1943年，神經網路的誕生揭開了人工智慧(以下簡稱AI)的序幕。在AI發展初期，受限於當時電腦的運算能力，及訓練資料的供給不足，因而經歷了一段低潮。幸而隨著網路蓬勃發展及高運算效能硬體(如，GPU)的推出，AI技術有了突破性的進展，締造了為世人熟知的里程碑，例如不斷更新的擬人化仿生機器人、AI「深藍（Deep Blue）」在與西洋棋世界冠軍Garry Kasparow對戰而獲勝、AI圍棋軟體「AlphaGo」擊敗世界棋王李世乭，還有AI「華生（Waston）」在Jeopardy電視問答節目中戰勝人類等等，不遑枚舉。無怪乎Google、Microsoft、Facebook、亞馬遜、百度、阿里巴巴等大公司相繼投入AI研發，推出各種AI產品，並積極展開專利佈局，導致與AI相關發明之可專利性議題備受矚目。

　　有鑒於此，歐洲專利局（EPO）於2018年11月1日發布新版審查基準，特別針對AI與機器學習技術相關之專利申請案劃定出審查原則。據本所瞭解，歐美專利專業人士對於EPO發布的新版審查基準上述原則，多給予肯定，而各國專利局也逐漸仿效，足見新版審查基準之正向影響。

　　依據EPO新版審查基準之修訂理念，AI與機器學習所依據的計算模型及演算法不論是否可基於訓練資料進行訓練，其本質上仍屬於抽象的數學領域。因此，倘若AI專利申請案之請求項，對於AI或機器學習之技術僅概略提及，而未具體界定相關技術特徵，則無法滿足歐洲專利審查標準所要求之技術性特徵(technical feature)要件。舉例言之，如果AI專利申請案之請求項僅使用如「支持向量機」、「推理引擎」或「神經網路」等用語，應當無法通過關於技術性特徵之審查。

　　反之，AI或機器學習之專利申請案，倘若能界定出利用該AI或機器學習技術所能實現之特定技術目的(或所能解決之技術課題)，或者倘若能界定出該AI技術所應用之特定技術領域，即可通過關於技術性特徵之審查。新版審查基準舉出兩個實例輔助說明。其一是：在心臟監測設備中(特定技術領域)使用神經網路來識別不規則的心跳(特定技術目的)，可認為符合上述之審查標準。其二是：基於低層次特徵(如圖像的邊緣或像素屬性)對數位影像、視頻、音頻或語音信號的分類，也被認為因為界定出了分類算法所應用的特定技術領域，而可通過關於技術性特徵之審查。

　　相對地，如果AI或機器學習之專利申請案，既未界定出其所能解決之技術課題，也無助於實現任何技術目的時，則不具可專利性。對此，新版審查基準也示舉出兩個實例。其一是：僅根據文本內容對文本文件進行分類的發明，僅具有語言學上之意義，不能認為具有技術課題或技術目的。其二是：對抽象的資料記錄或甚至對「電信網路資料記錄」進行分類，倘若未能界定由此產生的分類有任何技術用途，此時，即便其分類算法被認定為具備有價值的數學特性，如強健性(robustness)，仍無法通過關於技術性特徵之審查。

　　在許多人眼中，AI既可使電腦具備學習、推理與解決問題的能力，進而可將原本必需人類心智活動方能執行的行為利用電腦配合AI演算來達成，則此類具有學習決策能力的AI技術，理應具備技術性特徵。但是，在EPO看來，AI或機器學習本身，歸根結柢是根據計算模型和演算法進行分類、聚類、回歸和降維等操作，而計算模型和演算法和數學方法一樣，不必然能(甚至通常不能)直接帶來技術性的貢獻。

　　因此，就AI或機器學習相關之發明，向EPO提出專利申請時，專利說明書中應當盡可能具體記載所請發明藉由AI或機器學習，所能實現之特定技術目的、所能解決之技術課題、或所應用之特定技術領域。如此方能提高EPO專利申請案通過關於技術性特徵審查之機率。