將既有機器學習方法應用於新資料環境 是否可申請專利？2025年Recentive v. Fox案

※如欲轉載本文，請與北美智權報聯絡

楊智傑／雲林科技大學 科技法律研究所 教授

美國的一家運動資料AI公司 — Recentive Analytics（Recentive）申請取得四項AI有關專利，並控告福斯電視（Fox）在轉播賽事節目上使用了該方法而構成侵權。但美國聯邦上訴巡迴法院（CAFC）認為，這四項專利使用的機器學習方法只是既有的方法，至雖然套用在不同的資料情境上做訓練調整，但並沒有達到申請專利的資格。

原告Recentive Analytics

Recentive Analytics是一家成立於2013年的美國科技公司，專注於機器學習與預測分析，主要應用於體育賽事和現場娛樂產業的決策支援。Recentive是第10,911,811號（’811專利）、第10,958,957號（’957專利）、第11,386,367號（’367專利）以及第11,537,960號（’960專利）等四項美國專利的專利權人。這些專利據稱解決了現在美國娛樂產業與電視廣播業面臨的兩大問題：（1）最佳化現場活動的排程，以及（2）最佳化「網路地圖」（network maps），即決定特定地理市場中，廣播頻道在特定時間播放哪些節目或內容的方式[1]。

涉及案件之專利介紹

活動排程之機器學習訓練專利

’367專利與’960專利屬於「機器學習訓練」專利。這2件專利的標題皆為「用於決定活動排程的系統與方法」（Systems and Methods for Determining Event Schedules），且共用相同的說明書，這2項專利主要涉及處理現場活動的排程問題。’367專利請求項第1項為代表項，其記載的方法包含下列步驟：

（1）收集步驟：接收活動參數與目標特徵。

（2）迭代訓練步驟：針對機器學習模型進行訓練，辨識數據間的關係。

（3）輸出步驟：產生最佳化的排程。

（4）更新步驟：偵測資料輸入的變化，並透過迭代方式產生新的、更佳的排程[2]。

說明書指出，機器學習模型可以「使用一組訓練數據進行訓練」，該訓練數據可以包含「以往現場活動或活動系列的歷史資料」。這些歷史資料可能包括先前活動的日期、場地位置及門票銷售情況[3]。

說明書亦有說明，該方法可運用「任何適當的機器學習技術」，例如：「梯度提升隨機森林（gradient boosted random forest）、迴歸分析（regression）、神經網路（neural network）、決策樹（decision tree）、支援向量機（support vector machine）、貝式網路（Bayesian network）」或其他類型的技術。該排程是「動態產生的，能即時回應資料的變化」，使得「輸入參數與目標特徵能比傳統方法更有效率、更準確地被處理與考量」[4]。

網路地圖專利

’811與’957專利屬於「網路地圖」專利。這2件專利的標題均為「自動且動態產生網路地圖的系統與方法」（Systems and Methods for Automatically and Dynamically Generating a Network Map）。’811專利請求項第1項為代表項，其記載的方法包含下列步驟：

（1）收集步驟：接收當前的廣播排程。

（2）分析步驟：建立網路地圖。

（3）更新步驟：納入資料輸入的即時變化。

（4）使用步驟：運用最佳化網路地圖決定節目播放內容[5]。

網路地圖專利運用訓練數據與機器學習模型搭配，以產生最佳化的網路地圖。該訓練數據可包含「氣象資料、新聞資料和 / 或賭博資料」，但不限於此類類別。例如，在美式足球聯盟（NFL）轉播情境下，使用者可選擇目標特徵為「提升所有比賽的總體收視率、特定轉播商（如CBS或FOX）的收視率、特定市場、特定觀眾群或特定時段的收視率」。說明書進一步指出，所揭示方法使用的是一般性計算設備，並可與「任何適當的機器學習技術」搭配運作[6]。

對福斯電視提起訴訟

2022年11月29日，Recentive向Fox提起訴訟，主張其侵害上述四件專利。Fox隨後聲請駁回訴訟，理由是這些專利依據美國專利法第101條（§101）不具專利適格性[7]。

地方法院判決Fox勝訴，認定上述專利依Alice Corp. v. CLS Bank案所定之兩步驟分析，不具專利適格性。因而，Recentive向CAFC提起上訴。

CAFC指出，本案涉及一項首次審理的法律問題：僅將既有的機器學習方法應用於新的資料環境，是否構成可專利的主體？

Alice分析

Alice分析第一步，CAFC應檢視所主張發明相較於現有技術的改進重點，從而判斷該等請求項整體特性是否指向被排除的專利標的類型。系爭專利說明書明確揭示，所採用之機器學習技術係屬既有技術（conventional technology），並未揭示創新之技術方案。所謂機器學習訓練專利中要求模型「進行迭代訓練」或「動態調整」的要件，並不構成技術性改進[8]。

CAFC認為，與其說本案揭示的是「在軟體領域中對特定問題的具體解決方案實作」，或是「解決現有技術流程中某問題的具體手段或方法」，不如說這些請求項僅說明在新的資料環境中應用了機器學習技術。這個新環境即為「活動排程」與「網路地圖生成」[9]。

如Recentive所承認，在機器學習出現之前，活動規劃人員會依據諸如門票銷售紀錄、天氣預報等所謂「活動參數」來決定某活動或系列活動的時間與地點。專利說明書亦有此揭示。同樣地，網路地圖的建立亦係透過人為方式完成，以決定「某一時段某一頻道應播放哪些內容」[10]。

即便這些透過現有機器學習技術的方法比傳統人為操作來得更快速與有效率，也不足以使其構成可專利標的。CAFC在電腦輔助方法的語境中始終認為：僅因加速了人類可完成的工作，並不使該請求項符合美專利法§101的專利適格性。無論問題出現在Alice測試中的哪一步驟。若僅因使用電腦而提高速度與效率，在未改善電腦本身技術的情況下，皆不足以構成專利適格性[11]。

在Alice分析第二步中，CAFC需「分別檢視請求項的構成要素，以及將其作為有序整體加以考察，以判斷是否有附加要素使請求項的本質轉化為可專利的應用」。若欲使請求項「轉化為可專利的應用」，不應僅僅陳述抽象概念，並加上「予以應用」之語言。請求項必須包含足以使所主張之抽象概念轉化為可專利應用之「發明性概念」（inventive concept）[12]。

AI專利公司的主張與上訴法院的最終判定

Recentive主張其專利中的發明性概念，在於「運用機器學習，根據即時資料動態產生最佳化的地圖與排程，並依情境變動進行更新」。但CAFC認為此主張無異於僅聲稱該抽象概念本身。此種立場明顯無法指出請求項中有任何元素能夠「轉化所主張之抽象概念為可專利應用」。

簡而言之，CAFC認為無論單獨或整體觀察，這些請求項皆未能使機器學習訓練專利與網路地圖專利轉化為「明顯超越」抽象概念本身之內容，其所主張者不過是應用機器學習來產生更快速或更好的活動排程與網路地圖。Recentive亦未能在其訴狀中提出任何可合理主張存在發明性概念之主張，以對抗Fox的駁回動議[13]。

備註：

1. [1] Recentive Analytics, Inc. v. Fox Corp., 134 F.4th 1205, 1208 (Fed. Cir. 2025).
2. [2] Id. at 1208.
3. [3] Id. at 1209.
4. [4] Id. at 1209.
5. [5] Id. at 1209.
6. [6] Id. at 1210.
7. [7] Id. at 1210.
8. [8] Id. at 1212.
9. [9] Id. at 1213.
10. [10] Id. at 1213.
11. [11] Id. at 1214.
12. [12] Id. at 1214-15.
13. [13] Id. at 1215.

責任編輯：盧頎

【本文僅反映專家作者意見，不代表本報立場。】

作者： 楊智傑 現任： 雲林科技大學科技法律所 教授 經歷： 真理大學法律系助理教授 真理大學法律系副教授 學歷： 台灣大學法律系 中央大學產業經濟所碩士 台灣大學法學博士 專長： 智慧財產權、美國專利法、美國著作權法、憲法

延伸閱讀&電子報訂閱連結：

【詳細內容請見《北美智權報》383期；歡迎加入NAIPNews網站會員成為我們的訂戶，以掌握最關鍵的專利商標智財消息！】