大模型权利要求的 §101 适格性策略

自 Alice Corp. v. CLS Bank 以来，35 U.S.C. §101 已成为美国软件与 AI 类专利申请最主要的拒绝理由之一。USPTO 在 2024 年 7 月发布的《AI 主题适格性指南更新》进一步明确：仅仅在权利要求中"调用"一个机器学习模型，并不足以将抽象概念转化为可专利发明。 对于以大模型 (LLM)、扩散模型、强化学习与多模态系统为核心的发明而言，§101 适格性已经不能事后补救，必须在权利要求撰写之初就被设计进去。

一、Alice/Mayo 两步分析在 AI 案件中的实际运作

第一步审查员会问：权利要求是否"指向"一个抽象概念——典型如数学算法、心理过程或组织人类活动的方法。 大模型的训练目标函数、注意力计算、loss 反向传播、token 概率分布，几乎无一例外都会被归入 "数学概念"或"心理过程"。第二步则要求权利要求作为整体提供significantly more——即一个"实际应用 (practical application)"或"创造性概念 (inventive concept)"，将抽象思想转化为对技术的具体改进。

二、撰写策略：把"实际应用"写进权利要求本体

根据 USPTO 2024 指南附带的三个 AI 例题（Example 47–49），可授权的权利要求通常具备以下三类要素之一：

• 对计算机自身的技术改进：例如降低推理时延、减少 KV cache 显存占用、 提升分布式训练的通信效率、动态稀疏化等可量化的工程改进。
• 对特定技术领域的具体改进：医学影像分割精度的提升、自动驾驶感知融合、 工业控制系统的鲁棒性等——关键是说明 AI 模型如何改变了被控对象本身的行为，而不仅仅是输出一个预测值。
• 与硬件 / 物理世界的紧密耦合：传感器数据回路、机器人执行器、 专用加速器 (ASIC/TPU) 的存取模式、片上互联拓扑等——这是 §101 最稳固的"安全港"之一。

三、需要避免的反模式

以下写法在近期 PTAB 与联邦巡回判例中持续被认定为不适格：

• "使用经训练的神经网络对 X 进行分类 / 预测 / 推荐"——纯粹结果导向，缺乏技术细节。
• 把 prompt 模板、提示工程步骤作为权利要求核心特征。
• 把模型架构 (Transformer、MoE) 作为装饰性限定，未说明其与改进点的因果关系。
• 仅在说明书中描述技术效果，权利要求本体中只剩抽象算法。

四、可授权权利要求的结构模板

一个稳健的 AI 独立权利要求通常包含四段：(a) 技术问题的具体设定（例如：在边缘设备上对 7B 模型进行低延迟推理）；(b) 数据 / 信号的物理来源（传感器、用户终端、特定文件格式）；(c) 模型架构与训练 / 推理流程中具备技术贡献的步骤（量化策略、缓存调度、并行切分等）；以及(d) 输出对下游系统或物理过程的具体改变。 围绕独立权要再布置 2–3 项纯软件从权与 1–2 项系统 / 介质从权， 以覆盖 §101 风险最低的主张面。

五、对中国申请人的实务建议

许多以中文优先权进入美国国家阶段的 AI 案件，原始权利要求高度对应中国《审查指南》第九章的撰写习惯—— 以"获取数据 → 输入模型 → 输出结果"三段式为主。这种结构在 USPTO 几乎必然触发 §101 拒绝。 建议在进入美国阶段前进行结构性 claim re-engineering：保留技术效果不变，但将"实际应用" 上提至独立权利要求；必要时通过 continuation / CIP 引入说明书中既有但未被主张的技术细节， 为后续答辩与 RCE 留出最大空间。

结语

§101 不再是一个可以靠"加机器、加介质"绕过的程序性问题，而是 AI 专利布局的顶层设计问题。 真正可授权且可在 IPR / DJ 程序中存活的权利要求，必须在第一稿就把"技术改进"写进权要本体。