模型或组件功能的改进，仅在新环境中使用机器学习可能不足以使权利要求具备专利资格。
#### 2. 实时数据和动态调整可能不足以构成技术改进
其次，仅使用实时数据和机器学习模型的动态调整可能不足以使权利要求具备专利资格。在这里，Recentive辩称这些正是对传统机器学习模型的技术改进。似乎联邦巡回法院的裁决表明，仅应用使用实时数据的机器学习模型不会是对机器学习模型的技术改进，除非明确描述机器学习算法如何实现这一点。
#### 3. 联邦巡回法院与PTAB的一致性可能预示着人工智能专利更艰难的道路
第三，联邦巡回法院的分析和结果在很大程度上反映了我们在2024年7月美国专利商标局更新的人工智能发明可专利性分析指南后，在专利审判和上诉委员会（“PTAB”）上看到的情况。[10] 例如，2024年10月，PTAB裁定Ma诉案中的权利要求根据第101条是专利不合格的。[11] Ma诉案中的权利要求涉及使用一系列神经网络和判别模型的计算机实现方法，该模型处理收益电话会议记录以输出股票价格变动的预测。这些权利要求被裁定为专利不合格，因为它们指向抽象思想，所称的人工智能模型被认为是通用和常规的，而且由于任何可设想的技术改进不过是提高了人类先前完成任务的效率，因此这些权利要求缺乏创新概念。PTAB与联邦巡回法院在基于人工智能的发明/专利第101条分析上的一致性可能表明人工智能发明/专利的创造者将面临艰难的挑战。
—
### 结论
只有时间能提供有关Recentive Analytics案的决定对基于人工智能的专利影响程度的清晰答案。在尘埃落定之前，专利从业人员在处理基于人工智能的发明和专利时，可能需要考虑采取以下预防措施：
– 对于将人工智能方法作为权利要求组成部分的申请，考虑起草申请时避免包含可能导致人工智能方法被视为通用或常规的语言。例如，避免声明人工智能模型无特定限制或指定可在所主张方法中实施的具体模型名称（如随机森林、回归、神经网络等）。相反，尽量用尽可能详细的描述来说明人工智能模型的功能，同时突出与现有常规模型不同的独特算法步骤。
– 在可行的情况下，尽量起草将人工智能方法与计算机（或模型）自身改进相联系的申请，而不是如何改进下游的人类任务。例如，如果合适的话，可以考虑增加关于人工智能方法所需训练数据更少、训练时间更短、准确性更高或其他优于现有技术特征的披露。
– 充分探讨客户正在使用的基于人工智能的方法的底层细节。在这些模型是常规或已知的情况下，建议客户转向其他知识产权保护方式，如版权或商业秘密。
—
最终，Recentive Analytics案的结果可能标志着基于人工智能的专利保护门槛显著提高。从业者需密切关注未来案例的发展，以确保其专利策略能够适应新的法律环境。
(以上内容均由Ai生成)
