§103 顯而易見性的分析既困難又耗時。特別是在分析如何結合多項參考文獻以得出所主張的發明時，這一環節往往決定了論點是否具有說服力，或是經不起檢驗。

傳統上，建立具備抗辯力的「結合動機」（MTC）論點，往往需要耗費數小時進行人工分析、反覆推敲與法律論證。從業人員必須測試不同的組合、評估參考文獻間的相容性，並構建出具備法律意義的論述。

人工智慧（AI）正在改變這一流程。

Patlytics 引入了一套結構化且由 AI 驅動的 §103 分析方法，讓團隊能在幾分鐘內生成具備抗辯力且有引用支持的「結合動機」論點。

為何 §103 是無效性分析中最困難的部分

與 §102 的新穎性不同，§103 需要更細緻的論證。

從業人員必須證明：

• 為何應將多項參考文獻進行結合
• 這些參考文獻如何互補
• 這些參考文獻之間並未存在「教導偏離」（teach away）的情況

此過程本質上是反覆迭代的，通常需要在找出最強論點前測試多種組合。

因此，§103 分析往往是專利訴訟與授權後程序中最耗時的環節之一。

利用 AI 自動化組合策略

§103 分析的主要瓶頸在於如何找出正確的參考文獻組合。

這通常需要透過人工反覆試錯：配對參考文獻、測試對應關係，並評估該組合是否足以支持權利要求。

Patlytics 透過其「建議組合」（Suggest Combination）功能加速了此流程。

該系統能夠：

• 審閱所有已發現的先前技術參考文獻
• 評估可能的組合（一項主要參考文獻搭配最多三項次要參考文獻）
• 根據各組合對權利要求的支持程度進行評分

系統會以視覺化方式呈現得分最高的組合，讓從業人員能快速鎖定最具潛力的候選項目，進行深入分析。

這能取代數小時的手動測試，為 §103 策略提供快速的切入點。

生成組合動機

找出強而有力的組合僅是第一步。

接下來的任務是建立一套連貫的法律論述，說明為何該組合具備合理性。

Patlytics 透過其「組合動機」（MTC）分析功能，將此過程自動化。

一旦選定組合，平台將會：

• 分析各參考文獻之間的關聯
• 評估其互補的技術教示
• 針對「所屬技術領域中具有通常知識者」（POSITA）為何會進行該組合，生成高階解釋

這些高階論證隨後會轉化為逐項限制的動機，並直接嵌入權利要求對照表中。

最終產出結構完整的論點，連結了：

• 權利要求限制
• 先前技術揭露內容
• §103 下的法律推理

立足於法律框架

AI 生成內容是否符合實際法律標準，是常見的疑慮。

Patlytics 透過將 MTC 分析建立在既有的顯而易見性原則上來解決此問題，其中包括源自於 KSR v. Teleflex的原則。

本系統採用結構化框架來評估各項組合，考量因素包括：

• 問題測試：參考文獻是否針對相似的技術問題
• 領域測試：參考文獻是否屬於相同或類似的領域
• 教導背離：參考文獻是否對所提議的組合持否定態度

透過納入這些因素，本平台確保所產生的論點不僅在技術上合理，且具備法律相關性。

即時迭代 §103 策略

顯而易見性（Obviousness）的論點很少能一次到位。

從業人員通常需要：

• 測試替代組合
• 調整請求項解釋
• 根據新見解優化組合動機

Patlytics 透過在同一工作區內進行快速迭代，實現了這一點。

使用者可以：

• 並排比較多種組合
• 重新生成組合動機分析
• 無需重新開始工作流程即可優化論點

這使團隊能從靜態分析轉向動態、策略導向的迭代。

縮短時間並提升抗辯能力

傳統的 §103 工作流程既耗時又容易產生不一致。

透過自動化：

• 組合選擇
• 請求項對應
• 組合動機生成
• 法律架構評估

Patlytics 減輕了顯而易見性分析的繁瑣負擔，同時提升了分析的一致性。

這讓從業人員能專注於：

• 優化法律策略
• 壓力測試論點
• 準備訴訟級的工作成果

而非從零開始構建論點。

顯而易見性分析的新方法

隨著專利訴訟日益複雜，高效構建強而有力的 §103 論點變得愈發重要。

透過結合：

• 數據驅動的參考文獻選擇
• 結構化的法律推理
• 整合式請求項對照表
• 快速迭代能力

Patlytics 將 §103 分析轉化為更具擴展性、一致性且經得起檢驗的工作流程。

若想進一步了解 Patlytics， 預約演示 今日。