联邦巡回法院：机器学习专利未能通过 101 条款专利资格质询

快速阅读: 据《JD Supra》称，联邦巡回法院在瑞兴科技诉福克斯集团案中裁定，仅将通用机器学习技术应用于新数据环境而无技术改进的专利无效。法院强调，AI专利需聚焦技术创新而非仅应用新领域，为企业提供明确指引以保护知识产权。

联邦巡回法院近期在 **瑞兴科技（Recentive Analytics, Inc.）诉福克斯集团（Fox Corp.）** 案（2025年4月18日）中的判决引发了广泛关注。这并非偶然，因为它触及了机器学习、人工智能（AI）和专利适格性等炙手可热的话题，法院甚至将其称为“前所未有的难题”。然而，对于那些密切关注专利适格性判例法的人而言，这一判决并不令人意外。

### 核心问题：通用机器学习应用与技术改进
联邦巡回法院确认了下级法院驳回专利侵权指控的裁定，认为仅将通用机器学习技术应用于新数据环境的专利——而没有对机器学习模型本身进行有意义的技术改进——依据美国《专利法》第35章第101节是不可接受的。

原告主张了两组不同的专利。在审视机器学习训练专利时，代表性的权利要求描述了一种方法，包括以下步骤：
(i) 数据收集（接收事件参数和目标特征）；
(ii) 机器学习模型的迭代训练（识别数据中的关系）；
(iii) 输出结果（生成优化的时间表）；以及
(iv) 更新机制（检测数据输入变化并迭代生成新的、更优化的时间表）。

尽管这些专利聚焦于机器学习，但它们与其他自 *Alice* 案以来被广泛认定无效的大批专利并无二致，因为专利主张的方向主要是收集、分析、更新和展示信息。

### 分析：技术常规性与功能主义的不足
原告主张的专利未能通过专利适格性测试，主要原因在于权利要求缺乏技术上的实质性改进。联邦巡回法院在审查权利要求和说明书后指出，“专利中描述的技术是常规的。” 法院进一步强调了一个根本问题：
“瑞兴科技自身关于机器学习本质的表述削弱了其主张：利用选定的训练材料进行迭代训练以及基于实时变化的动态调整正是机器学习的核心特性。”

换句话说，这些专利试图以一种通用的方式使用机器学习模型，而这一点远远不够。此外，权利要求和说明书均未详细说明机器学习技术如何实现改进。正如联邦巡回法院所言：“允许一个仅凭功能性权利要求语言，别无他物的权利要求而不披露如何实施该概念的做法，可能会破坏专利制度的目的。”

这种“如何”的分析是常见的，因此这些权利要求的失败并不令人意外。然而，这也引发了争议。几年之前，在 *American Axle v. Neapco* 案中，同样的问题导致联邦巡回法院内部产生激烈分歧。正如本案中一样，Timothy Dyk法官坚持认为权利要求未包含必要的“如何”，而Kimberly Moore法官则对第101节下的资格与第112节下的充分公开混淆表示担忧。

—

### 对AI和机器学习专利战略的意义

#### AI和机器学习专利战略的关键区别
这一裁决重申了开发AI/机器学习应用的公司需要关注的核心差异：
– **仅仅将现有的机器学习技术应用于新领域是不够的。**
例如，这些专利试图将机器学习技术应用于电视节目安排，但这并不能证明技术上的实质性改进。

#### 真正的技术进步 vs. 现有技术的应用
法院明确指出，“机器学习是一个蓬勃发展的领域，并且可能在技术上带来可专利的改进。” 然而，它严格区分了真正的技术进步和现有技术的应用。

#### 具体建议
对于开发机器学习解决方案的公司，以下几点至关重要：
1. **将专利策略集中在机器学习算法本身的技术改进上，而非仅限于其新领域的应用。**
2. **清楚地阐述所称创新如何改进传统的机器学习方法。**
3. **避免单纯的功能性主张，即描述AI做什么而不解释实现的技术手段。**
4. **考虑补充的保护策略（如商业秘密、版权）**，以应对可能面临的第101节挑战。

—

### 总结
这一裁决再次提醒我们，仅仅将现有技术应用于新领域不足以通过专利资格审查。AI创新正在加速，但要想获得专利保护，企业必须明确展示技术上的实质性改进。通过聚焦技术突破、清晰阐述实现路径并结合多样化的保护策略，企业才能更好地保护其知识产权。

(以上内容均由Ai生成)