1. 前言   
     歐洲專利局2018年改版的審查基準係於11月1日施行，其中G‑II, 3.3數學方法(Mathematical methods)一節被重新改寫，以期對於涉及數學方法的請求項之審查提出更為明確的基準，並於G‑II, 3.3一節下新增G‑II, 3.3.1人工智慧與機器學習(Artificial intelligence and machine learning)以及G‑II, 3.3.2模擬、設計或建模(Simulation, design or modelling)等二個子節，針對數學方法中的特定態樣進一步進行說明，並提出相關判決先例作為參照。本文主要針對此次新增之G‑II, 3.3.1人工智慧與機器學習一節進行探討。      以下根據歐洲專利局2018年版之審查基準的相關章節，針對涉及數學方法(特別是人工智慧或機器學習)的請求項，分別就適格性以及新穎性及進步性之問題進行探討。

2. 針對適格性之問題
     根據G‑II, 3.3一節，在歐洲專利條約Art. 52(2)(a)中，數學方法係被排除於Art. 52(1)所定義的發明之外。惟應注意，Art. 52(3)進一步闡明Art. 52(2)(a)所排除之範圍僅限於數學方法本身(as such)，並非完全否定所有涉及數學方法之請求項的可專利性。如果請求項係屬一種裝置或是一種涉及技術手段(technical means，例如：電腦)之方法，則所請標的在整體上將被認為係具有技術特點(technical character)而非僅止於數學方法本身，亦即，在Art. 52(2)及(3)的規範中，並未排除上述涉及數學方法，但非僅止於數學方法本身之請求項的可專利性。
     承上，在判斷涉及數學方法的請求項是否僅止於數學方法本身，即是否應依據Art. 52(2)及(3)排除其可專利性時，請求項是否涉及技術手段即為關鍵。
     對此，G‑II, 3.3.1一節針對涉及人工智慧或機器學習之請求項指出，例如：「支援向量機(support vector machine)」、「推理引擎(reasoning engine)」或「神經網路(neural network)」等用語必須被特別仔細地檢視，其原因在於，此等用語通常指的是缺乏技術特點的抽象模型(abstract models)。申言之，上述用語雖具有machine、engine或network等看似為技術手段的詞彙，但實質上仍僅為抽象概念，於審查應特別注意包含上述用語之請求項實質上是否仍僅止於數學方法本身，而不具有技術特點。

3. 針對新穎性及進步性之問題
     涉及數學方法的請求項若涉及技術手段，而非僅止於數學方法本身，即非屬Art. 52(2)及(3)所排除之標的，惟仍須進一步判斷請求項是否具備Art. 54所規定之新穎性以及Art. 56所規定之進步性(inventive step)。根據G‑II, 3.3一節，在判斷涉及數學方法的請求項的進步性時，需考量所有對於該發明的技術特點有所貢獻的特徵(features)。當請求項所請之發明係基於一種數學方法時，需審查該數學方法是否對於該發明的技術特點有所貢獻。G‑II, 3.3一節進一步指出，數學方法可以藉其對於技術領域的應用及/或藉由適用於特定的技術實施(technical implementation)，而對於發明的技術特點有所貢獻，亦即對於有助於實現技術目的(technical purpose)的技術功效(technical effect)之產生有所貢獻。
     針對涉及數學方法之發明之進步性的審查，G‑VII, 5.4包含技術性特徵及非技術性特徵之請求項(Claims comprising technical and non-technical features)一節有更為詳盡的說明及示例。根據G‑VII, 5.4一節，審查此類發明時，請求項中的所有特徵將被區分為：(1)對於發明的技術特點有所貢獻的技術性特徵(technical features)；以及(2)對於發明的技術特點沒有貢獻的非技術性特徵(non-technical features)，於審查進步性時，非技術性特徵將被視為先前技術的一部分，僅考量技術性特徵相較於先前技術是否具有進步性。申言之，若請求項中所涉及的數學方法僅解決了商業上的問題，而未產生任何技術功效，則該數學方法將被認定為非技術性特徵而被視為先前技術的一部分，無法為該請求項之進步性提出貢獻。在上述情況中，即使該請求項中所涉及之數學方法本身係為新穎且無法被輕易完成，仍無法使請求項具備Art. 56所規定之進步性。
     承上，在判斷涉及數學方法的請求項是否具備Art. 56所規定之進步性時，該數學方法是否用於技術目的而具有技術貢獻(technical contribution)，使該數學方法可被認定為有助於進步性之技術性特徵即為關鍵。
     對此，G‑II, 3.3.1一節特別針對請求項中所涉及的人工智慧或機器學習是否用於技術目的而具有技術貢獻提出了數個正面及反面示例。
     舉例來說，於心臟監測設備中應用神經網路，以達成識別不規則的心跳之目的，即產生了技術貢獻。基於低階特徵(例如：圖像的邊緣或像素屬性)的數位圖像、影片、音訊或語音訊號的分類，是分類演算法的另一典型技術應用(technical applications)。在上述二個例子中，請求項所涉及的神經網路及分類演算法皆用於技術目的而具有技術貢獻，使該神經網路及分類演算法可成為技術性特徵，進而使請求項有機會藉由神經網路及分類演算法本身與先前技術之間的差異取得進步性。
     反之，在T 1358/09一案中，僅根據文字內容對文字文件進行分類，被認定其本質上(per se)不具有技術目的，而僅具有語言學(linguistic)的目的。在T 1784/06一案中，對抽象的資料記錄(abstract data records)或甚至對「電信網路資料記錄(telecommunication network data records)」進行分類，但並未對於所產生之分類的技術用途(technical use)提出任何指示，也被認定在本質上不具有技術目的，即使該分類演算法可能被認為具有有價值的數學特性，例如：穩健性(robustness)。在上述二個案例中，請求項所涉及的分類演算法並不具有技術目的，因此，上述之分類演算法係被認定為非技術性特徵，而被視為先前技術的一部份，亦即，即使上述之分類演算法本身係為新穎且無法被輕易完成，仍無法使請求項具備Art. 56所規定之進步性。在T 1358/09及T 1784/06二案中，歐洲專利局上訴委員會(Boards of Appeal of The European Patent Office)最終皆以申請案不具備Art. 56所規定之進步性為由，判決申請人敗訴。
      G‑II, 3.3.1一節最後指出，當分類方法係用於技術目的時，產生訓練集(training set)以及訓練分類器(classifier)的步驟若可支持該技術目的之達成，則其亦可對於該發明的技術特點有所貢獻。

4. 結論及建議
      根據歐洲專利局審查基準，涉及人工智慧與機器學習的請求項首先必須克服Art. 52(2)及(3)之適格性的問題，亦即請求項不能僅止於數學方法本身。為此，於撰寫請求項時，需注意請求項是否已實質上涉及例如：電腦、伺服器、裝置或系統等技術手段。
      涉及人工智慧與機器學習的請求項在克服適格性的問題後，仍需進一步考量請求項是否具備Art. 54所規定之新穎性以及Art. 56所規定之進步性。針對進步性之問題，建議應於說明書中具體揭示所請發明欲藉由人工智慧或機器學習之特徵所達成之技術目的及其技術功效，並具體說明人工智慧或機器學習之特徵與所欲達成的技術目的及其技術功效之間的關聯性。此舉將有助於提升請求項中所涉及的人工智慧或機器學習之特徵被認定為技術性特徵的可能性，進而使請求項有機會藉由人工智慧或機器學習之特徵與先前技術之間的差異取得進步性。