2025年4月18日，美国联邦巡回上诉法院作出了一项先例裁决，对只是将成熟的机器学习方法应用于新的数据环境的技术方案是否可授予专利权进行了裁决。
原告Recentive分析公司（Recentive Analytics Inc.）是涉及 “使用机器学习为电视广播和现场活动生成网络地图和时间表”的第11,386,367号等美国专利的所有人。Recentive以侵权为由向被告福克斯公司（Fox Corp）等发起了诉讼，但这一诉讼请求被地区法院驳回。地区法院同时得出结论认为：这些专利是《美国法典》第35编第101条所规定的“不适格客体”。这一结论得到了联邦巡回上诉法院的认可。
Recentive分析公司在诉讼中提出，其专利中的创新在于“使用机器学习根据实时数据动态生成优化的地图和时间表，并根据不断变化的条件进行更新”。同时第11,386,367号专利的权利要求书也包括了为机器学习模型定制输入参数以实现专业输出的功能、且还会基于检测变化来为模型提供实时更新。第11,386,367号专利的说明书指出：“一般来说，可以使用任何适合的机器学习技术，例如：梯度提升随机森林、回归、神经网络、决策树、支持向量机、贝叶斯网络、其他类型的技术。”Recentive分析公司将其专利描述为“将机器学习模型应用于不复杂但同样利基的现有技术领域，即为广播现场活动和现场活动时间表生成网络地图”。
然而，法院认为该专利不是35 U.S.C. § 101中所规定的专利的适格客体。法院指出，仅将通用的机器学习应用于新的数据环境，而没有披露对所应用的机器学习模型本身作出具体技术改进成效的技术方案不是专利的适格客体。
点评：
该判决凸显了中美两国在人工智能专利审查标准方面存在的差异。美国司法实践延续了严格的专利保护客体适格性审查传统。
《美国法典》第35编第101条规定：
Whoever invents or discovers any new and useful process, machine, manufacture, or composition of matter, or any new and useful improvement thereof, may obtain a patent therefor, subject to the conditions and requirements of this title.
即，“任何人发明或发现任何新颖且实用的方法、机器、制品、合成物，或其任何新颖且实用的改进，符合本法所规定的条件和要求者，均可获得其专利权。”
由于其定义较为宽泛，因此美国目前所用的专利客体适格性判断方法是最高法院于2012年Mayo案中提出、2014年Alice案中再次确认的两步法。此次判决延续了上述两案所确立的审查方法和原则，坚持了对指向“抽象概念”的专利的严格审查立场。
该判决还显著揭示了中美在人工智能专利审查标准上的差异。美国延续严格的传统，明确要求机器学习专利申请必须披露对算法模型本身的实质性改进，并排除“通用算法+泛用场景”的可专利性。相比之下，中国审查体系展现出更大包容性，要求算法创新深度绑定具体技术问题并产生可量化的技术效果（如延迟降低50%）。2024年中国颁布的《人工智能相关发明专利申请指引（试行）》进一步细化了标准，强调三点核心要求：技术方案需实现算法特征与技术特征的有机融合；说明书必须完整披露模型改进细节；创造性判断需重点考察算法优化对解决技术问题的实际贡献度。这种差异体现了两国平衡创新与专利保护的不同取向。
鉴于上述实践趋势，就专利申请策略而言，我们建议在专利申请文件撰写时考虑不同国家的审查侧重，采取全局化申请策略。
具体而言，可依据中国专利法审查实践中对专利保护客体的审查较为宽松、审查重点在于技术方案的创造性的特点，对于在应用场景下所产生的技术效果需予以重点关注。同时，在说明书中尽量将技术问题的场景具体化并用可量化的性能指标（如响应时间从500ms优化至100ms）来证实技术方案的显著的进步。同时根据中国审查的要求，在权利要求书中明确记载算法与硬件系统的协同作用（如“基于ASIC芯片实现神经网络并行计算优化”）。
而对于进一步计划在美国进行布局的申请，则应当深究其是否符合35 U.S.C. § 101中所规定的专利的适格客体，尽可能一并挖掘模型架构改进的技术细节并写入文本。如可能的话，还需要在申请文件中事先撰写包含这些模型架构改进技术点的技术方案。
不仅在当下而且在将来，机器学习领域技术都将占据各国技术竞争的重要位置，各国也会因本国技术在全球竞争中的不同层级而采用灵活多变的专利申请审查政策，作为服务机构我们始终关注着这些变化，也可为各创新主体建立动态的审查标准跟踪机制和多角度保护措施确保技术创新成果在相关国家市场都能有效转化为专利资产，从而在全球人工智能技术领域中获得竞争优势。
（上专电物一部 孟钰瑶 供稿）
