|
隨著人工智能在各個領域的快速發(fā)展，機器學習技術在眾多領域得到應用，涉及機器學習專利申請及相關知識產(chǎn)權訴訟迅速增長。 8月17日-19日，由知產(chǎn)前沿新媒體舉辦的“第二屆中國人工智能知識產(chǎn)權峰會”在杭州召開，本次大會吸引了線上與線下近500位人工智能IP人士參加。在19日的大會上，斐銳律師事務所合伙人、深圳代表處首席代表Ryan McCarthy先生圍繞“基于人工智能創(chuàng)新的美國專利保護實踐”作主題發(fā)言，結合不斷演變的美國判例法，對AI發(fā)明可專利性、相關說明書已經(jīng)權利要求撰寫作出分享，以期為中國創(chuàng)新主體在美國申請AI專利提供策略參考。 知產(chǎn)前沿新媒體現(xiàn)將Ryan的主題分享整理成文，供人工智能知識產(chǎn)權從業(yè)人員參考學習。 （三）2019版美國專利客體適格性指南（USPTO 2019 PEG）在過去的幾十年內(nèi)，美國人工智能/機器學習（AI/ML）專利申請呈現(xiàn)驚人的增長態(tài)勢。如圖，2002年至2018年間，AI專利年均申請量增長超過100%，從每年3萬件增長到每年6萬多件。同期，包含有AI的所有專利申請的份額從9%增長到近16%。1976年，在USPTO使用的所有技術子類中，含有AI的專利約占9%，到2018年，這一比例擴大到42%以上。[1]根據(jù)WIPO雜志的統(tǒng)計[2]，自1960年代以來，大約有34萬份人工智能相關的發(fā)明專利申請，超過160萬篇關于人工智能的科學出版物得以公開和發(fā)表。與人工智能領域相關科學出版物的興盛始于2001年，比專利申請的激增早12年。然而，科技論文與發(fā)明的比例從2010年的8:1下降到2016年的3:1，表明了從理論研究向?qū)嵺`實施的轉(zhuǎn)變。機器學習相關發(fā)明主要分布在G05控制/調(diào)節(jié)以及G06計算/推算/計數(shù)技術領域，2010年以來，人工智能相關發(fā)明專利申請的公開量急劇增加，2019年約達27330件，在十年間增長了64%。未來隨著人工智能在更多領域的應用與發(fā)展，上述技術領域的專利申請規(guī)模有望進一步提升。相關訴訟案件相較于專利的申請與公開具有時間上的滯后性。2019年之前的訴訟案件所涉專利大部分源于前十年公開的專利，則預計未來8年的訴訟案件將大部分圍繞2008年至2018年公開的專利。因此，隨著大量人工智能領域發(fā)明專利被公開，隨之而來的相關訴訟也預計將不斷增多。《聯(lián)邦法典》（United States Code）第35編第101條（35 U.S.C.§101）明確了可授權專利客體的類別，即“任何新穎且有用的方法（process)、機器（machine)、產(chǎn)品（manufacture）或物質(zhì)組合（a composition of matter）或其新而有用的改進”四種法定類型。因此在機器學習相關的技術領域，用于解決具體的技術問題的技術方案與過程、一種機器學習模型正在執(zhí)行某種功能的方法或者是一種訓練模型都可以納入可以授權的專利客體范圍。另一方面，例外客體及排除規(guī)則在司法實踐中逐漸以判例方式形成，主要包括自然法則（例如重力）、自然現(xiàn)象（例如電磁、化學反應）以及抽象概念（例如數(shù)學公式、對沖風險、源于數(shù)據(jù)的數(shù)據(jù)）。下圖為USPTO審查專利是否符合《聯(lián)邦法典》第35編第101條的通常判斷步驟，下面將結合其相關內(nèi)容，以機器學習技術方案為例對專利保護客體判斷問題進行分析：- 第一步，首先判斷是否屬于方法、機器、產(chǎn)品或組合物四類法定類別。以機器學習技術舉例，主要涉及為解決某種技術問題的過程與方法；
- 第二步，判斷其是否涉及法定排除事項（2A）。在實踐中，人工智能所依靠的算法往往很容易落入抽象概念的范疇，進而被排除于可專利主題之外；
- 第三步，需要判斷權利要求是否記載了司法排除對象之外的附加元素（2B），如果添加的元素使得專利能夠具體應用到技術環(huán)境，則該專利仍屬于可授權客體，反之則不滿足101條款專利適格的主題。
當前，有關人工智能專利相關的判例不多，但該領域相關訴訟仍在增加。專利案件的初審首先在各地區(qū)法院中進行。當事人對判決結果存有異議的可上訴至聯(lián)邦巡回法院，最高法院則為專利訴訟的最終上訴法院。因此，短期內(nèi)，人工智能技術相關的判決更多出自聯(lián)邦巡回法院。20世紀七八十年代，美國的計算機軟件業(yè)起步發(fā)展，涌現(xiàn)出一系列有關計算機軟件發(fā)明保護的案例。這些案例所涉的計算機軟件遠不可和當前機器學習技術同日而語，但也為機器學習技術保護的研究提供方向。一個機器學習的算法模型是否能夠成為專利法保護的客體？可以在美國聯(lián)邦最高法院1981年審理的Diamond訴Diehr一案中找到啟發(fā)。在該案中，Diehr公司所請求的發(fā)明為制造橡膠產(chǎn)品時控制壓力與時間的方法，該工序利用模具，首先在一定溫度和壓力下將未固化的原料定型，然后在模具中對合成橡膠進行固化處理，這樣產(chǎn)品將保持原有形狀，在成型完成后可以直接使用。本案的爭議焦點在于，該發(fā)明主張使用計算機軟件執(zhí)行阿列紐斯德方程式，則其是否屬于美國專利法第101條中可保護的專利。方程式確屬于傳統(tǒng)數(shù)學算法、抽象概念，但需要注意的是，其被運用在成型橡膠的具體制造過程當中，運用該方程式，可以通過已知的時間、溫度和熟化關系，計算出打開模具的時間，通過反復計算與比對，從而確定合適的熟化時間。法院判例結果亦表明，單純的數(shù)學表達不是專利保護的對象，但當數(shù)學公式和計算機程序應用于具體的方法中，作為解決具體問題的整體技術方案的一部分時，該整體技術方案也可以授予專利權的。案涉專利為一種內(nèi)容過濾系統(tǒng)，通過采取一定的通信網(wǎng)絡技術，提供遠程互聯(lián)網(wǎng)服務，服務器可針對單獨個別客制要求來過濾文件內(nèi)容。在該案中，聯(lián)邦巡回法院認為，“該技術一些組件和功能盡管看起來是通用的，但某些限定特征是非常規(guī)的（例如完成的步驟取決于分布式增強），所有限定特征的整體有序組合也是非常規(guī)的?！?/span>因此，網(wǎng)絡內(nèi)容過濾軟件的內(nèi)容過濾本身可能是一種抽象思維，但涉案專利的創(chuàng)造性構想（inventive concept）即改進之處在于，在特定位置并針對每個終端用戶都具備合適的定制過濾功能，此構想已將抽象的想法轉(zhuǎn)換成合格專利的發(fā)明。3.In re Board of Trustees I[3]（聯(lián)邦巡回上訴法院，2021年3月11日）斯坦福大學提交了一種用于長程單倍型的精確構建的方法和系統(tǒng)的專利申請，它提供了即使在沒有親源信息的情況下，仍可利用某一特定統(tǒng)計模型推導出單倍型定相的方法。據(jù)權利要求記載，該發(fā)明通過采用特定類型的隱馬爾可夫模型來預測單倍型定相，改進了精確性。在該案中，聯(lián)邦巡回上訴法院維持了PTAB的駁回決定，理由在于：- 首先，該申請的權利要求指向執(zhí)行計算的數(shù)學算法，為專利不適格的抽象想法。
- 其次，盡管通過“新的或不同的數(shù)學過程的使用”，“該過程產(chǎn)生了大量的單倍型定相預測”，但該過程并不是一個“改進的技術過程”。
- 再者，權利要求并沒有明確列舉所請求的數(shù)學算法的實際應用，而只是請求在響應某一請求時提供單倍型定相。
有鑒于該案例，人工智能領域的專利申請需要對底層技術進行改進，對算法所生成產(chǎn)出的用途或?qū)嶋H應用進行明確列舉，才能符合專利保護客體的要求。4.In re Board of Trustees II[4]（聯(lián)邦巡回上訴法院，2021年3月25日）斯坦福大學提交了另一件專利申請“一種用于推斷不相關個體集合中的單倍型階段的計算機方法”，權利要求亦稱，該發(fā)明使用特定類型的隱馬爾可夫模型來預測這些單倍型階段，提高了現(xiàn)有模型的準確性。該方案實際上與案例3十分相似。PTO審理認為權利要求同樣指向使用數(shù)學計算和統(tǒng)計建模，且計算精度的改進不被認為是對工藝過程的改進，而僅僅是對抽象數(shù)學計算的增強。對此，斯坦福大學辯稱，該發(fā)明的技術改進在于，通過計算精度的提高可以獲得更大的計算效率，提高計算機的處理能力。然而遺憾的是，斯坦福大學因其未向PTAB提出該論點，因而在該案上訴至聯(lián)邦巡回上訴法院階段喪失了該項抗辯資格。就本案而言，申請人明確列舉了所請求的數(shù)學計算和統(tǒng)計建模的實際應用，正如斯坦福大學所提出的爭辯，如果發(fā)明的技術改進不僅僅強調(diào)精度提高本身，而在于更準確地預測可增進工藝過程，那么該發(fā)明就很有可能成為專利保護客體。5.PurePredictive, Inc.訴H2O.AI案 （加利福尼亞州北區(qū)法院，2017 年）案涉專利涉及一種使用數(shù)學算法進行預測分析的方法。機器學習模型首先接收隨機數(shù)據(jù)并生成訓練函數(shù)，根據(jù)輸入與預期輸出的結果調(diào)整模型的參數(shù)，以達到在提供相應的輸入時準確產(chǎn)生預期輸出，并以此創(chuàng)建規(guī)則集。H2O.AI認為，該項權利要求是針對測試和完善算法的抽象數(shù)學過程，試圖壟斷基本數(shù)學操作的使用，而不提及任何具體的實施、應用、目的或用途。對此，PurePredictive辯稱，該項專利不僅針對計算機相關技術，而且還對其相關特定問題進行了改進。最終，原審法院支持了H2O.AI關于該權利要求無效的觀點。
原審法院參考了專利說明書中對發(fā)明的描述，即該發(fā)明是一種“蠻力、試錯的方法”，“產(chǎn)生一個預測性的組合，而不考慮特定領域或應用”，這使法院斷定，這“進一步表明該流程只是通過機器運行數(shù)據(jù)而已”。目前，聯(lián)邦巡回上訴法院已經(jīng)確認該判決。（三）2019版美國專利客體適格性指南（USPTO 2019 PEG） 美國專利客體適格性指南（Patent Subject Matter Eligibility Guidance，PEG），載于《美國專利審查程序手冊》（Manual of Patent Examining Procedure，MPEP），是PTO發(fā)放給專利審查員用于評估專利適格性的指南，指南內(nèi)提供多個示例，說明如何根據(jù)指南進行相關分析。2019年，PTO對其再次修改和完善，形成現(xiàn)行指南。在該版本的專利適格性分析中，相較于此前的分析路徑，對步驟2A進行了進一步細分，即：- 第一，判斷權利要求是否描述了抽象概念、自然規(guī)律或自然現(xiàn)象。
- 第二，判斷所描述的司法排除對象是否整合到實際應用中。
- 第三，是否記載了司法排除對象之外的附加元素（2B）。
例如，指南展示的示例39涉及一項與AI相關的假想發(fā)明，其要求保護一種用于面部檢測的訓練神經(jīng)網(wǎng)絡的計算機實現(xiàn)的方法，具體如下：- 一種用于面部檢測的訓練神經(jīng)網(wǎng)絡的計算機實現(xiàn)的方法，所述方法包括：
- 從數(shù)據(jù)庫收集一組數(shù)字面部圖像；
- 將一個或多個變換應用到每個數(shù)字面部圖像，包括鏡像、旋轉(zhuǎn)、平滑或?qū)Ρ榷冉档鸵詣?chuàng)建修正的一組數(shù)字面部圖像；
- 創(chuàng)建第一訓練集，包括所收集的一組數(shù)字面部圖像、所修正的一組數(shù)字面部圖像、以及一組數(shù)字非面部圖像；
- 在第一階段使用所述第一訓練集訓練所述神經(jīng)網(wǎng)路；
- 創(chuàng)建用于訓練的第二階段的第二訓練集，包括所述第一訓練集和在訓練的所述第一階段之后被錯誤地檢測為面部圖像的數(shù)字非面部圖像；以及
- 在第二階段使用所述第二訓練集訓練所述神經(jīng)網(wǎng)路。
PTO認為，該權利要求并非闡述數(shù)學關系、公式或計算；并非心理過程，因為它并非實際在人腦中執(zhí)行；并非闡述人類活動的組織方法（例如基本經(jīng)濟概念、人際互動管理方法）；因此，該權利要求不屬于2019 PEG中列舉的法定例外情況，具有客體適格性。專利申請文件的撰寫質(zhì)量決定一項專利權能否形成、專利權人能否獲得有效的合法的、最大化的、穩(wěn)定的法律保護。根據(jù)《美國法典》第35編第112(a)條，對專利說明書提出兩個要求：一為可實施性，即應當告知相關領域的技術人員如何制作和使用權利要求所述的發(fā)明；二為清楚準確的書面表述，明確表明申請人權利要求所述的客體。MPEP第2161.01(i)條亦規(guī)定，“在審查計算機實施的功能性權利要求時，審查員應判定說明書是否揭露了執(zhí)行權利要求所述功能的計算機和算法（例如必要步驟和/或流程圖）并且提供了充分的信息，讓相關領域的普通技術人員 能夠合理地得出結論：發(fā)明人在提交申請時已擁有權利要求所述的客體。”為避免專利申請因說明書不符合規(guī)范而被駁回，基于機器學習技術的特點，筆者根據(jù)多年實務經(jīng)驗總結出以下說明書撰寫建議：- 充分說明創(chuàng)新的技術環(huán)境和技術必要性。
- 避免使用明顯的數(shù)學術語來描述創(chuàng)新。
- 考慮在描述背景時對已確立的先有技術的實施進行說明，避免在說明書中明確指出先有技術（例如，“美國專利案號X,XXX,XXX、致 Jones、揭露……”）。
- 避免對權利要求中所述的特征進行“黑盒”描述，需要對模型整體的結構以及具體的訓練過程進行詳細的解釋。
- 明確闡述單個特征和/或多個特征的技術效果/優(yōu)勢，將優(yōu)勢與權利要求中所述的特征/特征組合關聯(lián)起來。
當前，美國對專利適格性的判定越來越依賴于說明書中的陳述。因此，對一項技術方案保護的最佳方式便是從說明書撰寫開始投資。一份優(yōu)質(zhì)和全面的專利申請有助于提高專利審查的效率和授予專利保護的可能性，很大程度上減少專利申請因駁回、修改、復審而產(chǎn)生的各項成本，避免限制最終授予專利的范圍。斐銳律師事務所（Fish & Richardson P.C.）是一家全球性的、以知識產(chǎn)權業(yè)務為主的律師事務所。作為全球性的知識產(chǎn)權律師事務所，2019年，斐銳在中國設立深圳辦事處，目前在美國、歐洲和中國擁有14家分所以及400余名律師和技術專家，提供無縫連接式的國際知識產(chǎn)權服務。 作為全美專利訴訟排名第一律所、專利審判與上訴委員會排名第一律所、全球性的專利申請律所以及商標與版權業(yè)務第一梯隊律所，斐銳擁有在各個相關技術領域具備豐富經(jīng)驗的律師團隊，其中包括100余位各專業(yè)領域博士學位獲得者、100余位擁有電子工程或計算機科學學位的律師以及前聯(lián)邦巡回法院助理和其它法院前法律助理。 自1878年創(chuàng)立起，斐銳的律師們贏得了數(shù)個案額達十億美元級的爭議案件，廣受全球最具創(chuàng)造性及影響力企業(yè)的贊譽與信賴。未來，斐銳將繼續(xù)在代理實務中不斷創(chuàng)造新的案例法。 【1】Inventing AI Tracing the diffusion of artificial intelligence with U.S. patents, USPTO, Office of the Chief Economist, IP Data Highlights, Number 5, 2020年10月。【2】The IP behind the AI boom, James Nurton, WIPO 雜志, 2019年2月。【3】In Re THE BOARD OF TRUSTEES, 20-1012 (Fed. Cir. 2021). 【4】In Re THE BOARD OF TRUSTEES, 20-1288 (Fed. Cir. 2021).作者：Ryan McCarthy
|
