优先购买原则：Recentive v.狐狸

快速阅读: 据《JD Supra》称，美国联邦巡回法院在Recentive Analytics案中认定AI专利无效，认为其仅应用通用机器学习技术，忽视训练过程的创新性。该判决引发对AI专利法律环境不确定性的担忧。

人工智能（AI）和机器学习（ML）创新的专利法律环境变得充满不确定性。美国联邦巡回上诉法院于2025年4月18日发布的具有先例意义的判决《Recentive Analytics, Inc. v. Fox Corp》[1]，成为了一个重要的转折点，揭示了当前35 U.S.C. § 101项下的主体资格方法的根本缺陷。在首次针对ML技术专利资格作出裁决时，法院确认了四项专利无效，建立了一个具有影响力但存在缺陷的先例，这可能阻碍我们这个时代的最关键技术领域之一的创新。尽管该决定与源自《Alice Corp. v. CLS Bank International》[2] 的问题性判例法一致，但它却是一个典型例子，说明两步式的《Alice/Mayo》框架无法有效评估ML发明的真实创新性。通过将应用的ML错误地描述为“通用的”，并忽视训练过程作为非创新性的行为，法院构建了一个与技术现实严重脱节的法律框架，从而为大量且至关重要的AI创新类别申请专利设置了潜在的不可逾越的障碍。对《Recentive》判决的细致分析表明，不仅结果存在缺陷，其法律测试本身也存在问题，亟需改革。

I. 《Recentive》的事实和程序背景

本案涉及由Recentive Analytics持有的四项专利，这些专利分为两个家族：“机器学习训练”专利（美国专利号11,386,367和11,537,960）以及“网络图”专利（美国专利号10,911,811和10,958,957）。这些专利声称使用ML优化现场电视事件的排程，并为广播公司生成动态网络图。正如法院所指出的，这些任务此前都是由人类手动完成的。Recentive起诉Fox Corp及其关联公司侵犯专利权，而Fox则提出驳回诉讼的动议，主张专利属于不具资格的主题。由于未遵循一些起草“最佳实践”，本案凸显了这些做法最终对专利权人不利。例如，起草者包括声明该发明可以使用“任何合适的机器学习技术”的语言[3]，列举了一系列传统模型，如神经网络、决策树、支持向量机和回归。这种宽泛且不具体的语言为法院提供了文本依据，使其将所称的技术描述为“通用的”和“传统的”。此外，在诉讼过程中，专利权人承认其“并未主张机器学习本身”，并且专利并未主张一种特定的方法来“改进数学算法或使机器学习更好”。Recentive还承认“准备网络图的概念已经存在很久了”，并且在计算机出现之前，“网络是通过人类来准备这些网络图的。”[4] 这些承认让法院得出结论，即专利仅是将现有的现成技术应用于新领域。不幸的是，与《Recentive》案件相关的感知弱点导致了整个AI行业的一个广泛且有害的先例，未来创新者现在必须应对这一先例。

A. 《Alice》第一步分析：对“抽象概念”的过度宽泛定义

根据《Alice/Mayo》框架的第一步，联邦巡回法院需要确定权利要求是否“指向”一项不具专利资格的概念，例如抽象概念。法院确认了地区法院的发现，认为这些权利要求是如此，将专利描述为指向“使用已知的通用数学技术生成事件日程和网络图”的抽象概念。法院推理的核心形成了一个过于宽泛的裁定：“仅声称将通用机器学习应用于新的数据环境，而不披露要应用的机器学习模型的改进的专利，在§101下不具备专利资格。”[5] 这一裁定实际上否定了AI领域中一种常见且关键的创新形式：将现有的ML工具新颖地应用于解决新领域的问题。法院明确拒绝了Recentive的观点，即在新用途领域（本案例中为电视广播和事件排程）应用ML可赋予专利资格。引用既定判例，法院重申：“一个抽象概念不会因限制发明到特定用途领域或技术环境而变为非抽象。”[6] 同样，法院也不被将现有技术应用于新型数据库或数据环境的主张说服。[7] 这种推理方式对AI而言尤为不利，因为对新数据集的整理和应用往往是发明过程中的关键部分。此外，法院驳回了Recentive的主张，即其发明因“使用现有的机器学习技术以比以前更高的速度和效率执行人类曾完成的任务”而具备专利资格。[8] 联邦巡回法院一贯认为，仅基于通用计算机的使用带来的速度或效率的提高，除非基于改进的计算机技术，否则本身不会产生资格。通过将复杂的、经过训练的ML模型等同于“通用计算机”，法院忽视了这种自动化所代表的变革性技术飞跃。这种推理方式在《Recentive》之前就已经存在问题。通过使用通用计算机或将抽象概念限制在特定技术环境所带来的速度或效率的提高，应最好采用第102和103条下的证据方法处理。事实上，其中一些问题应该从发明时普通技术人员的角度进行分析。然而，通过将这些问题纳入第101条的范围，法院创造了一个混乱、任意、不可靠且完全主观的法律框架。在《Alice》第一步中过于宽泛的定义为第二步的必然失败奠定了基础。

B. 《Alice》第二步分析：寻找不存在的“发明性概念”

在认定权利要求指向抽象概念后，法院继续进行《Alice》测试的第二步，即询问权利要求是否包含足以“将抽象概念转化为可专利应用”的“发明性概念”。法院寻找的不仅仅是抽象概念本身之外的“显著更多”内容，但最终得出结论，认为在权利要求中“无法察觉到符合这一标准的内容”。[9] Recentive主张发明性概念是“利用机器学习基于实时数据动态生成优化的地图和日程，并根据变化的条件更新它们”。[10] 法院驳回了这一主张，表示这“不过是声称生成事件日程和网络图的抽象概念本身”，并未能识别出任何转化元素。法院在第二步中最重要的一项发现是其将核心ML过程视为非创新性的。它指出：“在‘机器学习训练’专利中，要求机器学习模型‘迭代训练’或动态调整并不代表技术上的改进。”[11] 尽管Recentive主张其应用的机器学习并非通用的，因为“Recentive解决了如何使算法动态运行，因此地图和日程可以自动定制并用实时数据更新”，[12] . . . 并且因为“Recentive的方法挖掘出了此前隐藏在数据中、人类无法识别的有用模式”。[13] 这一点本身就足以做出主体资格的认定。法院的分析显示出对应用ML创新经常存在的地方的深刻误解。在数据集上进行迭代训练以解决特定问题的具体过程通常是发明的核心。将这一过程视为固有和常规的做法，实际上排除了AI创新的一个主要途径。此外，当一个“通用”ML模型被训练以在特定训练数据集上执行特定任务时，这显然会将“通用”ML模型转变为专用ML模型，这应当具备主体资格。这种专用ML模型及/或其使用是否具备专利资格，应在第102、103和112条下进行考虑。在整个分析过程中，法院反复强调“缺失的‘如何’”主题。它指责专利因为“权利要求或说明书均未描述如何实现这一改进”[14]，并且未能“明确说明机器学习技术实现改进的步骤”。[15] 对于如何实现技术改进的详细、分步描述的要求，从根本上与ML的本质不符。在许多情况下，改进是训练过程的衍生属性；模型学会识别可能复杂到人类无法明确界定或描述甚至知道的模式。要求精确解释“神经网络如何达到其优化状态”就是要求解释无法解释的事物，设定了一个不仅高而且常常技术上不可能的标准。这种对衍生属性和基于学习系统的司法怀疑表明，《Alice/Mayo》框架不仅被错误应用，而且以一种结构上偏袒现代AI创新本质的方式被应用。

II. “通用模型”谬误：专利法与ML现实之间的根本分歧

《Recentive》判决基于一个有缺陷的前提：即专利仅仅声称了“通用”机器学习模型的应用。虽然这一描述对法院的法律分析很方便，但它是一种故意忽略机器学习模型开发、训练和部署实际技术现实的法律虚构。它制造了一个虚假的二分法，旨在使合法的技术进步无效，并揭示了§101判例法与AI创新实际实践之间深层次的结构性断层。挑战这一“通用模型”谬误对于理解当前专利资格测试为何失败至关重要。

A. 通用型与专用型AI：一个关键区别

为了理解法院的错误，首先必须掌握通用型和专用型AI模型之间的关键技术区别。基础模型，也称为通用AI（GPAI），像OpenAI的ChatGPT[17]、Meta的LLaMA[18]、Google的Gemini[19]、图像生成模型如OpenAI的DALL-E[20]等，通常是在庞大的多样化数据集上预训练的，经常使用无监督或自监督学习。这些模型是AI世界中的“通用”工具。它们通常不是为任何单一任务设计的，而是拥有广泛的技能，如文本摘要、语言翻译和图像生成。本质上，它们是强大但不专门的起点。通常，提示用于发现这些模型的新兴功能。这些模型也非常昂贵，没有大量的时间、金钱和专业人员投资是无法开发的。[21] 相比之下，专用模型，也称为窄AI，是被设计、训练或微调以执行特定任务或在特定领域内高效准确操作的AI系统。一个设计用于改善医疗诊断和药物发现的模型，增强金融风险管理和欺诈检测，执行预测性维护和生产优化，或者如Recentive案例中那样优化电视排程的模型，都是专用模型。这些模型通常具有更精简的架构，并且对于其狭窄的目的更具成本效益，但它们需要大量的精心策划的领域特定训练数据才能实现其专用功能。创建专用模型的主要且普遍的方法是采用通用架构（甚至预训练的基础模型），并在特定数据集上进行训练或微调以解决特定问题。

B. 训练过程作为发明行为：将通用工具转变为专用机器

Recentive案的法院分析中的核心错误在于未能认识到这一区别。法院关注的是发明的起点——如“神经网络”或“决策树”等说明书所列的通用算法类别，而不是发明的最终成果：一个经过完全训练、专门化的模型，能够执行在训练前无法完成的具体有用功能。训练机器学习模型本身是一项应被认定为可专利的主题的发明行为。该发明行为的可专利性是一个独立的考量因素。收集和整理特定数据集（例如，如Recentive专利中所述的历史广播时间表、事件参数、目标特征、场地位置和门票销售）并应用计算资源对该数据进行模型训练的过程，正是将通用算法工具转化为专用机器的关键所在。一旦训练完成，该模型就不再是“通用”的。它成为一种新的技术产物。其内部配置，如神经网络中的数百万或数十亿个权重和偏置，已经被彻底改变并优化，以体现从训练数据中学到的模式和关系。这个新配置的模型是一种专为特定目的设计和构建的专用机器。法院将这种转变仅仅视为对抽象概念的“应用”，这相当于说，将通用计算机编程以执行新任务并不是技术上的进步，因为底层的计算机硬件是“通用”的。这暴露出法院推理的核心矛盾。一方面，法院将“迭代训练”过程视为机器学习中的固有、非发明性的方面；另一方面，它又要求专利权人展示对机器学习模型本身的特定改进。对于大多数应用人工智能的发明而言，特定的改进正是该训练过程的直接结果。训练后的模型就是改进后的模型。通过将该过程视为固有且将结果应用视为抽象，法院创造了一个无法逃脱的陷阱，使得专利性没有概念空间。这种方法将发明分解为其组成部分（“已知的训练技术”和“抽象的应用领域”），并在各部分中找不到任何可专利的主题，从而忽略了整体的发明性。这是§101分析中一个广为人知的缺陷，但在人工智能背景下尤其具有破坏性。

C. “通用模型”谬误的法律后果

通过将“通用模型”谬误确立为判例法，Recentive的决定产生了深远且有害的影响。它实际上宣布了现代科技行业中最常见且强大的创新形式之一——将机器学习模型应用于解决现实问题的实际应用和专业化——是推定不可专利的。这本质上形成了一个悖论：基础机器学习技术（如神经网络架构）越基本、越广泛适用，其具体的价值创造应用就越不可能被视为可专利。这与专利制度的宪法目的背道而驰，即激励将抽象原理转化为实践。该决定表明当前的§101框架本质上偏向于可以轻易描述为新颖物理机制或离散新数学算法的发明。该框架在结构上难以准确评估那些创新体现在复杂系统配置（如神经网络的权重）中的发明，这些配置是通过数据驱动的学习过程实现的。这种法律不确定性和主观性必然导致，创新者将被推向专利体系之外，转向商业秘密保护。虽然商业秘密可以保护某些人工智能创新，如模型权重或专有训练数据，但这对社会代价巨大。专利体系的核心交易是披露以换取有限的垄断权。通过使应用人工智能的专利难以获得和执行，法律会阻碍这种披露，减缓整体创新速度，并阻止对构建下一代技术至关重要的知识公开传播。同时，外国国家可能允许此类创新获得专利，从而形成对美国商业和经济领导力的竞争障碍。

III. 恢复§101的基石：预占作为更优的分析框架

Alice/Mayo框架的复杂性及其模糊步骤和技术上不合理的假设并非偶然；它是更深层次的教义病态的症状。该测试已成为自身的终点，而不是解决潜在政策问题的手段。这种司法实践的偏离在联邦巡回法院对此事的明确裁决中最为明显。在Ariosa Diagnostics, Inc. v. Sequenom, Inc.案中，法院声明“缺乏完全预占并不证明专利资格。”[28]这一声明代表了对教义基础逻辑的严重偏离。如果司法例外的唯一目的是防止预占的危害，那么已证明的无害应决定专利资格。否则，允许例外“吞噬整个专利制度”。[29] 特别是，“抽象概念”类别已被远远扩展，超出了其原本作为预占性主张代理的初衷。它已成为法院无效特定、应用和非预占性主张的机制，仅仅因为其主题可以高度抽象化，如“基本经济实践”或“心理过程”。这导致了现在困扰§101司法实践的不稳定和不可预测的结果，为创新者、投资者和专利体系整体创造了深刻不确定的环境。两步框架的内部逻辑本身存在缺陷。该测试允许甚至鼓励法院在第一步将一项主张标记为“属于”抽象概念，即使该主张狭窄且没有现实的预占威胁。然而，这种初步分类并非中立；它影响了整个后续分析。在第二步，法院随后被要求寻找“发明性概念”，但用于在第一步将其标记为“抽象”的主张元素实际上被忽视。这使得一旦被认定为“抽象”的主张几乎不可能被挽救。结果是，具体的、实用的和非预占性发明经常被无效。最高法院创建“抽象概念”类别是为了识别潜在的预占性主张；联邦巡回法院却将这一工具变成了测试标准。通过关注一项主张是否属于抽象，而不是其范围是否具有预占性，法院颠倒了分析，创造了一个不一致且脱离政策基础的学说。

C. 更好的前进方式：应用预占优先分析

解决这一教义混乱的一种方法是回归基本原则。模糊的两步Alice/Mayo查询应被替换为一个更直接和连贯的测试，专注于唯一重要问题：该主张作为一个整体是否预占了自然规律、自然现象或抽象概念的所有实际应用？如果答案是否定的，该主张应在§101下被认定为可专利，并继续进行新颖性（§102）、非显而易见性（§103）和启用性（§112）的实质性要求，这些是评估特定技术实现的发明价值的适当法定工具。将预占优先分析应用于Recentive的事实展现了其优势。争议的主张涉及特定应用：使用机器学习根据特定类型的数据（如历史广播信息和实时参数）生成优化的电视时间表和网络图。

• 这些主张是否预占了调度的抽象概念？不。人类和其他计算机系统仍然可以自由创建时间表。
• 它们是否预占了所有机器学习的使用？显然不是。
• 它们甚至是否预占了所有用于调度的机器学习使用？不。竞争对手的创新者仍可以自由开发使用不同机器学习模型、不同训练数据集、不同的预处理或后处理技术或不同的特征工程以达到类似结果的调度系统。
这些主张并未“完全垄断”一个基本的构建块。
• 它们是否预占了所有机器学习的使用？显然不是。由于Recentive案件中考虑的主张没有对科学或商业的基本工具造成不成比例的束缚危险，因此应根据适当的、以预占为核心的§101分析认定其可专利。Recentive的具体实施是否在现有技术之上或对本领域普通技术人员来说是非显而易见的，是两个独立且重要的问题——但这些问题属于§102和§103，而非§101。以预占为中心的框架将恢复§101的初衷，即作为筛选出真正试图垄断基本原理的主张的“初步筛选器”，而不是那些声称对基本原理进行具体、实际应用的主张。

IV. 结论：重新调整专利法与技术现实

联邦巡回法院在Recentive的决定并非异常，而是由一个破碎的法律框架产生的可预见结果，其中错误的推理已被加强和放大。该裁决有效地将将已知机器学习技术应用于新领域的常见做法视为不可专利，建立在“通用模型”谬误之上——对人工智能创新发生方式的根本误解。通过将训练的变革性行为视为“固有”并要求对底层算法进行特定、可阐述的改进，法院创造了一个与现代技术的新兴、数据驱动性质严重脱节的标准。最终解决方案不在于更复杂的起草策略，而在于教义改革。Alice/Mayo两步测试，因其脱离了其概念基础，已被证明是不可靠且技术上不合理的工具。其模糊的标准和内部矛盾给专利法带来了不确定性，抑制了投资并阻碍了专利体系旨在促进的公众披露。基于预占的清晰、直接和原则性分析是可行的前进道路。恢复预占作为§101调查的核心将提供专利体系迫切需要的清晰度、可预测性和技术中立性。它将适当地将§101重新定位为其预期角色，即作为筛选出真正试图垄断基本原理的主张的“初步筛选器”，而不是那些声称对基本原理进行具体、实际应用的主张。这种改革，无论是由司法机关还是立法行动实现，都是将美国专利法与现代创新的现实重新对齐的必要条件，以确保法律继续履行其宪法使命，即“促进科学和有用艺术的进步”。

[1]Recentive Analytics, Inc. v. Fox Corp., No. 23-2437 (Fed. Cir. 2025)
[2]Alice Corp. Pty. Ltd. v. CLS Bank Int’l, 573 U.S. 208 (2014)
[3]Recentive Analytics, Inc. v. Fox Corp. at 5
[4]Id. at 7
[5]Id[5]. at 18
[6]Id[6]. at 14 (citingIntell. Ventures I LLC v. Capital One Bank (USA), 792 F.3d 1363, 1366 (Fed. Cir. 2015))
[7]Id. at 14-15
[8]Id. at 15
[9]See, generally,id. at 16
[10]Id.
[11].Id. at 17
[12]Id[12]. at 12
[13]Appellant’s Reply Br. 2,
[14]Id.[15].Id. at 12-13
[16]Id[16]. at 13
[17]https://openai.com/chatgpt/overview/
[18]https://www.llama.com/
[19]https://ai.google.dev/gemini-api/docs/models
[20]https://openai.com/index/dall-e/
[21]https://www.tensorops.ai/post/understanding-the-cost-of-large-language-models-llms
[22]Alice Corp. v. CLS Bank Int’l, 573 U.S. 208, 214 (2014)
[23]See, e.g.,See, e.gMayo Collaborative Services v. Prometheus Labs., Inc., 566 U.S. 66, 71 (2012)
[24]Gottschalk v. Benson, 409 U.S. 63 (1972)
[25]Diamond v. Diehr, 450 U.S. 175 (1981)
[26]Bilski v. Kappos, 561 U.S. 593 (2010)
[27]Ariosa Diagnostics, Inc. v. Sequenom, Inc., 788 F.3d 1371 (Fed. Cir. 2015)
[28]Id. at 1379
[29]Alice Corp. v. CLS Bank Int’l, 573 U.S. 208, 217 (2014)