AI 發明適格性：台灣專利審查實務

AI 發明能否申請台灣專利？答案不是非黑即白。

TIPO 現行《專利審查基準》第二篇第十二章「電腦軟體相關發明」為 2021 年 7 月 1 日施行版（2026 年 10 月 19 日查閱），AI 發明依這一章審查；2025 年 10 月 13 日 TIPO 另公告「我國AI相關發明案例集」，屬參考資料，不是法律或審查基準。發明人若不掌握三道門檻，可能在初審就收到不符發明定義或不符可據以實現要件的核駁理由。

本文以實務角度拆解這三道門檻，並提供請求項撰寫的 5 個關鍵節點。

第一道門 · 「人類發明人」要件

依《專利法》第 5 條第 2 項，專利申請權人「除本法另有規定或契約另有約定外，指發明人、新型創作人、設計人或其受讓人或繼承人」。法條未明文限定「自然人」，但《專利審查基準》第一篇第二章明定：發明人必為自然人。

國際間的「DABUS」系列申請也曾在台灣提出：發明人欄只填人工智慧系統，經 TIPO 通知限期補正自然人發明人而未補正，依《專利法》第 17 條第 1 項不予受理；最高行政法院 111 年度上字第 55 號判決（2022 年 7 月 21 日）駁回上訴，全案確定，理由是發明人的姓名表示權屬人格權，故發明人必係自然人。換言之，列 AI 為發明人而不依通知補正，案件連實體審查都進不去。

實務做法：發明人欄位列提出構想與具體技術手段的自然人；依我們的讀法，使用 AI 工具的研究人員是否列名，也是看他是否符合這個標準。AI 是研發工具，不是發明人——這個區分必須在申請書中保持一致。

第二道門 · AI 模型本身 vs AI 應用

第二道門要回答的是：請求項是否為「利用自然法則之技術思想」之創作（《專利法》第 21 條）。

審查基準第十二章第 3.2 節分兩步：先看是否屬於明顯符合或明顯不符發明定義的態樣；無法歸類者，再判斷「藉助電腦軟體之資訊處理是否係利用硬體資源具體實現」。依我們的讀法，套到 AI 發明上大致可分兩類：

1. 只寫 AI 模型本身（演算法）—— 通常難以通過

數學方法、人為安排屬於非利用自然法則者（第 3.3.2.1 節）；只寫資料輸入與輸出、未具體描述其間資訊處理步驟、僅有目的或結果者，也不符合上述要件（第 3.4 節）。例如：

「一種神經網路訓練方法，包含：(a) 接收訓練資料；(b) 計算損失函數；(c) 更新權重。」

依我們的讀法，此類只有通用步驟的請求項容易被認定不符發明定義；案例集案例 1-1 中只寫「藉由一運算模型計算出」分數的請求項，就被認定明顯不符。即使跨過這關，第十二章第 4.2.2.1.1.1 節也明列以 AI 提高預測精確度是易於思及的問題，進步性（第 22 條第 2 項）同樣不易。

2. AI 應用於具體技術領域 —— 較有機會通過

若請求項寫出具體的資訊處理手段——例如處理感測器量測值等表現物體技術性質的資料，或寫明資料如何輸入 AI 模組、如何計算與輸出——就有機會符合發明定義；案例 1-1 中寫明各模組通訊與資訊傳輸的版本即被認定符合。以下應用場景，實務上較容易把具體技術問題說清楚（本所觀察，非官方統計）：

• 醫療影像分析（病變辨識、放射科 AI 輔助）
• 自駕車感知（LiDAR 點雲處理、感測器融合）
• 製造業瑕疵檢測（半導體晶圓、面板光學檢測）
• 語音辨識與多語翻譯
• 智慧電網與能源管理

別忘了：第 3.4 節說明請求項不以記載特定硬體為必要；只列硬體而無具體處理手段，仍不符合。

第三道門 · 充分揭露要件

通過發明定義後，下一個關卡是《專利法》第 26 條第 1 項：說明書應明確且充分揭露，使「該發明所屬技術領域中具有通常知識者」能瞭解其內容，並可據以實現。

AI 發明的特殊挑戰：

• 演算法與模型：第十二章第 2.1.1 節要求描述實現功能的技術內容（例如演算法），藉助（類）神經網路模型等工具者，不論商用或開源都應揭露；不能只寫「使用深度學習模型」
• 輸入與輸出資料：案例集指出，輸入與輸出資料若沒有邏輯推論上的可預期性，可能不符可據以實現要件；涉及個資的醫療資料，可採去識別化說明，但不可全然空白
• 訓練方法：案例集通過的版本，記載了模型種類、損失函數、收斂條件，或隱藏層數、啟用函數、迭代次數與學習率

案例集也提醒：輸入與輸出的關連性揭露不足時，審查意見通知後才補提實驗結果，無法克服核駁理由；第 43 條第 2 項也規定，修正除誤譯之訂正外，不得超出申請時揭露之範圍。

充分揭露不等於把所有商業秘密都寫進去——而是「可據以實現」即可。實務上常見策略：將核心參數記為「以 [範圍] 為佳」，留下後續答辯彈性，但範圍須在申請時寫入，也不可空白到無法實現。

申請書撰寫的 5 個關鍵節點

整合三道門的要求，AI 發明的申請書建議從以下 5 個節點切入：

1. 請求項三軌並進

對同一發明同時撰寫方法請求項、系統請求項、電腦可讀取記錄媒體（CRM）請求項，三者都是第十二章第 2.2.1 節列出的範疇。依我們的經驗，三軌並進可在跨國申請時保留彈性，各國對不同範疇的接受度不盡相同。

2. 「技術手段」明確化

在獨立項中明確記載資料來源、模型的處理流程與輸出、特定資料結構，必要時搭配硬體環境（感測器、邊緣裝置）。重點在處理步驟具體，不在硬體名詞多寡。避免「使用機器學習」「採用神經網路」這種抽象描述。

3. 「技術效果」量化

於說明書中提供與先前技術的量化對比：速度提升 X%、準確率達 Y%、能耗降低 Z%。但第十二章第 4.2.2.2.1 節說明，處理速度快、正確率高這類利用電腦的一般性功效，通常不認定為有利功效；數據要扣住具體技術手段，並在申請時就寫進說明書。

4. 「比較例」與「實施例」並列

建議說明書提供 2-3 個實施例，並對應至少 1 個比較例（先前技術或已知方法）。比較例是日後主張「無法預期之功效」的基礎，影響進步性審查。

5. 「應用領域」具體化

避免「適用於各種電腦系統」這種泛稱。改寫為「適用於醫療影像中之 [具體任務]」「適用於半導體晶圓 [具體缺陷] 之檢測」。但只把既有軟體技術換到另一領域、資料內容不同而已，屬於簡單變更（第 4.2.2.1.2.1 節）；具體化要落在該領域特有的資料處理與訓練方法（案例集案例 3-2 的建議亦同）。

實務 takeaway · 我們可以怎麼做

對於正在準備 AI 相關發明專利申請的研發團隊，本所建議：

1. 提前 60 天諮詢：AI 請求項撰寫的細節決定了能否通過第二道門。在送件前 60 天與專利師討論技術揭露範圍與請求項架構，可降低後段答辯成本。
2. 內部研發紀錄保留：實驗紀錄、訓練日誌、效能對比資料於送件時皆為說明書素材，申請後無法補入。建議研發階段即建立可追溯的內部技術紀錄。
3. 跨國請求項在地化：實務上，台、美、日、中、歐五地對 AI 適格性的審查標準不同，不可使用單一英文範本套用。預算允許下，建議委請各地當地代理人各自審稿。
4. 持續追蹤審查基準變動：TIPO 在審查基準之外另有參考資料（如 2025 年的案例集），基準本身也可能修訂。每年至少更新一次內部請求項撰寫指引，避免引用過時的審查見解。

如需就具體 AI 發明的請求項撰寫策略取得評估，歡迎預約 30 分鐘晤談；來信可附技術簡報與預定申請國家，由本所專利師與您共同檢視技術揭露範圍與請求項架構。