2025年4月18日，美国联邦巡回上诉法院作出了一项先例裁决，该裁决涉及以下问题，即只是将成熟的机器学习方法应用于新的数据环境的权利要求书是否具有专利资格。

原告Recentive分析公司（Recentive Analytics Inc.）是第10911811、10958957、11386367和11537960号美国专利的所有人。涉案专利所要保护的是“使用机器学习为电视广播和现场活动生成网络地图和时间表”。

Recentive以侵权为由向被告福克斯公司（Fox Corp）、福克斯广播公司（Fox Broadcasting Company）和福克斯体育制作公司（Fox Sports Productions）发起了诉讼。地区法院先是驳回了这一请求，并得出结论：这些专利是《美国法典》第35编第101条所规定的“不适格客体”。联邦巡回上诉法院也认可了上述裁决。

第11386367号专利的示例性权利要求1如下所述。

一种动态生成事件时间表的计算机实施方法，所述方法包括：

接收针对一系列现场事件的一个或多个活动参数，其中所述一个或多个活动参数包括场地可用性、场地位置、拟议的门票价格、表演者费用、场地费用、一个或多个表演者的预定表演或它们的任意组合中的至少一个;

接收与所述一系列现场活动相关联的一个或多个事件目标特征，其中，一个或多个活动目标特征包括出席率、活动利润、活动收入、活动费用或其任意组合中的至少一个；

向机器学习模型提供所述一个或多个活动参数和所述一个或多个活动目标特征，其中所述机器学习模型是神经网络机器学习模型和支持向量机器学习模型中的至少一种；

使用对应于一个或多个先前系列直播事件的历史数据迭代地训练机器学习模型以识别不同活动参数与所述一个或多个活动目标特征之间的关系，其中这种迭代训练提高了所述机器学习模型的准确性；

从用户处接收针对将来在多个地理区域中举行的一系列实时活动所述一个或多个用户特定的活动参数；

从所述用户处接收代表着与所述未来一系列实时活动关联的一个或多个优先活动目标特征的一个或多个用户特定的事件权重；

为所述经过训练的机器学习模型提供所述一个或多个用户特定的活动参数以及所述一个或多个用户特定的事件权重；

通过所述经过训练的机器学习模型为所述未来一系列实时活动生成时间表，该时间表相对于所述一个或多个优先活动目标功能进行了优化；

检测对所述一个或多个用户特定的活动参数的实时更改；

为所述经过训练的机器学习模型提供所述实时更改，以提高所述经过训练的机器学习模型的所述准确性；以及

通过训练有素的机器学习模型，更新未来一系列实时活动的日程表，以便根据对所述一个或多个用户特定的活动参数的实时更改，保持日程表相对于一个或多个优先活动目标特征的最优化。

值得注意的是，第11386367号专利的说明书指出：“一般来说，可以使用任何适合的机器学习技术，例如：梯度提升随机森林、回归、神经网络、决策树、支持向量机、贝叶斯网络、其他类型的技术。”Recentive分析公司将其专利描述为“将机器学习模型应用于不复杂但同样利基的现有技术领域，即为广播现场活动和现场活动时间表生成网络地图”。

在讨论过程中，法院指出：“我们早就认识到，抽象概念不会因为将发明局限于特定的使用领域或技术环境而变得不抽象”。

Recentive分析公司提出的最有力论点是，其专利中的创新概念是“使用机器学习根据实时数据动态生成优化的地图和时间表，并根据不断变化的条件进行更新”。这些功能反映在第11386367号专利的上述权利要求书中。这些权利要求确实包括为机器学习模型定制输入参数以实现专业输出的功能，并且还会基于检测变化来为模型提供实时更新。

然而，法院的分析认为：“在机器学习训练专利中要求机器学习模型需经过‘迭代训练’或动态调整并不代表着技术进步。”Recentive分析公司自己对机器学习本质的表述也是不成立的，即使用选定训练材料的迭代训练和基于实时变化的动态调整与机器学习的本质是无关的。

法院总结道：“机器学习是一个新兴且日益变得更加重要的领域，这可能会带来一些符合专利保护资格的技术改进。今天，我们只认为，如果专利只要求保护将通用的机器学习应用于新的数据环境，而没有披露对要应用的机器学习模型的改进成效，那么其根据第101条是没有资格申请专利的。”（编译自www.mondaq.com）

翻译：刘鹏　校对：吴娴