联邦巡回法院首例机器学习裁决中的专利要点
本文最初发表于2025年5月13日的《Law360》 杂志，经授权在此转载。
美国联邦巡回上诉法院近期对机器学习领域专利适格性的重新界定，应当促使人工智能与科技企业在考虑如何为自身技术获取有效且可主张的专利资产时审慎思考。
具体而言，4月18日对Recentive Analytics公司诉福克斯公司 案的裁决确认了 以下专利无效：即那些被解释为仅将现有机器学习技术应用于新数据环境的专利。
法院认为，此类主张若未能证明其技术改进超越了抽象概念本身，则不符合《美国法典》第35编第101条的规定。
鉴于机器学习在各行业的广泛应用，这一裁决可能对专利申请人产生重大影响。不过，人工智能和机器学习领域的企业在专利申请中描述自身技术时，可采取若干实际措施，以避免遭遇类似结果。
联邦巡回法院对专利适格性的处理方式
联邦巡回法院在Recentive案中的裁决， 为基于机器学习的发明寻求专利保护时应对两步式Alice测试提供了新的重要指引。该测试源自美国最高法院2014年在Alice Corp.诉CLS Bank International案中的裁决。
为解决第一步并避免被认定发明涉及抽象概念，企业可采取策略性地围绕具体技术改进来构建权利要求，而非将机器学习的广泛应用于已知任务。
在Recentive案 中，法院认定 相关主张不符合专利资格，因为这些主张仅将通用机器学习方法应用于传统行业功能（如排程和广播），而法院认为这些功能属于抽象概念。
为降低出现类似结果的风险，企业可着重强调其发明如何改进计算机系统的运行或增强机器学习技术本身，而非仅仅将机器学习应用于特定领域的用例。
在第二步中，企业可考虑着重阐述其主张的发明如何引入了一种创造性概念，该概念并非标准机器学习功能所固有的。
在Recentive案中，法院认定诸如迭代训练和动态更新等要素属于机器学习系统的常规组成部分，并不构成具有实质意义的技术创新。
为使发明更具差异性，企业可详细描述超越通用机器学习预期行为的新颖配置、系统架构或处理技术。
例如，描述这些特性如何带来可量化的技术性能提升——例如降低计算负载、加快模型收敛速度、提高复杂数据集的准确性或增强对实时输入的适应性——可能有助于强化专利适格性的论证。
专利从业者的实用要点
Recentive案的判决 为专利从业者起草和申请机器学习相关专利提供了重要指引。就此而言，机器学习相关专利若能明确阐述发明如何推动基础机器学习技术或其实施方式的发展，将更具优势。
例如，规范文件不应笼统地宣称采用"迭代模型训练"，而应明确披露对传统训练流程的独特改进或优化。这可能包括描述创新的预处理步骤、非常规的优化技术，或是能显著提升预测准确性的定制化神经网络架构。
法院的裁决同时指出，披露不足可能构成重大缺陷，必须详细说明所主张改进背后的具体实现方式。例如，若创新涉及基于实时数据动态调整模型，说明书可包含算法或计算描述，以阐明这些调整如何显著优于传统方法。
仅将已知或成熟的机器学习方法应用于新数据环境，可能不足以单独构成专利适格性。相反，权利要求书应着重阐明该创新如何超越机器学习的一般应用范畴。
例如，在处理医疗保健数据时，方案说明和技术规范可能描述了解决方案如何应对特定场景中的技术挑战，例如管理稀疏或不规则的数据输入、通过更快收敛提升处理效率，或整合应对患者隐私和合规性关切的保护措施。
此外，即使流程中的单个步骤属于常规操作，只要步骤组合能带来独特的技术效益，相关权利要求仍可能具备可专利性。例如，详细阐述数据采集、预处理、训练和推理等特定序列如何协同运作以提升效率或提高准确性，有助于强化所主张的发明超越了机器学习的通用应用范畴。
专利申请人的实用建议
Recentive案的裁决 对开发或依赖机器学习技术的专利申请人同样具有重要意义。鉴于此判决，申请人重新评估其专利组合将大有裨益，以审视其机器学习相关权利要求是否清晰阐明了相对于现有技术或其他技术的具体技术改进。
内部审计在此过程中可发挥关键作用，既能协助识别可能缺乏详细披露的专利，又能促使企业考虑提交包含增强说明书的延续申请是否有利。此类审查还可能发掘以下机遇：澄清权利要求范围、引入更具体的实施例，或应对围绕抽象概念的新兴法律标准。
与此同时，技术团队与法律团队的协作有助于开发更强大、更具韧性的应用程序。鼓励发明人、工程师和专利专业人士在早期阶段就建立持续互动，可能有助于发掘创新成果中那些原本可能被忽略的可专利要素。
在某些专利适格性存疑的情况下，申请人可考虑商业秘密保护作为实用替代方案，尤其适用于难以被检测或逆向工程的专有算法、训练数据集或模型架构。此类策略在快速变化的市场中尤为适用——因专利审批周期较长，难以与产品更新周期相匹配。
在此方面，有效的商业秘密管理措施可包括采用强有力的保密协议、基于角色的访问控制、内部意识提升计划以及数据保护措施。
此外，随着资格标准的持续演变，建立内部审查流程以监测法律动态、评估其对现有或未来申请的影响，并探讨权利要求策略的潜在调整，将能提供宝贵的洞察。
行业影响
Recentive案的裁决 凸显了美国专利法中持续存在的挑战：如何在保护创新与避免过度宽泛的专利主张之间取得平衡，后者可能不当地垄断整个行业领域。
该裁决表明，机器学习发明获得专利资格的门槛将更加严格，这可能影响未来人工智能和机器学习领域专利申请的撰写方式。实际影响是，发明人和专利权人可能面临更高的披露标准和权利要求具体性要求。
因此，在构建专利组合时，更应着重关注每项申请如何体现真实的技术贡献或进步，而非仅依赖于将机器学习技术应用于已知问题。
法院在Recentive案中未作裁决的内容
尽管该裁决缩小了机器学习发明专利适格性的范围，但也留下了若干可能性。例如，并非所有与机器学习相关的权利要求均被认定为不具备适格性，那些明确旨在改进机器学习技术运作方式的技术改进型权利要求仍可获得专利保护。
此外，该裁决表明，若未能识别出技术进步，仅将机器学习应用于不同领域可能不足以构成创新。
然而，若权利要求中描述的高级机器学习过程与具有实质性创新贡献的创造性技术要素相结合，仍可能被视为具备可专利性。例如，一项针对自动驾驶车辆控制系统的权利要求通常会描述通过训练神经网络，基于传感器数据预测最佳转向角度的过程。
虽然训练本身可被视为一种通用机器学习技术，但若该主张进一步明确了具有创造性的技术要素——例如整合新型传感器融合架构，该架构能显著提升对车辆周边环境的精准感知能力，从而相较现有自动驾驶系统实现可验证的安全性与响应能力提升——则该主张可被认定为具备可专利性。
在此情况下，创新的传感器融合架构结合通用机器学习训练，能够提供满足资格要求所需的额外技术贡献。
此类观察结果可为申请人提供有益的背景信息，有助于其评估今后如何最佳地构建和支持与机器学习相关的权利要求。
结论
Recentive案的裁决 为专利从业者在机器学习发明领域的复杂性中提供了警示性指引。该裁决强调，在当前专利适格性审查环境下，通过审慎起草、清晰阐述技术贡献及详细披露，有助于应对审查机构的严格审查。
在此背景下，实务工作者和专利申请人可通过调整策略来应对这些不断演变的标准，从而从中获益。
[1]Recentive Analytics, Inc. 诉 Fox Corp. 等案，上诉案号 2023-2437（联邦巡回上诉法院，2025年4月18日）。
[2]爱丽丝公司诉CLS银行国际案，573U.S. 208 (2014)。
