下载掌阅APP，畅读海量书库
立即打开
抽象思想与自然规律、物理现象是美国判例法确立的专利客体例外，但美国国会、联邦最高法院和USPTO都没有直接定义抽象思想。
Alice
案明确将“两步测试法”作为区分不可专利的自然规律、自然现象和抽象思想与可以获得专利保护的这些概念的具体应用的框架。然而，Woodward（2017）认为
Alice
案的判决在关于专利法第101条客体审查中引入“发明性概念”，它原本应属于专利法第102（新颖性）和103（非显而易见性）的判断范畴。
[14]
该案判决作出后不久，Lemley（2014）就曾预言：
Alice
案会给专利客体适格性问题带来巨变，尽管判决中没有使用“软件”这一表述，但是目前在审的大部分软件专利将被认定无效。
后来的事实也验证了他的推断。Guttag（2014）认为“两步测试法”的严格适用带来的法律后果与国会的立法意图相悖。
从美国专利法的宪法目的——促进科学和实用技术进步出发，为提高“两步测试法”的确定性和可预期性，美国互联网产业界、学界和实务工作者等纷纷提出立法、执法和司法建议。如知识产权权利人协会（2017）建议采取“人类努力的结果”标准判断可专利客体，因为1952年美国专利法的立法历史表明，阳光下任何人类创造的事物均可以获得专利保护。
Bui（2018）建议USPTO和下级法院对抽象思想作出限缩性解释，在国会立法或者联邦最高法院作出新的解释前，抽象思想应该只包括
Benson
、
Flook
、
Diehr
案认定的数学算法或者智力活动过程，以及
Bilski
和
Al
-
ice
案认定的基本经济实践，正如最高法院在
Alice
案中指出的那样，“在解释（抽象思想）例外原则时，应谨慎对待，以免淹没整个专利制度。”
[15]
按照两步测试法，抽象思想能够转化为可专利客体必须提供一个发明性概念，它不能是本领域公知、例行和常规活动。Mercado（2016）指出在实际判断权利要求描述的方案是否具有常规性的过程中，还有诸多模糊性问题需要阐释和细化，比如在专利申请人提交的说明书之外，是否要求关于在先技术或者专家证人的其他证据，申请人承担的举证责任和证明标准并不清晰，审查员是否要与所有相同和类似领域的出版物进行比对。 [16] Ilijovski（2019）结合 Berkhei - mer v . HP Inc .案认为公知、例行和常规活动的判断要从本领域普通技术人员的角度进行事实分析，已被现有技术公开只是构成常规活动的证明标准之一。 [17] 可见，基本概念不清是美国专利客体适格性判断标准适用混乱的症结所在，发明性概念要件似乎超越了专利客体审查的职责范围，与创造性审查内容部分重叠。Anderson（2016）认为不管是两步测试法，还是其他判断客体适格性的方法，它们自身内部以及彼此之间存在适用上的不确定性，不同测试法的共性在于均试图区分能够授予专利权的软件发明与专利客体的例外之间的界限；由此看来，美国司法实践中从未将软件发明类型化排除在可专利客体之外，此外，这些判断方法都倾向于物理性（physicality）要求。 [18]
国内不少学者也从抽象思想与具体应用的界限切入，评述美国专利客体适格性规范，提出若干启示和建议。陈健（2015）认为
Bilski
案的判决显示了美国联邦最高法院对于“实际应用”要件的强化，将独占理论与实际应用联系起来，独占全部实际应用的申请案不具有可专利性。
李新芝和秦海鸥（2016）认为美国法院利用两步测试法可以尽早阻止一些专利流氓提出的无依据诉讼，节省有限的司法资源。
蔡琳（2019）认为“算法不同于纯粹的抽象思想，其本质上能构成解决具体问题的技术方案，兼具技术方案和思维规则的二重属性。”
王立石（2019）等认为，就算法而言，本质上是代码背后的抽象逻辑基础或思路，但是，它可以被应用于多领域、多场景，如果将它获得专利保护的条件严格限定在某一技术领域，会导致保护范围过窄。建议逐步扩大保护，先脱离硬件约束，限定技术应用领域即符合客体适格性要件；再解除应用领域限制，权利要求主题描述为计算机实施的算法即可。
狄晓斐（2020）认为美国判例法确立的两步测试法是一种拟创造性测试法，混淆客体要件与专利实质性授权要件，在可专利客体判断过程中考虑现有技术，致使同一发明在不同的技术发展阶段得出的适格性结论不一致。从知识生产的角度分析，人工智能算法不属于抽象思想，而是抽象思想的具体应用，应当获得专利法的保护。
国外专利理论和实践普遍认为算法本身不能作为专利客体，国内部分学者和实务工作者提出给予算法专利保护的主张，虽然是出于鼓励算法创新，优化人工智能产业布局，争夺全球人工智能标准话语权的考量，却不能忘记美国
State Street Bank
案后一段历史时期所走的弯路，过低的专利门槛就像为低劣软件专利打开了泄洪的闸门，开展正常软件研发的企业也将备受侵权诉讼的困扰，不合理地增加算法创新与应用的成本。