美国专利商标局审判部作出的关于AI专利适格性的先例性审判决定 Ex parte Desjardins, Appeal No. 2024-000567 (ARP Sept. 26, 2025) 以及 USPTO局长在AIPLA年度总会上有关专利适格性的发言

美国专利商标局（以下简称为USPTO）的审判部于2025年9月26日作出了关于人工智能（以下简称为AI）的专利适格性的审判决定，并于2025年11月4日将该审判决定指定为具有先例效力（precedential）[1]的决定。对于收到了基于美国专利法第101条被否定了专利适格性的驳回的申请人而言，这可能有助于克服该驳回。

此外，USPTO局长亦在美国知识产权法协会（以下简称为AIPLA）年会上发表了关于专利适格性问题的个人见解。

以下为详细内容。

 

<背景>

美国专利申请第16/319,040号涉及机器学习模型的训练。特别是在说明书中有如下记载[2]｡

“通过以多个任务训练同一机器学习模型，可使该模型在多个任务的每一个任务中均达到可接受的性能水平。其结果是，当需要在多个任务中实现可接受性能的系统时，能够用更少的存储空间并降低系统复杂性来实现系统。”

2025年3月4日，审判部合议组维持审查员的驳回，认为本申请根据美国专利法第101条不具备专利适格性。

新任USPTO局长John A. Squires为审查（review）该合议组的判断，召集了上诉审查小组（Appeals Review Panel，以下简称ARP）[3]｡

 

<審判部决定>

ARP首先从USPTO在判断专利适格性时采用的“两步分析方法”[4]的概述开始进行审查，其中特别关注用于判断权利要求是否属于“司法例外（judicial exception）”的步骤2A的两个要件。其中，第一要件（Prong One）是审查权利要求是否记载了抽象概念、自然法则或自然现象。若判断为属于此类情形，则在第二要件（Prong Two）中审查权利要求是否记载了将上述“司法例外”整合至“实际应用”中的附加要素。

在第一要件（Prong One）中，ARP认为，由于权利要求1具有“计算多个参数的可能的取值的后验分布近似”这一特征，因此该权利要求记载的是与数学概念相关的抽象概念。

在第二要件（Prong Two）中，ARP审查了申请人提出的主张——即“本案权利要求记载了表明计算机功能改进或其他技术／技术领域改进的附加要素，从而将抽象思想整合进实际应用”。在这一点上，ARP引用了关于技术改良的专利适格性的美国联邦巡回上诉法院（以下简称为CAFC）的重要判决Enfish, LLC v. Microsoft Corp.[5]，并指出如下内容。

“在Enfish判决中，法院认定计算机技术的许多进步来自软件方面的改进，而这类改进由于其特性，可以通过逻辑结构或处理过程来定义，而非依赖特定的物理特征。进而，CAFC认为，软件改良与硬件改良一样，能够为计算机技术带来非抽象性的技术改良。因此，应当根据权利要求是指向计算机功能的改良，还是仅指向抽象概念，来判断其是否具备专利适格性。”（引用略）。

其次，ARP注意到说明书中关于机器学习模型自身的训练方法的改良的相关记载。具体而言，说明书指出该模型具有如下能力或效果：“在保持先前任务相关知识的同时，能够持续有效地学习新的任务”、“使人工智能系统能够在更少的存储容量下运行”、“能够降低系统的复杂性”等。ARP指出，虽然仅凭说明书中的这些陈述本身，尚不足以支持专利适格性的认定，但是在本案中，权利要求中也充分记载了这些改良点。例如，ARP认定，权利要求中所记载的“在保持机器学习模型在第一机器学习任务中的性能的同时，调整多个参数的第一取值，以优化机器学习模型在第二机器学习任务中的性能”这一特征构成了对机器学习模型本身的工作方式的改良。

由此，ARP认为，由于权利要求记载了表明计算机功能改进或其他技术／技术领域改进的附加要素，从而使抽象概念被整合进实际应用中，因此ARP同意申请人关于“这些权利要求具备专利适格性”的主张。

此外，ARP还指出了如下内容。

“在美国，将所有与AI相关的发明一律排除在专利保护之外，将会动摇美国在这一新兴关键技术领域的领导地位。另一方面，按照本案合议组的逻辑，即便许多AI发明已经得到充分公开且并非显而易见，它们也可能潜在性地无法获得专利。造成这一问题的原因在于，合议组在未作出充分说明的情况下，事实上将几乎所有的机器学习都视为不具备专利适格性的‘算法’，并将其余的附加要素视为‘通用计算机的构成要素’。……审查员及合议组不应以如此高度泛化的方式评价权利要求。”

最后，ARP指出，尽管本案在美国专利法第101条下被认定为具备专利适格性，但本申请仍因美国专利法第103条的显而易见性而继续被驳回。在这一点上，ARP表示：“美国专利法第102条、第103条以及第112条，才是将专利保护限定在适当范围内的传统且恰当的手段。审查的重点应当放在这些法律条款上。”

如前所述，本案决定已于2025年11月4日被审判部指定为具有先例效力（precedential）的审判决定。

 

USPTO局长在AIPLA年度总会上的发言

2025年10月31日，USPTO局长John A. Squires在美国知识产权法协会（AIPLA）的年度总会上发表讲话，阐述了其在未来数年任期内的重点施政方针。

首先，局长提及，未审查专利申请的积压量（待审案件数量）已从2020年的576,103件增加至2025年1月的837,928件，而同期的年度申请数量却呈下降趋势。他表示这种情况“不可接受”，并指出USPTO目前正在采取多项措施致力于减少待审案件数量，包括新聘审查员、改善激励与奖金制度、引入AI检索工具、以及实施“精简权利要求集试点项目（Streamlined Claim Set Pilot Program）”和“AI检索自动化试点项目（Artificial Intelligence Search Automated Pilot Program）”等政策。此外，他还提到，过去六个月间待审案件数量已减少约50,000件。

随后，局长阐述了他对美国专利法第101条所规定的专利适格性问题的看法。尤其是，他指出该条文的措辞本身具有广泛性，旨在使难以预测的未来技术也能够被纳入可专利的范围之内；在此基础上，他强调，由法院发展出的例外（自然法则、物理现象以及抽象概念）本意是应当以限制性的方式适用。此外，由于缺乏明确的指导，审判部目前在基于Mayo/Alice判例框架进行专利适格性判断时，往往难以找到所谓的“附加要素（something more）”。他表示，将在不久的将来提供一套更明确、适当的指导方针。最后，局长表示，他在任期间的重要目标之一，是确保专利局对“人工智能（AI）”以及“分布式账本（distributed ledgers）”等具有变革性的技术保持开放态度。

 

敝所拙见

本决定及局长的发言，虽然对AI以及其他软件相关发明而言可被视为积极信号，但若与CAFC（联邦巡回上诉法院）近年的观点相比，则显得在专利适格性问题上更加宽松。例如，在Recentive Analytics, Inc. v. Fox Corp.判决[6]中，CAFC就认定使用机器学习的发明在美国专利法第101条下不具备专利适格性。

根据《专利审查程序手册》（MPEP）[7]，审查员在判断专利适格性时，应考虑权利要求是否限定了对计算机本身功能、其他技术或技术领域的所谓“改良”。参考本次的决定，对于想要主张AI或其他软件相关发明具备专利适格性的申请人而言，可从以下方面构建有效理由。也就是说，在说明书的撰写阶段，应当充分考虑有助于实现数据量减少、计算效率提升等的具体技术手段，并揭示达成发明的这类目标的方面。

 

<参考资料>

本决定以及USPTO局长的发言可通过以下链接进行查阅。

Ex parte Desjardins, Appeal No. 2024-000567 (ARP Sept. 26, 2025)

Remarks by Director Squires at the 2025 AIPLA Annual Meeting

[1] 由审判部作出的具有先例效力（precedential）的决定，对专利局审查员及审判合议组具有法律约束力，但今后仍有可能被法院推翻。

[2] 本申请的权利要求1如下。

A computer-implemented method of training a machine learning model,

wherein the machine learning model has at least a plurality of parameters and has been trained on a first machine learning task using first training data to determine first values of the plurality of parameters of the machine learning model, and

wherein the method comprises:

determining, for each of the plurality of parameters, a respective measure of an importance of the parameter to the first machine learning task, comprising:

computing, based on the first values of the plurality of parameters determined by training the machine learning model on the first machine learning task, an approximation of a posterior distribution over possible values of the plurality of parameters,

assigning, using the approximation, a value to each of the plurality of parameters, the value being the respective measure of the importance of the parameter to the first machine learning task and approximating a probability that the first value of the parameter after the training on the first machine learning task is a correct value of the parameter given the first training data used to train the machine learning model on the first machine learning task;

obtaining second training data for training the machine learning model on a second, different machine learning task; and

training the machine learning model on the second machine learning task by training the machine learning model on the second training data to adjust the first values of the plurality of parameters to optimize performance of the machine learning model on the second machine learning task while protecting performance of the machine learning model on the first machine learning task,

wherein adjusting the first values of the plurality of parameters comprises adjusting the first values of the plurality of parameters to optimize an objective function that depends in part on a penalty term that is based on the determined measures of importance of the plurality of parameters to the first machine learning task.

[3] 2023年，USPTO 设立了上诉审查小组（Appeal Review Panel）。该小组由 USPTO 局长依职权召集，旨在对授权审判、再审查程序中的审判以及再发行程序中的审判所作出的决定进行再审查。

[4] 在步骤 1 中，需要判断发明所限定的事项是否属于四种法定的发明类别之一，即工艺（process）、机器（machine）、制品（manufacture）或物质组合（composition of matter）。在步骤 2A 中，需要识别权利要求是否指向司法例外（即抽象概念、自然法则或自然现象）。在步骤 2B 中，需要评估权利要求中的附加要素是否提供了“发明性概念（inventive concept）”。换言之，要判断这些附加要素是否在司法例外之上做出了实质性的超越（significantly more）。参见：MPEP 第 2106 节等。

[5] Enfish, LLC v. Microsoft Corp., 822 F.3d 1327 (Fed. Cir. 2016)

[6] Recentive Analytics, Inc. v. Fox Corp., 134 F.4th 1205 (Fed. Cir. 2025)

[7] MPEP §2106.05(a)