USPTO發布AI專利標的專利適格性審查指南 - 筆記(3)

USPTO發布（July 16, 2024發布；July 17, 2024生效）專利適格性審查指南更新版，特別是針對AI相關發明的專利適格性，並提出三個範例（https://www.uspto.gov/sites/default/files/documents/2024-AI-SMEUpdateExamples47-49.pdf）。

Example 49: Fibrosis Treatment（治療纖維化）

此範例描述以AI模型輔助個人化的治療行為，針對青光眼（Glaucoma），習知有很多相關治療方法，但手術後可能會引起纖維化（fibrosis）的問題，一般的處理方式是吃防纖維化的藥，但會引發其他有問題，而本案就是開發出不吃防纖維化的藥的方式。

CLAIMS

[Claim 1] A post-surgical fibrosis treatment method comprising:

(a) collecting and genotyping a sample from a glaucoma patient to a provide a genotype dataset;

(b) identifying the glaucoma patient as at high risk of post-implantation inflammation (PI) based on a weighted polygenic risk score that is generated from informative single-nucleotide polymorphisms (SNPs) in the genotype dataset by an ezAI model that uses multiplication to weight corresponding alleles in the dataset by their effect sizes and addition to sum the weighted values to provide the score; and

(c) administering an appropriate treatment to the glaucoma patient at high risk of PI after microstent implant surgery.

TWO-STEP分析：

step 1: YES

Claim 1為方法專利，其中描述的步驟屬於35U.S.C.101中process類別。

step 2A, prong one: YES

Claim 1中step (b)描述根據weighted PRS識別具有高風險的青光眼病患，基於BRI解釋原則，其中涉及比對分數的判斷，屬於人類心智活動（mental process）；並且其中技術在解釋後包括數學計算，已經描述法定例外，屬於抽象概念。

step 2A, prong two: NO

Claim 1描述的額外元件包括step (a)的"collecting"、"genotyping a sample from a glaucoma patient to provide a genotype datase"，以及step (b)的"collecting"，但這些屬於微不足道的額外方案活動（insignificant extra-solution activity）。另外在step (c)的步驟中，雖然其中描述到實施治療，但沒有提供任何資訊說明如何治療病患，以及哪一種治療，因此step (c)並沒有提供有意義的限制。如此，Claim 1的額外元件並沒有整合法定例外為具體應用。

step 2B: NO

自此步驟中，應重新評估上述分析得出claim中的額外元件，也就是判斷這些額外方案活動是否僅是已知的活動。經查，claim的技術設及資料收集，為高度通用性，也為常規的技術，並沒有提供進步特徵（inventive concept），並未實質超越一般應用在法定例外的通常指令。

結論：Claim 1不符合專利適格性規定。

[Claim 2] The method of claim 1, wherein the appropriate treatment is Compound X eye drops.

Claim 2進一步描述Claim 1提到的治療是一種眼藥水。

TWO-STEP分析：

step 1: YES

因此Claim 2依附Claim 1，因此屬於35U.S.C.101的process類別。

step 2A, prong one: YES

Claim 2依附Claim 1，因此Claim 2也包括屬於抽象概念的步驟。

step 2A, prong two: YES

重申此步驟評估的條件為：

(1) identifying whether there are any additional elements recited in the claim beyond the judicial exception, and （是否有超越法定例外的額外元件）

(2) evaluating those additional elements individually and in combination to determine whether the claim as a whole integrates the exception into a practical application.（評估額外元件個別或其組合能整合法定例外為具體應用）

在此步驟中，評估是否專利範圍的整體整合了法定例外為具體應用，Claim 2描述的額外元件為"Compound X eye drops"。在BRI解釋原則下，其中提出特定治療方式，提供有意義的限制，使得Claim整體整合了法定例外為具體應用，因此並非涉及法定例外。

結論：Claim 2符合專利適格性規定。

Ron

「負面表現方式」是「正面表示技術特徵」的筆記

根據我國專利審查基準第二篇第六章「修正」4.2.2「允許的刪除」中第(7)點提到「負面表現方式」的記載，先說明「排除」與先前技術重疊部分的修正可能會導致新事項（new matter），這是在「申請後」修正產生的問題，但其中也"正面地"同意可使用"排除"等負面敘述方式，原則上，在修正程序中，負面表示方式使得「被排除之先前技術」"例外視為未引進新事項"。

---審查基準--------------------------------

(7)由請求項中排除與先前技術重疊部分之技術內容會導致引進新事項，因為該等被排除之內容並非由申請時說明書、申請專利範圍或圖式所能直接無歧異得知者。惟若無法以正面敘述方式明確、簡潔地界定排除後之標的時，得以「排除（disclaimer）」與先前技術重疊部分的負面敘述方式記載。例如請求項記載上位概念技術特徵，說明書中對應記載多個選項之下位概念技術特徵，若其中包含某個選項之發明已為先前技術，為避免與先前技術重疊，得允許於說明書中刪除該選項，而於請求項中以排除（例如不包含、不包括、除外）該選項之方式予以修正，即以負面表現方式記載上位概念技術特徵，雖然修正後之說明書及請求項增加申請時未揭露之技術特徵，亦即被排除之先前技術，惟得例外視為未引進新事項。於上述情況，即使申請時說明書中未揭露該先前技術，亦允許於說明書及請求項之上位概念技術特徵中直接以排除該先前技術之負面敘述方式予以修正，修正後之說明書及請求項中雖增加申請時未揭露之技術特徵，亦得例外視為未引進新事項。

-------------------------------------------

審查基準中"例外視為未引進新事項"的範例說明，此例目的是要排除屬於先前技術的數值：

（重要）撰寫專利範圍時，如何決定是否採用「負面表現方式」，就看是否只能用負面表示表達技術特徵，且不會造成不明確，如果有必要且明確，可使用負面表現方式；另可判斷是否使用負面表現方式會使得專利範圍過廣而無法定義其邊界，如果有無法界定專利範圍的疑慮時，選擇不用。

根據審查基準第二篇第一章中2.4.1.5「表現方式所致之不明確」一節說明，請求項中可以使用「負面表示方式」（除...之外、非...，或類似用語），條件如以下標示(1)(2)(3)等。

惟若此類用語在特定技術領域中(1)具有明確的涵義，或該發明所屬技術領域中具有通常知識者(2)能瞭解其範圍，則得以此類用語表現。此外，(3)若以正面記載技術特徵之方式無法明確、簡潔界定請求項時，例如為迴避先前技術，得將屬於先前技術的部分，以負面表現方式明確排除。

一般理解，盡量不使用「負面表示方式」，因為很容易會被判斷導致不明確，如以下範例一，「"非"切削加工方式」會涵蓋不勝枚舉的技術，但這些技術不一定會實現發明所闡述的效果，因此導致不明確。

明確的範例二：說明書指明只有＂非圓管形態＂才能達成發明的功效，並且相關領域通常知識者可以明白，就不會導致不明確。

明確的範例三：只要發明所屬技術領域有明確的含意，或是相關人員可理解，「負面表現方式」不會導致不明確。

除以上我國專利審查基準外，在此列舉過去報導作為參考：

- 負面表示的爭議、解釋與專利範圍效果 - Novartis Pharms. Corp. v. Accord Healthcare, Inc. (Fed. Cir. 2022)（https://enpan.blogspot.com/2022/06/novartis-pharms-corp-v-accord.html）

"關於本案爭議中的負面請求項限制（negative claim limitations），如本次爭議的一句話「absent an immediately preceding loading dose regimen」，若說明書要有足夠的支持，應該要揭露出要排除其中元件的理由，例如寫在說明書中提到使用要排除的元件（本案即loading dose）的缺點，或是明確描述區隔的元件，或是所要排除的元件。"

"如果要負面表示，說明書至少要積極地表示為何要排除特定特徵的理由，否則要成為日後專利主要特徵或是主張的權利對他人來說並不見得公平（問題不是有沒有使用，而是有沒有揭露！）"

- 歐洲專利明確而直接導出的修正討論 - 訴願案G 2/10（https://enpan.blogspot.com/2017/05/g-210.html）

"以負面表示來排除一些技術特徵仍可以是明確的。

"...only drafted in negative terms by giving the reason for which an amendment may not be refused under Article 123(2) EPC (i.e. not for the sole reason that neither the disclaimer nor the subject-matter excluded by it from the scope of the claim has a basis in the application as filed).""

"擴大訴願階段：

對於申請人主張修正為"清楚而明確地揭露在原申請時揭露內容"的議題，EPO局長也提出意見，如果專利範圍揭露於申請時說明書描述的可能實施例中，所述「Disclaimer（負面表示）」仍可加入申請專利範圍中，以排除特定實施例。負面表示最好是在「正面表示」無法清楚而簡要地定義發明時。"

"一般理解或描述專利的方式都是"正面地"描述技術內容，但如果是後續分割案（Divisional），負面表示（disclaimer）可以用於避免重複專利的方式之一。再者，Disclaimer也可以用於其他第三方申請人"迴避"前案的新申請案之用。"

- About claims XIII - 負面表示（https://enpan.blogspot.com/2008/10/about-claims-xiii.html）

MPEP 2173.05(i)：負面表現方式並非固有地是模糊或不明確，重點是專利範圍邊界要明確。

"The current view of the courts is that there is nothing inherently ambiguous or uncertain about a negative limitation. So long as the boundaries of the patent protection sought are set forth definitely, albeit negatively, the claim complies with the requirements of 35 U.S.C. 112, second paragraph. Some older cases were critical of negative limitations because they tended to define the invention in terms of what it was not, rather than pointing out the invention."

"在目前法院的觀點，負面表示(negative limitation)本身沒有模糊或是不明確的問題，在特定情況下，若需定義非為何比指出何為發明還清楚，就可使用負面表示"

"使用負面表示或是排除的寫法需要基於原始說明書的揭露，來判斷是否明確排除特定元件，如果負面表示並未被原始說明書所支持(並非僅在文字上的支持)，則應被核駁"

Ron

USPTO發布AI專利標的專利適格性審查指南 - 筆記(2)

很多資料連結就放在前篇：USPTO發布AI專利標的專利適格性審查指南 - 筆記(1)（https://enpan.blogspot.com/2024/07/usptoai.html），本篇延續筆記USPTO列舉的AI相關發明的範例。

USPTO發布（July 16, 2024發布；July 17, 2024生效）專利適格性審查指南更新版，特別是針對AI相關發明的專利適格性，並提出三個範例（https://www.uspto.gov/sites/default/files/documents/2024-AI-SMEUpdateExamples47-49.pdf）

Example 48: 語音分離

發明關於利用AI方法分析語音訊號，從無關或是背景將語音分離出來，以下列舉專利範圍涉及深度神經網路。

CLAIMS

[Claim 1] A speech separation method comprising:

(a) receiving a mixed speech signal x comprising speech from multiple different sources

s n, where n ∈ {1, . . . N};

(b) converting the mixed speech signal x into a spectrogram in a time-frequency domain

using a short time Fourier transform and obtaining feature representation X, wherein

X corresponds to the spectrogram of the mixed speech signal x and temporal features

extracted from the mixed speech signal x; and

(c) using a deep neural network (DNN) to determine embedding vectors V using the

formula V = fθ(X), where fθ(X) is a global function of the mixed speech signal x.

Claim 1關於一種語音分離方法，方法包括：(a)接收混合語音訊號，其中有多個不同來源的語音訊號；(b)使用短時傅立葉轉換混合語音訊號為時間-頻率域的頻譜中，取得其中特徵；(c)使用深度神經網路判斷其中嵌入向量。

step (a)的解釋（BRI原則）可以涵蓋各種方式取得的語音訊號，如麥克風或各種感測器；step (b)使用傅立葉轉換，將語音訊號轉為time-frequency domain頻譜上，但沒有描述如何取得時間特徵與頻譜；step (c)使用DNN（深度神經網路）並界定一個方程式用以取得嵌入向量，但分析也說沒有描述細節。

TWO-STEP分析： 

step 1: YES（判斷是否落於101可專利標的的類別？）

方法屬於35U.S.C.101定義的process。

step 2A, prong one: YES（判斷是否描述法定例外(judicial exception)？）

請求項中step (b)描述使用傅立葉轉換混合語音訊號為time-frequency domain的頻譜，取得特徵，這部分被認為是數學方法，step (c)更描述了數學方程式，使得claim判斷為描述了法定例外的內容，被認為是抽象概念。

step 2A, prong two: NO（判斷請求項之整體是否整合所描述的法定例外為具體應用(practical application)，其中評估(1)識別其中超越法定例外的額外元件(additional elements)；(2)評估額外元件的個別或組合使否整合法定例外為具體應用？）

判斷claim中step (a)屬於超越法定例外的額外元件之一，另一個額外元件為step (c)中使用DNN判斷嵌入向量的步驟。Claim記載的發明提出解決語音分離的技術，並解決相關技術問題，但是判斷專利範圍並沒有反映出說明書記載的改善方案，而其中記載的DNN技術僅是以一般目的電腦執行的方法，並沒有改善相關技術，因此判定沒有整合法定例外為具體應用。

step 2B: NO（評估專利範圍的整體是否實質超越法定例外，即判斷所述額外元件是否具有進步概念(inventive concept)？）

上述分析中得出claim中具有兩個額外元件，其中step (a)被判定是微不足道的額外解決活動（insignificant extra-solution activity）；step (c)的DNN技術在相關領域為已知(well-understood)、常規(routine)與習知(conventional)的技術，因此整體上並沒有實質超越法定例外（數學方法）。

結論：Claim 1不符合專利適格性規定。

[Claim 2] The speech separation method of claim 1 further comprising:

(d) partitioning the embedding vectors V into clusters corresponding to the different

sources s n;

(e) applying binary masks to the clusters to create masked clusters;

(f) synthesizing speech waveforms from the masked clusters, wherein each speech

waveform corresponds to a different source s n;

(g) combining the speech waveforms to generate a mixed speech signal x' by stitching

together the speech waveforms corresponding to the different sources s n, excluding

the speech waveform from a target source s s such that the mixed speech signal x'

includes speech waveforms from the different sources s n and excludes the speech

waveform from the target source s s; and

(h) transmitting the mixed speech signal x' for storage to a remote location.

Claim 2界定一種如Claim 1的語音分離方法，其中更包括：(d)切分內嵌向量為對應多個來源的多個群； (e)套用二進位遮罩，得出遮罩的群；(f)合成語音波形；(g)結合這些語音波形已產生混合語音訊號；(h)傳送混合語音訊號到遠端。

TWO-STEP分析： 

step 1: YES

方法屬於35U.S.C.101定義的process。

step 2A, prong one: YES

根據請求項記載，其中運用DNN執行人類心智流程，因此認為請求項描述人類心智活動，為抽象概念。

step 2A, prong two: YES

Claim的step (a)描述資料收集，step (c)描述使用DNN判斷嵌入向量，step (h)描述傳送語音訊號至遠端，屬於微不足道的額外方案。其餘的專利特徵，如step (b)(c)(d)(e)(f)(g)超越抽象概念，特別是step (f)描述合成對應不同來源的語音波形，step (g)描述結合語音波形以產生混和語音訊號但排除了目標來源的語音。如此，判定step (f)(g)整合了抽象概念為具體應用。

整體上，經以上評估，請求項記載之發明改善了現有關於語音分離的電腦技術，並且也整合抽象概念為具體應用。

結論：Claim 2符合專利適格性規定。

[Claim 3] A non-transitory computer-readable storage medium having computer-executable instructions stored thereon, which when executed by one or more processors, cause the one or more processors to perform operations comprising:

(a) receiving a mixed speech signal x comprising speech from multiple different sources s n, where n ∈ {1, . . . N}, at a deep neural network (DNN) trained on source separation;

(b) using the DNN to convert a time-frequency representation of the mixed speech signal x into embeddings in a feature space as a function of the mixed speech signal x;

(c) clustering the embeddings using a k-means clustering algorithm;

(d) applying binary masks to the clusters to obtain masked clusters;

(e) converting the masked clusters into a time domain to obtain N separated speech signals corresponding to the different sources s n; and

(f) extracting spectral features from a target source s d of the N separated speech signals and generating a sequence of words from the spectral features to produce a transcript of the speech signal corresponding to the target source s d.

Claim 3界定一個非暫態電腦可讀取儲存媒體，其中儲存電腦可執行指令，經處理器執行後有以下動作：(a)接收語音訊號；(b)使用DNN轉換混合語音訊號為內嵌向量；(c)使用演算法分群；(d)套用二進位遮罩；(e)轉換遮罩分群為時域的分離語音訊號；(f)取得其中空間特徵，以產生一序列文字。

TWO-STEP分析： 

step 1: YES

Claim 3所描述的非暫態電腦可讀取儲存媒體屬於35U.S.C.101規定可專利的"manufacture"類別。

step 2A, prong one: YES

請求項step (a)描述轉換time-frequency的表示方式為嵌入向量，屬於數學方法；step (c)對嵌入向量分群也是數學計算；step (d)應用二進位遮罩取得遮罩的群組，也是數學方法。但是，step (e)轉換遮罩分群為時域以得到不同來源的語音訊號，以及step (f)從空間特徵中產生一序列文字以產生語音訊號的技術，並從目標來源分離取得空間特徵的技術，並非可由人類心智執行，因此，step (e)(f)並非描述法定例外的抽象概念。

但是即便是有步驟評估非抽象概念，但是根據MPEP 2106.04的規定，Claim是否描述抽象概念並非分別評估，因此整體來看，Claim 3還是屬於抽象概念。

step 2A, prong two: NO

經評估，認為claim 3中的step (a)的限制具有高度通用性（high level of generality），使得可解釋為各種取得語音訊號的普通技術；step (b(部分))(c)(d)的描述並沒有加入任何有意義的限制（meaningful limits），僅是微不足道的額外方案活動。

然而，經評估判斷step (b)中使用DNN執行語音分離的技術，屬於超越抽象概念的特徵，但因為其中描述（"(b) using the DNN to convert a time-frequency representation of the mixed speech signal x into embeddings in a feature space as a function of the mixed speech signal x;"）缺乏細節，並沒有揭露如何產生嵌入向量的步驟，使得其解決方案僅是概念，因此DNN仍是以一般目的電腦執行的數學方法而已。

（補充）審查委員如何判斷僅是實現在電腦的抽象概念的方法：（是否沒有細節、一般電腦僅是一個工具、過於通用性）

再查，本項其餘的特徵，如step (e)，轉換遮罩分群為時域上多個分離的語音訊號，以及step (f)取得目標來源的空間特徵，以及其中產生一序列文字的技術，這些步驟已經整合抽象概念為具體應用。使得整體專利範圍反映出改善相關領域的技術，即便有幾個步驟判斷是抽象概念，但整體上實現speech-to-text轉換，具有具體應用，因此step 2A, prong two為YES。

step 2B: NO

結論：Claim 3符合專利適格性規定。

my two cents:

USPTO這些範例的background很詳細地描述這些AI發明的技術內容，對於要學AI寫作的人來說十分有用。以下對各種AI相關發明的申請專利範圍的專利適格性分析也是值得理解與學習，可以作為相關議題答辯的材料。

Ron

USPTO發布AI專利標的專利適格性審查指南 - 筆記(1)

USPTO issues AI subject matter eligibility guidance（https://www.uspto.gov/about-us/news-updates/uspto-issues-ai-subject-matter-eligibility-guidance）

- 聯邦記事 - 2024 Guidance Update on Patent Subject Matter Eligibility, Including on Artificial Intelligence（https://www.federalregister.gov/documents/2024/07/17/2024-15377/2024-guidance-update-on-patent-subject-matter-eligibility-including-on-artificial-intelligence），PDF檔比較好讀：https://www.govinfo.gov/content/pkg/FR-2024-07-17/pdf/2024-15377.pdf

USPTO發布（July 16, 2024發布；July 17, 2024生效）專利適格性審查指南更新版，特別是針對AI相關發明的專利適格性，並提出三個範例（https://www.uspto.gov/sites/default/files/documents/2024-AI-SMEUpdateExamples47-49.pdf），在此列舉Example 47：

Example 47. Anomaly Detection（異常偵測，如偵測網路入侵與惡意攻擊）

發明關於使用人工神經網路（ANN）識別或是偵測異常狀況。ANN是一種機器學習模型，如深度神經網路，包括輸入層（input layer）、輸出層（output layer）與全連接層（fully-connected layer），可用於影像識別、語音識別、圖案識別與異常偵測。ANN包括有多層神經元（neuron）陣列組成，神經元陣列中的每個神經元通過突觸電路（synaptic circuit）連接其他神經元，突觸電路設有記憶體儲存電路的權值。每個神經元具有一個暫存器（register）、微處理器與至少一個輸入。每個神經元產生一個動作，使用前一層的輸出直，並以一組權值（weight）作為輸入。

ANN能有效取得線性或非線性關係中的特徵，並可由ASIC實現，可以客製化為特定人中智慧應用，對於異常偵測特別有用。

在訓練ANN模型時，由取得的連續數據作為訓練集（training data），以電腦技術離散化（discretize），運用神經網路學習離散數據中的樣式（pattern），有利於建立機器學習模型，而可以識別出可能的異常情況。

Claims:

[Claim 1] An application specific integrated circuit (ASIC) for an artificial neural network

(ANN), the ASIC comprising:

a plurality of neurons organized in an array, wherein each neuron comprises a register, a

microprocessor, and at least one input; and

a plurality of synaptic circuits, each synaptic circuit including a memory for storing a

synaptic weight, wherein each neuron is connected to at least one other neuron via one of the plurality of synaptic circuits.

[Claim 1]界定一個用在人工神經網路的特殊應用積體電路（ASIC），包括多個陣列式神經元，每個神經元包括暫存器、微處理器與至少一個輸入；多個突觸電路，每個電路包括記憶體，用以儲存突觸權值，每個神經元通過突觸電路連接其他神經元。

TWO-STEP分析：

step 1: YES

本發明以ASIC實現ANN，這是一個具體的電路，屬於35U.S.C.101定義的機器或是製品（machine and/or manufacture）。

step 2A, prong one: NO

評估請求項是否描述司法例外？

請求項描述了神經元，這是一種硬體元件，包括了暫存器、微處理器與突觸電路，因此並沒有描述抽象概念，如數學概念、人的互動管理，即便ANN的訓練使用了數學方法，但請求項並沒有描述數學概念。因此請求項並沒有描述司法例外。

step 2A, prong two: NO

Claim 1符合專利適格性規定。

[Claim 2] A method of using an artificial neural network (ANN) comprising:

(a) receiving, at a computer, continuous training data;

(b) discretizing, by the computer, the continuous training data to generate input data;

(c) training, by the computer, the ANN based on the input data and a selected training

algorithm to generate a trained ANN, wherein the selected training algorithm includes a

backpropagation algorithm and a gradient descent algorithm;

(d) detecting one or more anomalies in a data set using the trained ANN;

(e) analyzing the one or more detected anomalies using the trained ANN to generate anomaly data; and

(f) outputting the anomaly data from the trained ANN.

[Claim 2]界定使用人工神經網路的方法，步驟包括接收連續訓練數據、離散化連續數據產生輸入數據、基於輸入資料與訓練演算法（反向傳播演算法、梯度下降演算法）訓練ANN、使用訓練的ANN偵測數據中的異常情況、使用訓練的ANN分析異常情況已產生異常數據，以及輸出ANN得出的異常數據。

TWO-STEP分析：

其中步驟描述連續數據、離散數據，以字面意思並以最廣且合理（BRI）的原則解釋每個步驟，其中由電腦接收連續訓練集、使用電腦離散化數據、訓練ANN、演算法、偵測與分析異常數據等，為執行數學演算的發明。

step 1: YES

請求項屬於35U.S.C.101規定的流程（process）。

step 2A, prong one: YES

請求項描述了司法例外，其中描述的步驟包括離散化、訓練、演算法，屬於數學概念，因此Claim 2屬於抽象概念。

step 2A, prong two: NO

判斷請求項是否整體上整合了司法例外為具體應用？

判斷請求項並未超出僅以一般電腦實現抽象概念。並且，即便其中有一些額外元件（additional elements），但未整合司法例外為具體應用。

step 2B: NO

根據以上分析，請求項並未超出僅是以一般目的電腦執行的指令。而其中額外元件僅是實現抽象概念的指令，屬於微不足道的額外方案的活動（insignificant extra-solution activity），並沒有提供創告概念（inventive concept）。

Claim 2不符合專利適格性規定。

[Claim 3] A method of using an artificial neural network (ANN) to detect malicious network packets comprising:

(a) training, by a computer, the ANN based on input data and a selected training algorithm to generate a trained ANN, wherein the selected training algorithm includes a

backpropagation algorithm and a gradient descent algorithm;

(b) detecting one or more anomalies in network traffic using the trained ANN;

(c) determining at least one detected anomaly is associated with one or more malicious

network packets;

(d) detecting a source address associated with the one or more malicious network packets in real time;

(e) dropping the one or more malicious network packets in real time; and

(f) blocking future traffic from the source address.

[Claim 3]界定使用人工神經網路偵測惡意網路封包的方法，步驟包括基於輸入數據與選擇的訓練演算法訓練ANN、用訓練得到的ANN偵測異常情況、判斷連結惡意網路封包的異常情況、偵測惡意網路封包的來源位址、即時丟棄惡意網路封包，以及阻斷從來源位址來的流量。

TWO-STEP分析：

step 1: YES

請求項屬於35U.S.C.101規定的流程（process）。

step 2A, prong one: YES

請求項描述的發明可偵測網路流量中的異常數據，這是一種人類心智流程（mental process），因為這些步驟可以運作在人類心智中。然而，這個判斷步驟是要針對每個步驟進行分析。

上述Claim 3中的step(a)描述了數學概念；step(b)(c)描述人類心智流程，屬於抽象概念。但是step(d)-(f)沒有描述心智流程，因為這幾個步驟並不能由人類心智所執行（"cannot be practically performed in the human mind"），因為不能憑著人的心智偵測連結惡意封包的來源位址，或是即時丟棄惡意封包，以及阻斷流量等動作。

然而，Claim 3中有部分步驟屬於抽象概念，因此整個Claim 3來看屬於抽象概念。

step 2A, prong two: YES

評估請求項是否整體上整合了司法例外為具體應用？步驟有二，第一，識別其中超越司法例外的額外元件，第二，評估額外元件個別或其組合是否整體上整合司法例外為具體應用。

就Claim 3整體而言，其中偵測惡意網路封包的技術，並可以通報潛在問題（其中特別參考了說明書相關領域的背景技術），這反映改良網路技術的發明，因此並非涉及司法例外。

Claim 3符合專利適格性規定。

my two cents:

最近超忙，各方面，但這個blog還是要守住!!! 月底趕進度中!!!

Ron

印度AI軟體專利審查筆記

本篇筆記來源是一些Google搜尋的結果，特別是：

- https://www.managingip.com/article/2c8q22uq5bhkzgreo35s0/sponsored-content/india-patent-eligibility-of-ai-related-inventions

- https://brainiac.co.in/artificial-intelligence-and-patenting-in-india/

- https://indiaai.gov.in/article/insights-into-the-rise-of-ai-patent-trends-for-2023

- 2017電腦相關發明審查指南：https://ipindia.gov.in/writereaddata/Portal/IPOGuidelinesManuals/1_86_1_Revised__Guidelines_for_Examination_of_Computer-related_Inventions_CRI__.pdf

本篇文章一開始就提到印度軟體產業輸出額達到歷史紀錄，電腦資訊服務出口全球占比增加到11%，並且主要是AI驅動的軟體產業，如電腦資訊、影像處理與電信類的軟體服務，涉及的技術包括機器學習、大數據與硬體算力。

特別地，軟體服務業的發展也影響專利申請趨勢，根據文中列出的統計圖表顯示印度的AI相關發明的申請案比世界各國都多很多！圖表來源：https://brainiac.co.in/artificial-intelligence-and-patenting-in-india/

軟體專利申請的技術涉及電腦相關發明（Computer Related Inventions）與AI相關發明，在此一提的是，AI發明與傳統電腦相關發明的差異在於，AI執行一序列動作、決策、判斷的演算法，與傳統由指令驅動的電腦程式不同。而此類發明也都涉及專利適格性議題。

那麼，如何審查電腦軟體與AI相關發明的專利申請案，專利法是以"排除"的方式界定可專利的發明標的，如Section 3(k) and 3(m) of the Indian Patents Act, 1970:

• Section 3(k): “a mathematical or business method or a computer programme per se or algorithms”; and

• Section 3(m): “a mere scheme or rule or method of performing mental acts or a method of playing a game”.

"正面表述"可專利的發明要：專利範圍整體描述的發明應具有技術貢獻與技術效果。

德里高等法院判例：Hon’ble Delhi High Court (DHC) in Microsoft Technology Licensing, LLC Vs The Assistant Controller Of Patents And Designs, C.A.(COMM.IPD-PAT) 29/2022。

延伸的"電腦相關發明"審查指南：

“If a computer-based invention provides a technical effect or contribution, it may still be patentable. The technical effect or contribution can be demonstrated by showing that the invention solves a technical problem, enhances a technical process, or has some other technical benefit. The mere fact that an invention involves a mathematical or computer-based method does not automatically exclude it from being patentable. The invention can still satisfy the patentability requirements, including the requirement for a technical effect or contribution, to be eligible for patent protection. In other words, method claims in computer programme patents may be patentable if it involves a technical advancement and provides a technical solution to a technical problem and has an improved technical effect on the underlying software.”

（如果電腦相關發明提供技術效果或貢獻，仍然是可專利標的，技術效果或貢獻可以通過敘明發明解決的技術問題、加強瞭技術程序，或是技術優點證明。而包括數學或是電腦方法的發明並非一定不可專利，如果其中具備技術效果與貢獻，仍是可專利標的。換句話說，電腦相關的方法發明包括技術上進步、針對技術問題提供技術解決方案，以及改善電腦軟體的技術效果，就是具備專利適格性的發明。）

所謂技術效果例如減少記憶體使用、減少處理時間、優化使用、改善特定技術方案，或是提供更好的安全性等。相關案例是：Hon’ble DHC in Ferid Allani vs UoI, W.P.(C) 7/2014 & CM APPL. 40736/2019。

AI發明：

列舉AI發明實作時的三個基礎層：data layer, application layer, system layer。

資料層（data layer）：關於資料收集與處理，然而資料本身並非技術特點。

應用層（application layer）：應用層的實踐如數學方法，或是軟體本身，這是排除在可專利標的之外。

系統層（system layer）：關於硬體。

AI常見技術如深度學習、人工神經網路與支持向量機器（support vector machine）是抽象特徵因此非可專利標的。然而，如果專利範圍定義出系統層，將可能不會直接認定是不可專利標的，但需要證明發明具有技術貢獻與技術效果。在此認為不同於歐洲專利實務，在印度，實現在電腦的方法並不足以直接具備專利適格性。

AI發明中很重的是其中的數學模型，其中運用如機器學習法，AI會去學習大量數據，識別數據中的模式（pattern），並反覆地調整以取得數據模式；深度學習模型則是不斷地增加資料抽象層、AI神經網路則是以神經網路技術取得數學模型。

所述系統層指的是執行軟體的AI系統，接收輸入值、與使用者互動，以及產出結果，相關硬體應該是一般目的電腦。但在實際應用面，可能是一些載有AI功能的電子裝置，如客服機器人、人形機器人以及各種與使用者互動的各種裝置。

如此，要證實AI實現的數學方法所具備的技術貢獻，應考量發明整體的技術目的，如果僅是控制系統等廣泛的說法恐怕不足以敘明通過數學方法帶出的技術特點，因此在相關專利範圍內容中，應記載技術目的與各軟體步驟/數學方法步驟的連結，使得數學方法可以與技術效果具有關聯性。

撰寫AI相關發明的專利說明書，多半會描述到模型訓練、演算法、權重的過程，蒐集敘述得到的訓練集用於機器學習並建立AI模型，之後驗證AI模型的輸出，並產生反饋AI模型。其中重要的議題是專利適格性（這裡的描述蠻像US），因此AI相關發明是應具備將其中元件整合成實際應用，且具有進步概念（inventive concept），發明具備專利適格性。

其他：

申請專利範圍涉及數學方法，如果有具體應用，並非不可專利：

反之，數學方法本身、商業方法、演算法（即便有解決問題）、電腦程式本身，屬於不可專利標的：

my two cents:

最後一點讀起來很像US判斷抽象概念發明具有專利適格性的條件，但是也沒有沿用US整套邏輯，而僅是斷章取義，不過，就實務來看，印度軟體專利/AI發明就是要具備解決技術問題的技術手段，使得可證明具有技術效果的技術貢獻。

Ron