人工智能、计算机软件

人工智能发明在美国的专利适格性

aa.png

Summary

对许多人工智能发明人而言,美国专利法第101条(USC§101)是最令人畏惧的障碍。具创新性的人工智能技术常常因一句“抽象概念”而被驳回,令人倍感挫折。 然而,面对这座高墙,我们无需气馁。本文将明确分析人工智能相关发明在面对USC§101时被驳回的原因,并提出三大关键应对策略。 基于USPTO的指南与PI事务所代理的实际授权案例,我们将详细探讨如何摆脱“抽象概念”的框架,从而使AI相关发明成功获得专利权的具体且具有战略性的应对方法。

在乔治·奥威尔的小说《1984》中,"101号房"是关押人们最恐惧之物的地方。
而在今天,对于无数发明人和专利代理人来说,他们心中的“101号房”无疑是一封来自美国专利商标局(USPTO)的审查意见通知书(Office Action)。而在那封信中,最令人不寒而栗的一句话莫过于:

 

“您的发明仅属于抽象概念(abstract idea),因此根据美国专利法第101条(35 USC §101),不符合可授予专利的条件。”

 

当我所有的创新与努力被轻描淡写地归类为“抽象概念”时,那种深深的绝望,正是现代版“101号房”恐惧的真实写照。 尤其是,这一可怕的驳回理由,对人工智能相关发明来说,更是如同一把锋利的刀刃,直指核心。

 

那么,AI发明就只能在第101条这一利刃面前束手无策、任人宰割吗? 答案是否定的。刀刃越锋利,我们就越需要坚固的盾牌来抵御。 那么,我们该如何打造这面盾牌?

 

 

人工智能发明在美国专利适格性认定上的困难

 

对于人工智能相关发明而言,即使以美国专利法第101条(35 USC §101)所规定的法定专利客体形式——例如“方法(process)”的形式来表述,该发明仍需跨越一道额外的门槛,才能被认定为具有专利适格性。

 

这一额外门槛,就是不得属于“抽象概念(Abstract Idea)”的范畴。USPTO将“抽象概念”的典型示例列为:数学概念、人类活动的组织方式、以及纯粹的心智活动等。然而,单凭这些示例,仍难以对所有情形作出清晰判断,因此判断标准仍存在一定模糊性。

 

为此,USPTO通过持续更新其审查指南与《专利审查程序手册》(MPEP),以提供更具体的判断标准,帮助审查员和申请人明确适格性审查的界限与操作方式。

 

 

摆脱“属于无专利适格性的抽象概念”框架的应对要点:人工智能发明的审查策略

 

在美国专利实务中,人工智能(AI)发明若被认定为:Ⓐ-1 在权利要求中记载有(Recite)抽象概念,而 Ⓐ-2 所述权利要求中的附加技术特征未能将该抽象概念整合为实质性应用(practical application),则该发明可能会被判断为“属于抽象概念(Directed to an abstract idea)”。

 

在上述判断之后,USPTO进一步判断为该发明在整体上不包含任何“显著多余的附加技术内容(significantly more)”, 则最终将该AI发明认定为“不具备专利适格性的抽象概念”。

 

换言之,若要否定AI发明的专利适格性,上述Ⓐ-1、Ⓐ-2与Ⓑ三项判断标准必须同时成立。

 

因此,反过来理解也很重要:只要能够有效反驳上述三项标准中的任何一项,即有可能摆脱“抽象概念”的适格性驳回。

 

具体而言,可以从以下两个角度进行应对:证明权利要求中并未明确记载(Recite)抽象概念(Ⓐ-1),或者,证明抽象概念已通过附加技术特征被整合为实质性应用(practical application)(Ⓐ-2),从而有效阻止人工智能相关发明被认定为“属于(Directed to)抽象概念”的框架。

 

另外,即使人工智能相关发明无法摆脱“属于抽象概念(Directed to an abstract idea)”这一框架,仍可通过证明该发明整体上包含显著多余的附加技术特征(significantly more), 从而成功摆脱“不具备专利适格性的抽象概念”的框架。

 

在USPTO审查指南及《专利审查程序手册》(MPEP)中,关于上述应对策略的重点已有明确说明,主要包括以下几个方面:

 

 

 

 

 

那么,接下来我们将尝试把上述攻略要点实质性应用到实务中。

 

AI发明应对专利适格性(USC 101)驳回理由的策略

 

【应对方法一】:主张权利要求中未明确“记载(Recite)”抽象概念(Ⓐ-1 攻略点)

 

首先,针对AI发明在§101下被驳回的专利适格性问题,可以基于前述Ⓐ-1的攻略点提出反驳。也就是说,可以通过主张权利要求中并未“记载(Recite)”抽象概念,从而克服专利适格性驳回理由。

 

主张权利要求中未“记载(Recite)”抽象概念,可以通过主张AI相关发明明确记载以下三类内容来实现:

 

(1) 数学概念(Mathematical Concepts)
(2) 心智过程(Mental Processes)
(3) 组织人类活动的特定方法(Certain Methods of Organizing Human Activity)

 

例如,如USPTO指南中的示例39(Example 39所示,若AI相关发明(例如:“用于面部识别的神经网络训练发明”)未明确记载上述三类内容, 则可据此主张其不属于抽象概念,从而有效应对相关驳回理由。

 

【USPTO 示例39】

 

具体而言,可以通过如下的反驳逻辑来主张AI发明不属于上述三类抽象概念:

 

(1) 不属于数学关系、公式或计算
USPTO指南中的示例39的权利要求包括“采集数字人脸图像、应用转换以生成修改后的图像集合,并使用该图像集合训练神经网络的一系列步骤”。即使这些步骤的实现可能涉及数学运算,但这些构成本身并不能直接对应于数学关系、公式或计算。

 

(2) 不属于人类的心智过程
示例39的权利要求中所记载的“对数字图像应用一种或多种转换(applying one or more transformations)的步骤,以及生成训练数据以训练神经网络的步骤”,并不能仅通过人类的精神活动来完成,而是必须通过计算机系统来处理。 因此,示例39的权利要求中所记载的步骤并非人类大脑能够实质性执行的任务。

 

(3) 不属于组织人类活动的方法
示例39权利要求中所记载的构成,是为了解决面部识别所需的神经网络训练这一特定技术问题而设计的。 这些构成并不涉及经济概念、商业或法律互动,亦不属于人际关系管理等组织人类活动的特定方法。

 

另一方面,除了主张“所记载的构成不能被解释为抽象概念”之外, 还可以从另一个角度入手,即“否定记载(Recite)有抽象概念本身”。


具体而言,可以主张“可能涉及(involve)抽象概念,但并未在权利要求中记载(recite)抽象概念”,从而据此对驳回理由进行反驳。

 

例如,当数学运算在AI模型的训练过程中被认为是问题所在时,如果权利要求中并未明确记载与AI模型训练相关的运算过程,则可以主张权利要求中未“记载(recite)”抽象概念本身,以此作为应对策略。

 

USPTO于2024年7月17日更新的审查指南中,在与AI发明相关的示例47中亦指出:即使AI模型的训练涉及数学运算, 但只要权利要求中未明确记载该构成,就不能视为“记载了抽象概念”。

 

【USPTO 示例47】

 

追加地,即使审查员指出权利要求中确实记载了数学运算过程,但如果该运算过程在后续判断创造性(Inventive Step)时并非核心内容,也可以通过删除该运算过程的记载(Recite), 以此作为应对驳回理由的一种方式。

 

【应对方法二】:主张抽象概念已通过权利要求中的附加构成被整合为实质性应用(Practical Application)(Ⓐ-2 攻略点)

 

即使权利要求中记载(Recite)了可被解释为抽象概念的构成,也可以基于权利要求中包含的附加构成主张其为实质性应用(Practical application),从而尝试克服驳回理由。

 

USPTO指南及审查手册(MPEP)指出,为了证明AI发明的“实质性应用”,可以采用的一种方法是:展示计算机功能的改进(Improvement)或其他技术领域的改进。 此外,在判断是否具有这种功能性改进时,不会考虑该附加构成是否为众所周知(Well-understood)、常规(Routine)或传统(Conventional)构成。

 

因此,即使权利要求中记载了抽象概念, 只要能够证明通过权利要求中的附加构成达成了“实质性应用”或“功能性改进”, 即可克服USC第101条的驳回理由。

 

尤其,对于AI发明而言,可以通过如下功能性改进来主张其为实质性应用,例如:“图像处理精度的提高”、“编码性能的提升”、“数据包监测准确性的提高”、“延迟减少”、心脏状态监测的准确性提高”、“错误检测性能提升”、“网络安全性能的提升”、“语音识别中说话人分离能力的提升”、“与药物治疗相关的患者风险判定”等。

 

具体而言,美国判例或USPTO指南中承认“实质性应用”或“功能性改进”的主要案例如下所示:

  • “动画自动化性能提升、唇形同步精度提升”  (McRO, Inc. v. Bandai Namco Games America Inc., 837 F.3d 1299 / Fed. Cir. 2016)

  • “编码性能提升”  (Cal. Inst. of Tech. v. Broadcom Ltd., 25 F.4th 976, 988 / Fed. Cir. 2022)

  • “数据包监测准确性的提升”  (Packet Intel. LLC v. NetScout Sys., Inc., 965 F.3d 1299, 1308-10 / Fed. Cir. 2020)

  • “延迟减少”  (Uniloc USA, Inc. v. LG Elec. USA, Inc., 957 F.3d 1303, 1305, 1307-08 / Fed. Cir. 2020)

  • “心脏状态监测的准确性提高”  (CardioNet, LLC v. InfoBionic, Inc., 955 F.3d 1358, 1368-69 / Fed. Cir. 2020)
  • “错误检测性能提升”  (Koninklijke KPN N.V. v. Gemalto M2M GmbH, 942 F.3d 1143, 1150-51 / Fed. Cir. 2019)

  • “网络安全性能的提升”  (USPTO指南 Example 47 / 2024年7月17日)

  • “语音识别中说话人分离能力的提升”  (USPTO指南 Example 48 / 2024年7月17日)

  • “与药物治疗相关的患者风险判定”  (USPTO指南 Example 49 / 2024年7月17日)


与此相关,PI事务所代理并获准授权的US12,093,840B2中,也因其“在无需手动输入的情况下自动对数字图像中的对象进行分类与检测的性能提升”,被认定具备“实质性应用”,从而成功克服了USC第101条的驳回理由。

 

  1.   A method of training a prediction model of an artificial neural network to predict objects included in a network;

     generating a loss value based on a discrimination label corresponding to the input data and the prediction label, wherein the input data comprises digital image data, and wherein the discrimination label is an ambiguous discrimination label comprising a plurality of discrimination information, and wherein the discrimination information represents a class of an object included in the input data;

     training the prediction model of the artificial neural network to automatically classify and detect objects included in the digital image without manual input by using a feed forward scheme based on the discrimination label by updating weights of the prediction model of the artificial neural network, based on the loss value,

     wherein generating the loss value includes:

     outputting an inner product value set based on the discrimination label and the prediction label generated by the prediction model of the artificial neural network, by using a first function, and

     outputting the loss value based on the inner product value set by using a second function,

     wherein the outputting of the inner product value set based on the discrimination label and the prediction label by using the first function includes:

     outputting the inner product value set which is a set of respective inner product values by computing the inner product value of n prediction labels and n discrimination labels corresponding to an input data, respectively,

     wherein the outputting of the loss value based on the inner product value set by using the second function includes:

      calculating a log mean based on the inner product value set.

【PI事务所代理的US12,093,840B2的权利要求1】

 

具体而言,针对本案,PI专利事务所基于上述带下划线的附加构成,主张:通过利用基于识别标签的前馈方式,可在无需手动输入的情况下自动对数字图像中的对象进行分类与检测,从而提升性能, 因此可以认定为具备“实质性应用”。正是通过这一应对策略,成功克服了USC第101条的驳回理由,并最终获得授权。

 

此外,PI事务所代理并获准授权的US12,339,964B2,也因其“恶意代码检测性能的提升”被认定具备“实质性应用”, 从而成功克服了USC第101条的驳回理由。

  1.   A method of extracting file feature information, the method being performed by a computing device including at least one processor, the method comprising:

   converting input data in a form of a binary file into data with a preset size, wherein the converting of the input data in the form of the binary file into the data with the preset size comprises:

          recognizing the input data in units of bytes;

          counting the number of each of the recognized plurality of bytes; and

          converting the input data into the data with the preset size based on the number of each of the plurality of bytes;

    extracting feature information of the input data from the data with the preset size; and

   training a network model using the feature information as training data to detect a malicious code from the input data in the form of the binary file,

    wherein the converting of the input data into the data with the preset size based on the number of each of the plurality of bytes comprises:

        calculating an appearance probability of each of the plurality of bytes in total data based on the number of each of the plurality of bytes; and

       converting the input data into the data with the preset size based on the appearance probability

【PI事务所代理的US12,339,964B2的权利要求1】

 

具体而言,针对本案,PI专利事务所基于上述带下划线的附加构成,主张:由于该发明可提升恶意代码检测性能,因此应被认定具备“实质性应用”,并通过这一应对策略成功克服了USC第101条的驳回理由,最终获得授权。

 

 

应对方法三】:主张发明整体上包含显著多余的附加要素(Significantly more)(Ⓑ 攻略点)

 

即使应对方法一和方法二未能奏效,导致AI发明被认定为属于抽象概念(Directed to), 申请人仍可通过应对方法三尝试克服USC第101条的驳回理由。

 

应对方法三是主张AI发明中存在“显著多余附加要素(Significantly more)”。

 

另一方面,是否存在“显著多余的附加要素”的判断,往往也伴随着对是否具备功能性改进的评估,因此该判断标准在很大程度上与应对策略二中关于“实质性应用(Practical application)”的判断相重合。 (USPTO审查指南亦承认这一点)

 

但需要注意的是,“显著多余的附加要素(Significantly more)”与“实质性应用(Practical application)”之间仍有明确区别:即,在判断是否为“Significantly more”时,需要考虑该附加构成是否为众所周知(Well-understood)常规的(Routine)传统的(Conventional)构成。

 

因此,在应对方法二中的“实质性应用”方面, 可以考虑添加一些已知的功能性要素,
而在应对策略三中,若要主张“Significantly more”, 则需要进一步加入能够与现有技术区分开来的发明性特征(即便不达到创造性的高度)。

 

换句话说,在应对方法三的阶段,建议:i) 在权利要求中追加发明具有代表性的一些特征性构成, ii) 并主张该构成所实现的技术效果不是众所周知的、常规的或传统的

 

与此相关,PI事务所代理并获准授权的US12,026,942B2,即为通过认定存在“显著多余的附加要素(Significantly more)”,成功克服USC第101条驳回理由的典型案例。

 

  1.     A method of detecting an object included in an image by using an object detection model performed by a computing device, the method comprising:

      outputting a feature map by computing a relationship between adjacent pixels in the image and excluding non-adjacent pixels, by using only a local block included in the object detection model, and

     computing a relationship between non-adjacent pixels and excluding adjacent pixels in the image by performing a weighted sum computation for all pixels included in the feature map, by using only a non-local block included in the object detection model.

【PI事务所代理的US12,026,942B2的权利要求1】

 

 

在本案中,PI事务所删除了权利要求中的原有构成,并添加了上述带下划线的新构成, 并主张:经修改之后的发明基于新增构成,具备“显著多余的附加要素(Significantly more)”。

 

具体而言,PI事务所指出:通过所添加的构成,“可使AI模型捕捉远距离的信息并考虑远距离的依赖关系,即使目标对象的部分区域被遮挡,仍可准确识别该对象”,从而实现了相应的技术特征。此外,这些技术要素相较于现有技术具有显著差异,因此应当认定为包含“显著多余的附加要素(Significantly more)”。

 

最终,正是通过这一应对策略,成功克服了USC第101条的驳回理由,并成功获得了具备宽泛的权利范围的权利要求授权。

 

 

结语

由于人工智能(AI)发明的特性,往往容易被判断为“抽象概念”,因此在实务中经常面临USC第101条的驳回理由,但我们不必因此产生畏难情绪。

 

正如上述内容所示,围绕以下三大应对要点进行战略性回应,完全有可能克服101条的驳回理由:权利要求中是否“记载”了抽象概念(Ⓐ-1攻略点),是否通过其他构成将抽象概念“整合为实质性应用”(Ⓐ-2攻略点),以及是否存在“显著多余的附加要素(Significantly more)”(Ⓑ攻略点)

从实务角度来看,已有多个授权案例佐证上述策略的有效性。只要合理利用上述应对要点,AI发明完全可以获得专利适格性认可。


当然,一旦收到USC第101条驳回理由,在应对过程中往往会产生额外成本与时间,
且在部分审查员面前并不容易克服。因此,建议申请人在申请阶段就精细拟定权利要求,并制定充分考虑适格性例外判断因素的说明书撰写策略,以提高申请的效率与授权率。

分析报告专利人工智能、机器人

第一作者与共同作者

"你有问题想咨询吗?"

"你有问题想咨询吗?"