處理 §103 顯而易見性（obviousness）的問題既困難又耗時。特別是在分析如何結合多項參考文獻以得出系爭發明時，這一環節往往決定了論點是否具有說服力，或是經不起檢驗而站不住腳。

傳統上，建立具備抗辯力的「結合動機」（Motivation to Combine, MTC）論點，需要耗費數小時進行人工分析、反覆迭代與法律推論。從業人員必須測試不同的組合、評估參考文獻之間的相容性，並構建出具備法律意義的論述。

如今，人工智慧正在改變這一流程。

Patlytics 引入了一種結構化、由 AI 驅動的 §103 分析方法，使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 是無效分析中最困難的部分

與 §102 的新穎性（novelty）不同，§103 需要更細緻的論證。

從業人員必須證明：

• 為何要結合多項參考文獻
• 這些參考文獻如何互補
• 這些參考文獻之間不存在「反向教導」（teach away）的情況

此過程本質上是反覆迭代的，通常涉及測試多種組合，才能找出最強而有力的論點。

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 分析的一個關鍵瓶頸在於找出正確的參考文獻組合。

這通常需要人工進行反覆試驗：配對參考文獻、測試映射關係，並評估該組合是否足以支持系爭專利項。

Patlytics 透過其「建議組合」（Suggest Combination）功能加速了這一流程。

系統功能：

• 審查所有已發現的先前技術參考文獻
• 評估可能的組合（一項主要參考文獻加上最多三項次要參考文獻）
• 根據對系爭專利項的支持程度為每個組合評分

系統會以視覺化方式呈現評分最高的組合，讓從業人員能快速識別出最強的候選組合，以進行進一步分析。

這取代了數小時的人工實驗，為 §103 策略提供了一個快速的起點。

生成結合動機

找出強而有力的組合僅是第一步。

接下來的任務是構建連貫的法律論述，解釋為何該組合在邏輯上是合理的。

Patlytics 透過其「組合動機」（Motivation to Combine, MTC）分析功能，實現了此流程的自動化。

一旦選定組合，該平台將：

• 分析參考文獻之間的關聯性評估其互補的技術教導產生關於「所屬技術領域中具有通常知識者」（POSITA）為何會進行此類組合的高階解釋

這些高階論證隨後會被轉化為逐項限制條件的動機，並直接嵌入權利要求對照表中。

最終產出一個結構完整的論證，將以下內容串聯起來：

• 權利要求限制條件先前技術揭露內容§103 下的法律論證

立足於法律框架

對於 AI 生成的內容，人們可能擔憂其是否反映了實際的法律標準。

Patlytics 透過將其 MTC 分析建立在既定的顯而易見性原則（包括源自 KSR v. Teleflex 的原則）之上，解決了這一問題。

該系統使用結構化框架來評估組合，並考量以下因素：

• 問題測試：參考文獻是否解決了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技術領域教導背離：參考文獻是否排斥所提議的組合

透過納入這些因素，該平台確保所生成的論證不僅在技術上合理，且具備法律相關性。

即時迭代 §103 策略

顯而易見性的論證很少能一次到位。

從業人員通常需要：

• 測試替代組合調整權利要求解釋根據新見解精煉組合動機

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在不重啟工作流程的情況下精煉論證

這使團隊能夠從靜態分析轉向動態的、策略驅動的迭代。

縮短時間，同時提升抗辯能力

傳統的 §103 工作流程既耗時又容易出現不一致的情況。

透過自動化處理：

• 組合選擇
• 權利要求對應
• 組合動機生成
• 法律框架評估

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

這讓從業人員能專注於：

• 完善法律策略
• 壓力測試論點
• 準備訴訟級工作成果

而非從零開始構建論點。

顯而易見性分析的新途徑

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
• 整合式權利要求圖表
• 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，請於 今日預約演示。