文：張遠博(工總智慧財產權處資深專員)

隨著人工智慧（AI）技術由實驗室快速走入產業應用，相關專利申請量亦呈現爆發式成長。然而，AI尤其是以深度學習（Deep Learning）為核心的神經網路模型，長期被視為難以解釋的「黑盒子（Black Box）」。即便開發者能清楚掌握輸入資料與輸出結果，卻難以用傳統工程邏輯，完整說明模型內部數以百萬計參數的運作機制。

AI常常是「會用但難解釋」，但專利要求「要講到別人能照著做」。所以AI的黑盒特性，會和專利的充分揭露／可據以實施產生拉扯。若說明書本身仍呈現「黑盒子」狀態，僅泛稱「使用AI即可達成高準確率」，卻未具體揭露訓練方式、資料處理或參數設計，各國專利局勢必將其視為揭露不足而予以核駁。

本文彙整近期工業總會舉辦「國際關鍵市場專利申請與訴訟實務論壇」中，嘗試從實務角度出發，解析AI黑盒子在專利制度下面臨的挑戰，並試著整理出具備全球布局思維說明書撰寫策略供產業參考。

AI是否已進入「高度不可預測」領域？

在傳統機械或軟體專利中，所屬技術人員通常可依物理定律或邏輯推演合理預期結果；然而，在近年的AI專利審查實務中，一項明顯的趨勢正在形成──審查機關愈來愈傾向將AI視為類似化學、醫藥或生物技術的「高度不可預測」技術領域。

論壇中童啟哲專利師指出，傳統上軟體被視為電路設計的延伸，具有相對可預測性；但當前以深度學習為核心的AI技術，其行為表現高度依賴資料特性與參數設定，其不可預測程度，實已更接近化學或醫藥領域，變異性大且難以單憑理論預測結果。因此，在這類高變異性技術中，僅憑理論敘述，往往不足以證明發明可被實施，說明書的揭露門檻自然隨之提高。

換言之，若僅於說明書中記載「使用深度學習模型進行預測」，就如同在化學專利中僅宣稱「混合A與B會產生新物質」，卻未交代反應條件，顯然難以滿足可據以實施要件。即便採用相同模型架構，只要訓練資料或參數不同，實際效果往往差異極大。

這種對「不可預測性」的重新定位，已實質提高各國對實施例與實驗數據的要求。以經濟部智慧局（TIPO）為例，若輸入與輸出之間的關聯性非屬顯而易見（例如以體型特徵推薦床墊），而說明書又欠缺訓練過程或實驗數據佐證，極易被認定為揭露不足。韓國與中國的審查指引亦採取類似立場，要求透過具體訓練手段補足技術特徵的具體化。因此，撰寫AI專利的心態轉換在於不再只是功能描述，而更接近「技術實驗報告」。

歐洲觀點：拒絕抽象描述，必須說清楚「為何有效」

歐洲專利局（EPO）對AI專利的嚴格標準，已成為產業界的共識。其審查邏輯核心在於：AI演算法本身屬於抽象的數學方法，唯有在被具體應用於解決「技術問題（Technical Problem）」時，才具備可專利性。

在揭露充分性層面，EPO更進一步要求說明模型結構、訓練方式與技術效果之間的因果歷程。德國專利律師王曉迪指出，若僅描述「使用神經網路」而未交代訓練方式，將被視為無法重現技術效果，進而構成公開不足。

例如，若發明涉及圖像分類，僅強調準確率提升仍不足以構成技術性；審查員關心的是，該分類是否服務於具體技術目的。若僅用於一般圖片標籤，恐難通過審查；但若應用於醫學影像病灶識別或自駕車障礙物偵測，則較能被認定為技術手段。

EPO判決亦進一步釐清，單純的電腦模擬仍屬數學運算，除非該模擬直接對實體系統產生技術效果，或其設計本身反映具體技術原理。因此，在歐洲市場中，僅描述「輸入→AI→輸出」的黑盒流程，幾乎注定難以成立。

亞洲實務：以數據補足理論說明的不足

相較歐洲對因果說明的高度要求，台灣、韓國與中國大陸的審查實務，則展現出較為務實的取向。當AI黑盒子的內部運作難以完全解釋時，審查重點轉而聚焦於輸入與輸出之間是否存在「合理關聯性（Reasonable Correlation）」。

韓國金張法律事務所解律師曾舉例說明，若一項房屋溫度控制系統，以「霧霾濃度」作為輸入，卻未能說明其與溫控效果的關聯性，亦未提出實驗數據佐證，將被認定為揭露不足。

這類案例對產業界的啟示相當明確：當輸入特徵與輸出結果的關聯性非屬一般常識，說明書即負有舉證責任。實務上，各國已普遍接受以「結果反推過程」的方式補強揭露，例如提供準確率比較、輸入輸出對照表或對照實驗數據。

即便無法解釋神經網路中每一層權重的意義，只要能以數據證明特定特徵組合確實顯著提升模型效能，即足以構成合理關聯性的證據。此一「以數據說服審查員」的策略，已成為亞洲市場中攻克AI專利審查的關鍵。中國大陸實務亦指出，對於模型訓練類申請，需記載算法步驟及訓練過程，並說明輸入與輸出數據間的關聯關係；若能進一步提供實驗數據或分析論證，將更有助於支撐模型功能與技術效果。

實務建議：將AI技術進行「白箱化」撰寫

在AI相關專利或技術文件的實務撰寫上，關鍵在於將原本不透明的「黑盒子」技術加以白箱化，使其具備可理解性與可據以實施性。首先，應對訓練數據進行具體的特徵化說明，明確交代資料來源、篩選標準、解析度或標註方式，而非僅以「大數據」等概括性用語帶過。

其次，需將資料預處理流程具象化，清楚描述原始資料如何經由清洗、轉換或編碼，最終形成可供模型訓練的資料集，以凸顯技術實際介入的環節。再者，對於模型架構與參數設計，應說明模型層數、所採用的函數類型及其參數調整邏輯，特別著墨於體現發明進步性的技術設計重點。同時，也須清楚界定輸入與輸出之間的對應關係，說明特定技術問題如何透過特定資料結構與模型設計獲得解決。

最後，應輔以實驗數據與效果驗證，例如比較實驗結果或準確率等量化指標，以支持技術效果具備可再現性，從而強化整體技術揭露的完整性與說服力。

結語

對產業界而言，這代表專利策略必須更深度地與研發流程結合；研發團隊需意識到，模型成果本身並不足以支撐專利權，相關資料處理、參數調整與實驗紀錄，都是未來權利穩定性的基礎。撰寫人員則需扮演橋樑角色，將工程語言轉譯為專利制度所理解的「解決技術問題之具體手段」。