台灣的AI相關發明專利申請量自2017年起快速增長，其中又以「機器學習」分項技術的申請量及成長率最高。惟因機器學習模型的「黑盒子」特性，相關專利申請案除了發明定義（適格性）議題（本所相關報導連結）外，可據以實現要件的審查實務亦值得探究。因此，本文參考台灣智慧財產局（下稱智慧局）發布的案例集及案例探討，說明機器學習相關專利之可據以實現要件的現行審查實務，並提供相關申請建議。
智慧局於2025年10月13日發布「AI相關發明案例集」，該案例集中的「案例2-1 計算床墊匹配度分數的方法」、「案例2-2 客戶行為預測系統」兩案例，詳細說明AI相關專利申請案不符可據以實現要件的常見原因。
常見原因之一，在於說明書對機器學習模型的輸入（或訓練）、輸出資料僅以上位方式記載，導致通常知識者難以確認該等上位資料所涵蓋的各種下位態樣，是否皆得用於實現申請專利之發明。以「計算床墊匹配度分數的方法」案例中不符可據以實現的態樣為例，說明書記載以使用者的「體型特徵資訊」作為模型計算床墊匹配度分數的輸入資料，但未揭露用於實現申請專利之發明之特定種類的體型特徵，導致「體型特徵資訊」涵蓋諸如手腳比例、肌肉量等「難以確認能否用於計算床墊匹配度分數」的特徵，故不符可據以實現要件。
另一常見原因，在於機器學習模型的輸入、輸出資料之間缺乏邏輯推論上的可預期性，即輸入資料欠缺常理上可作為預測依據的合理性。例如「客戶行為預測系統」案例之不符可據以實現態樣，說明書記載以新進客戶之性別、年齡、生肖、星座、地址及收入等開戶資料，預測其於開戶後一段期間內是否會進行理財商品交易，惟未記載前述開戶資料與交易行為發生概率之間的合理關聯，以致該技術領域中具有通常知識者無法理解開戶資料何以得作為預測交易行為之依據，故不符可據以實現要件。
根據以上兩點可知：以機器學習相關技術提出專利申請時，雖可策略性地在請求項以相對上位的用語界定輸入資料，但應確保說明書充分揭露用於實現申請專利之發明的下位「具體」態樣，且留意輸入資料與輸出資料之間邏輯上的可預期性。舉例來說，當申請專利之發明所涉及模型的輸入資料與輸出資料之間並非按照通常邏輯可推論而缺乏直觀連結，則建議於說明書中記載輸入資料與輸出資料之間的合理關聯，並提供驗證數據，甚至是多組數據的比對結果，藉以說明專利申請案所採用的輸入資料確實為有效的預測依據。應注意者，此類驗證數據宜於申請時即記載於說明書，若待審查意見通知後始提出，仍可能因說明書揭露不足而無法克服核駁理由。
總體而言，於申請初期即審慎規劃說明書的揭露內容，方為確保機器學習專利申請能有效獲准的根本之道。