AI專利申請量攀升，但「量」與「質」為何脫節？

時序進入2026年，人工智慧（AI）技術已跨越早期的概念驗證階段，全面進入產業應用。無論是生成式AI的多媒體產製、邊緣運算在終端設備的落地，乃至垂直領域的專用模型，AI已轉變為如同水電般不可或缺的「底層基礎設施」。

然而，伴隨技術門檻降低與開源演算法普及，各地專利局的AI相關發明申請量呈現指數型成長。在看似繁榮的創新表像下，專利市場卻面臨「案件大幅增加，但排他品質未能同步提升」的隱憂。實務上常見的困境是：企業投入龐大資源與算力成本訓練新模型，最終取得的專利權範圍卻十分狹窄、極易被競爭對手迴避，甚至在審查階段即面臨全盤核駁。

探究此一落差的關鍵原因，在於AI技術與生俱來的「黑盒子」特性，這與專利法要求的「清楚交代技術手段、論證前後因果邏輯」剛好相反。專利制度的精神在於「以完整揭露技術內容，換取一定限度的排他權」。所以當演算法的推論過程連開發者都難以解釋清楚時，審查機關對此類申請案的檢視標準自然趨於嚴謹。

本文將自客觀剖析與產業實務視角出發，依序由「發明定義（適格性）」、「可據以實現要件」及「進步性判斷」三大審查核心切入，共同探討應如何合理建構AI相關發明的申請文件，方能把研發出來的演算法變成真正有法律保護價值的專利資產。

從「純演算法」到「軟硬體和諧」：滿足發明定義之適格性

將抽象AI概念轉化為法律認可的專利標的，首要關卡在於「發明定義（適格性）」，必須判斷申請標的是否屬於專利法定義的「發明」。

在軟體開發的技術思維中，研發人員習慣將創新的重心投注於演算法的突破，例如追求更先進的神經網路層級或調校模型架構，以期獲得更高的預測精準度。然而，回到專利審查的檢視，若專利申請人僅將此類純粹的模型架構或數學演算法列為請求項的界定範圍，極容易因「未利用自然法則」或「非屬技術思想」，而被認定為不具技術性的單純數學運算方法。

案例1：用於預測程式存取記憶體位址的方法

檢視TIPO公佈之《我國AI相關發明案例集》，以【案例1】「用於預測程式存取記憶體位址的方法」為例。該案請求項1因僅泛稱利用遞迴神經網路（RNN）進行預測，缺乏明確的技術執行主體，遭認定不符發明定義；而請求項2則明確跨越了適格性門檻，其核心在於體現了「軟硬整合」的專利佈局思維。

請求項2界定了硬體資源（如資料獲取單元、運算單元、實施於積體電路之神經網路單元）與軟體演算法之間的協同運作關係。專利說明書詳細記載了RNN模型如何實際寫入實體積體電路，並透過接收硬體匯流排傳來的指令，按部就班地計算、預測出下一步的記憶體存取位址。該案克服的並非虛擬空間裡的數學難題，而是「如何提升實體處理器的執行效率、如何切實降低主記憶體與快取記憶體之間的存取延遲」等具體的物理技術問題。

【案例1】帶來的實務啟示是，技術揭露時不應僅抽象描述模型「學會了」特定規律，而是必須將演算法的運算與推論步驟，具體對應並描述為硬體資源的實體操作。例如，說明資料如何經由特定硬體單元進行暫存、計算或特徵向量的轉譯，以及如何結合積體電路的硬體指令來實際產生預測。透過界定軟體功能與硬體資源協同運作的撰寫方式，證明該系統確實解決了硬體的執行效率或降低延遲等具體技術問題，方能確立發明定義上的適格性。

可據以實現：資料特徵與預測結果之間的「必然關聯」

通過適格性檢視後，「可據以實現要件」是接下來於AI專利審查實務中最常見的核駁事由。

案例2：客戶行為預測系統

TIPO揭示的【案例2】「客戶行為預測系統」便是一個明確的反面教材。該案試圖利用AI模型，輸入客戶的性別、年齡、生肖及星座等資料，用以預測開戶後是否會進行理財商品交易。這類推論在商業行銷上或許常見，但回到專利法理，輸入的初始資料（如生肖、星座）與預測結果（理財交易行為）之間，客觀上缺乏邏輯推論上可以理解的合理關聯性。

在機器學習的訓練中，輸入資料、模型與輸出結果三者互為因果，彼此的邏輯鏈結攸關發明能否產生預期功效。如果說明書在描述此類非直觀的數據組合時，只是抽象帶過，而未詳實揭露究竟採用了何種特殊的特徵工程，或透過何種獨特的訓練機制來建立隱性關聯，審查委員通常會認定該發明「無法據以實現」。

若要成功克服上述核駁理由，則必須修正輸入資料與輸出結果之間的因果關係。應在訓練資料中，加入真正具備高度關聯性的關鍵特徵：如客戶的「理財收入來源」、「理財目的」或過去的「投資歷史行為」等。唯有將數據清洗、特徵萃取以及模型訓練的邏輯推論過程具體條理化，才能符合專利法規之「可據以實現要件」。

進步性：技術「用新的」不等於「進步」

「進步性（是否容易被輕易想到）」的判斷，是AI專利審查最容易引發爭議的階段。在開源技術普及、演算法取得成本大幅降低的環境下，要證明特定AI應用具備突破性的創新，並不容易。

案例3：道路檢測系統及其檢測方法

TIPO案例的【案例3】「道路檢測系統及其檢測方法」揭示該案申請人主張利用車載裝置擷取定位與影像，並利用「深度學習技術」對路面的裂縫或坑洞進行識別與分類。

然而，審查委員於檢索發現，引證案1已揭示利用移動載具與攝影機拍攝路面並獲取座標的硬體架構；引證案2則教導了利用圖像處理提取裂縫特徵，並採用「支援向量機（SVM）」傳統演算法進行識別。比對後，本案本質上僅是將已知技術中的傳統「SVM演算法」替換為目前主流的「深度學習技術」。由於此種單純替換未能產生「無法預期之顯著技術功效」，最終被認定不具進步性。換言之，「技術創新與否，與專利的進步性是兩件事」。

依據TIPO實務審查見解，AI技術領域之應用若欲確立進步性，核心關鍵在於：「用以訓練之輸入/輸出資料集的選擇或設置具有不同的資料技術特徵」，或者「採用了有別於既有技術的不同訓練方法」，並因這些技術手段的調整而產生了不同的功能或優化效果。因此在撰寫專利時，必須將特定的訓練方法、特殊的影像預處理流程或獨特的特徵提取機制等關鍵手段，詳實且具體地記載於說明書中。如此一來，不僅能有效突顯本案無法預期的特殊技術功效，更能為後續的專利審查保留充足的修正空間。

結語

專利制度的核心精神在於「以技術細節的完全公開，換取國家賦予期限性的排他權」。因此，面對AI技術與生俱來的黑盒子特性，建議在撰寫專利稿件時，須將「軟硬體協同運作的控制邏輯」、「輸入/輸出資料集的特徵因果關係」與「模型特有的訓練方法或預處理機制」詳實記載，方能將抽象的AI技術研發成果，有效轉化為全面符合發明定義、可據以實現與進步性要件的高品質專利資產。