为了应对人工智能（Artificial Intelligence，AI）的快速发展，美国专利商标局（以下简称USPTO）于2024年7月发布了《2024年专利适格性指南更新，包括人工智能方面》（2024 Guidance Update on Patent Subject Matter Eligibility, Including on Artificial Intelligence）[1]，以及《2024年7月适格性示例》（July 2024 Subject Matter Eligibility Examples）[2]。这些文件旨在进一步明确和细化AI相关发明的专利适格性标准，为USPTO的审查员和美国专利的申请人提供更具体的指导。
USPTO自2014年起陆续发布了多个专利适格性示例。从2014-2016年间发布的早期示例1-36[3]到2019年新增的示例37-42[4]和示例43-46[5]，这些示例伴随着专利适格性审查指南的修订和更新，逐步澄清和细化了专利适格性标准的应用。《2024年7月适格性示例》在上述示例的基础上新增了示例47-49。
本文旨在对《2024年7月适格性示例》中的新增示例47-49进行解读和分析，探讨其对AI相关专利申请的实际影响。通过这些示例，可以更好地理解USPTO评估AI发明的专利适格性的最新标准，从而为未来的AI相关专利申请工作提供有价值的参考。
二、专利适格性的相关规定
1. 法律条文
根据美国专利法第101条（35 U.S.C. § 101）的规定，凡发明或发现任何新颖而实用的方法、机器、产品、物质构成，或任何新颖而实用之改进者，可按本法规定的条件和要求获得专利。该条款对专利申请的保护客体提出了可专利性的要求，明确了何种类型的客体可获得专利保护，何种类型的客体无法获得专利保护。
2. 审查流程
为了明确如何根据35 U.S.C. § 101进行专利适格性的审查，USPTO的相关审查指南规定了“两步法”准则。这套准则源于美国最高法院在多个案例中的判决，特别是 Mayo Collaborative Services v. Prometheus Laboratories, Inc. 和 Alice Corp. Pty. Ltd. v. CLS Bank International 案件。为了进一步明确哪些客体符合35 U.S.C. § 101的要求，USPTO在《2019年修订的专利适格性审查指南》（2019 Revised Patent Subject Matter Eligibility Guidance）[6]中对“两步法”准则的流程进行了完善，以帮助审查员和申请人更好地理解和应用35 U.S.C. § 101的规定。图1示出了修订后的“两步法”审查流程，关键步骤如下：
步骤1：判断权利要求是否落入法定类别（方法、机器、产品、物质构成）。若是，则跳转至步骤2A继续判断；若否，则得出不适格结论。
步骤2A，第一部分：判断权利要求是否记载了法定例外（抽象概念、自然法则、自然现象）。若是，则跳转至步骤2A第二部分继续判断；若否，则得出适格结论。
步骤2A，第二部分：判断是否将法定例外整合至实际应用中。若是，则得出适格结论；若否，则跳转至步骤2B继续判断。
步骤2B：判断权利要求中除了法定例外之外的附加元素是否达到显著多于法定例外的程度。若是，则得出适格结论；若否，则得出不适格结论。
三、案例解读
1. 示例 47
示例47涉及一种使用人工神经网络检测计算机网络异常的技术，旨在提高异常检测的准确性与效率。现有的系统使用各种检测技术检测潜在的恶意网络包，并向网络管理员发出警报。与传统的网络异常解决方案不同，该示例通过专门训练的人工神经网络，能够实时识别恶意网络包并自动采取措施，例如丢弃可疑包及阻止可疑源地址流量等，避免网络管理员对网络入侵的响应滞后，从而显著增强系统的安全防护能力。此示例中列出了三条权利要求。
[权利要求1]
1. 一种用于人工神经网络（ANN）的专用集成电路（ASIC），所述ASIC包括：
以阵列形式组织的多个神经元，其中每个神经元包括寄存器、微处理器和至少一个输入；以及多个突触电路，每个突触电路包括用于存储突触权重的存储器，其中每个神经元通过多个突触电路中的一个与至少另一个神经元连接。
权利要求1涉及实现人工神经网络的集成电路，具体描述了集成电路的硬件结构组成，包括阵列形式组织的多个神经元以及用于连接神经元的多个突触电路。
在步骤1中，权利要求1被认定为属于机器或产品的法定类别，因此需进行步骤2A的判断。
在步骤2A的第一部分中，由于组成集成电路的神经元和突触电路均属于硬件组件，不涉及数学概念、心理活动或组织人类活动的方法等抽象概念，因此权利要求1被认定为未记载任何法定例外。
综上所述，权利要求1落入法定类别且未记载法定例外，因此权利要求1适格。
[权利要求2]
2. 一种使用人工神经网络（ANN）的方法，包括：
(a) 在计算机上接收连续的训练数据；
(b) 通过计算机将所述连续的训练数据离散化，以生成输入数据；
(c) 通过计算机根据所述输入数据和选定的训练算法训练所述ANN，以生成训练好的ANN，其中，所述选定的训练算法包括反向传播算法和梯度下降算法；
(d) 使用所述训练好的ANN检测数据集中的一个或多个异常；
(e) 使用所述训练好的ANN分析所述一个或多个检测到的异常，以生成异常数据；以及
(f) 从所述训练好的ANN输出所述异常数据。
权利要求2涉及使用人工神经网络的方法，该方法具体包括接收并离散化数据、训练人工神经网络、使用训练好的人工神经网络检测并分析异常以及输出异常数据。
在步骤1中，权利要求2被认定为属于方法的法定类别，因此需进行步骤2A的判断。
在步骤2A的第一部分中，权利要求2被认定为涉及数学概念和心理活动的抽象概念。具体而言，“离散化”、“选定的训练算法”被认为属于数学概念；“检测”、“分析”被认为是在人类心智中可以实现的观察和评价，属于心理活动。因此，需进行步骤2A第二部分的判断。
在步骤2A的第二部分中，权利要求2中的附加元素——“在计算机上接收连续的训练数据”、“使用训练好的人工神经网络”、“从训练好的人工神经网络输出异常数据”——被认定为未能将抽象概念整合到实际应用中。具体而言，在权利要求2中，“计算机”仅作为执行通用计算机功能的工具，等同于使用通用计算机执行简单的指令；“使用训练好的人工神经网络”这一元素所提供的也仅仅是用于在通用计算机上实现抽象概念的简单指令，它只是将抽象概念的应用限制在一个特定的技术环境中，而未能为权利要求增加任何实质性的创造性概念。因此，需进行步骤2B的判断。
在步骤2B中，权利要求2中的附加元素被认定为没有达到显著多于法定例外的程度。具体而言，“使用训练好的人工神经网络”这一元素只是对抽象概念的应用指令，无法提供任何创造性的概念；“在计算机上接收连续的训练数据”以及“从训练好的人工神经网络输出异常数据”的描述具有高度的概括性，这些附加元素实质上等同于通过网络接收或传输数据的行为，而这些行为是众所周知、常规且传统的。
综上所述，权利要求2中记载了法定例外，这些法定例外没有被有效整合到具体的实际应用中，并且权利要求中除了法定例外之外的附加元素没有达到显著多于法定例外的程度，因此权利要求2不适格。
[权利要求3]
3. 一种使用人工神经网络（ANN）检测恶意网络数据包的方法，包括：
(a) 由计算机根据输入数据和选定的训练算法训练ANN，以生成训练好的ANN，其中所述选定的训练算法包括反向传播算法和梯度下降算法；
(b) 使用所述训练好的ANN检测网络流量中的一个或多个异常；
(c) 确定至少一个检测到的异常与一个或多个恶意网络数据包有关；
(d) 实时检测与所述一个或多个恶意网络数据包相关的源地址；
(e) 实时丢弃所述一个或多个恶意网络数据包；以及
(f) 阻止来自所述源地址的未来流量。
权利要求3涉及使用人工神经网络检测恶意网络数据包的方法，该方法具体包括训练人工神经网络、使用训练好的人工神经网络检测异常、确定异常与恶意网络数据包有关并实时检测其源地址、实时丢弃恶意网络数据包以及阻止来自该源地址的未来流量。
在步骤1中，权利要求3被认定为属于方法的法定类别，因此需进行步骤2A的判断。
在步骤2A的第一部分中，权利要求3被认定为涉及数学概念和心理活动的抽象概念。具体而言，“选定的训练算法”被认为属于数学概念；“检测”、“确定”被认为是在人类心智中可以实现的观察和评价，属于心理活动。因此，需进行步骤2A第二部分的判断。
在步骤2A的第二部分中，权利要求3中的附加元素——“检测与一个或多个恶意网络包相关的源地址”、“丢弃一个或多个恶意网络包”、“阻止来自源地址的未来流量”——被认定为成功将抽象概念整合到实际应用中。具体而言，上述附加元素通过使用检测信息来增强系统安全性，实时采取主动措施减轻网络异常的威胁，体现了在网络入侵检测技术领域内的实质性改进。
综上所述，权利要求3中记载了法定例外，但这些法定例外被有效整合到具体的实际应用中，因此权利要求3适格。
权利要求2和权利要求3的区别在于，权利要求3明确指出了如何利用人工神经网络的输出来应对和补救识别到的计算机网络异常，这种具体的应用被视为在网络安全技术方面的改进。相比之下，权利要求2虽然涉及使用人工神经网络进行异常检测，但并未详细说明如何具体利用检测结果来进行有效的异常处理。因此，权利要求3通过提供具体的应对措施，如检测与恶意网络包相关的源地址、丢弃恶意网络包以及阻止可疑的未来流量，体现了技术上的进步和实际应用的价值。
示例47说明了当AI技术不仅停留在抽象的概念层面，而是被具体化为解决实际问题的方法时，例如通过特定的技术手段来提高计算机网络的安全性，这样的应用就能够被认为是适格的。这种情况下，AI技术的应用不仅仅是理论上的，而是带来了实质性的技术改进，如提高了系统的性能、效率或安全性，从而满足了专利法对于非显而易见性和实用性的要求。
2. 案例48
示例48涉及一种基于AI的语音分离方法。传统语音分离技术虽然能较好地区分不同类别的音频（如人声和背景噪声），但在分离同一类别内的不同来源（如不同说话者的声音）时表现不佳。该示例基于深度神经网络提供了一种有效的解决方案，通过高级特征学习和聚类技术，能够在不依赖事先训练的情况下，从混合语音信号中准确分离出不同来源的语音，从而提升录音质量和用户体验。此示例中列出了三条权利要求。
[权利要求1]
1. 一种语音分离方法，包括
(a) 接收包括来自多个不同声源sn的语音的混合语音信号x，其中n∈{1, ... N};
(b) 使用短时傅里叶变换将所述混合语音信号x转换为时频域的频谱图，并获得特征表示X，其中X对应于所述混合语音信号x的频谱图和从所述混合语音信号x中提取的时间特征；以及
(c) 利用深度神经网络（DNN），使用公式V = fθ(X)确定嵌入向量V，其中fθ(X)是所述混合语音信号x的全局函数。
权利要求1涉及语音分离方法，该方法具体包括接收混合语音信号、转换混合语音信号以及使用深度神经网络确定嵌入向量。
在步骤1中，权利要求1被认定为属于方法的法定类别，因此需进行步骤2A的判断。
在步骤2A的第一部分中，权利要求1被认定为涉及数学概念的抽象概念。具体而言，“短时傅里叶变换”和“公式V = fθ(X)”被认为属于数学概念，因此需进行步骤2A第二部分的判断。
在步骤2A的第二部分中，权利要求1中的附加元素——“接收包括来自多个不同声源sn的语音的混合语音信号”、“利用深度神经网络确定嵌入向量V”——被认定为未能将抽象概念整合到实际应用中。具体而言，在权利要求1中，“接收包括来自多个不同声源sn的语音的混合语音信号”的描述具有高度的概括性，仅仅相当于简单的数据收集过程，对权利要求并未提供任何有意义的限制；“利用深度神经网络确定嵌入向量V”仅表达了利用深度神经网络来确定嵌入向量的思想，但未具体阐述对深度神经网络进行何种操作。这一元素所提供的仅仅是用于在通用计算机上实现抽象概念的简单指令，它只是将抽象概念的应用限制在一个特定的技术环境中，而未能为权利要求增加任何实质性的创造性概念。因此，需进行步骤2B的判断。
在步骤2B中，权利要求1中的附加元素被认定为没有达到显著多于法定例外的程度。具体而言，这些附加元素仅仅是对抽象概念的应用指令和不重要的额外解决方案活动。
综上所述，权利要求1中记载了法定例外，这些法定例外没有被有效整合到具体的实际应用中，并且权利要求中除了法定例外之外的附加元素没有达到显著多于法定例外的程度，因此权利要求1不适格。
[权利要求2]
2. 根据权利要求1所述的语音分离方法，还包括：
(d) 将所述嵌入向量V分割成与所述不同声源sn相对应的聚类；
(e) 将二进制掩码应用于所述聚类以创建掩码聚类；
(f) 从所述掩码聚类中合成语音波形，其中每个语音波形对应不同的声源sn；
(g) 合并所述语音波形以生成混合语音信号x'，通过拼接对应于不同声源sn的语音波形，排除来自目标声源ss的语音波形，使得所述混合语音信号x'包括来自所述不同声源sn的语音波形而不包括来自所述目标声源ss的语音波形；以及
(h) 将所述混合语音信号x'发送到远程位置存储。
权利要求2在权利要求1的基础上进一步包括将嵌入向量划分为聚类、将二进制掩码应用于聚类并合成结果、将结果信号组合成混合语音信号以及传输混合语音信号。
在步骤1中，权利要求2被认定为属于方法的法定类别，因此需进行步骤2A的判断。
在步骤2A的第一部分中，权利要求2被认定为涉及数学概念和心理活动的抽象概念。具体而言，“将嵌入向量V分割成与不同声源Sn相对应的聚类”被认为属于心理活动；“将二进制掩码应用于聚类以创建掩码聚类”被认为属于数学概念。因此，需进行步骤2A第二部分的判断。
在步骤2A的第二部分中，权利要求1中的附加元素——“从掩码聚类中合成语音波形，其中每个语音波形对应不同的声源sn”、“合并所述语音波形以生成混合语音信号x'，通过拼接对应于不同声源sn的语音波形，排除来自目标声源ss的语音波形，使得所述混合语音信号x'包括来自所述不同声源sn的语音波形而不包括来自所述目标声源ss的语音波形”——被认定为成功将抽象概念整合到实际应用中。具体而言，上述附加元素旨在描述深度神经网络如何辅助创建一个新的语音信号，该信号不包括来自不需要的声源的无关语音信号。这种方法解决了从属于同一类别的不同语音来源中分离语音的挑战，同时无需预先了解说话者的数量或特定于说话者的训练，反映了针对现有计算机技术或语音分离技术的改进。
综上所述，权利要求2中记载了法定例外，但这些法定例外被有效整合到具体的实际应用中，因此权利要求2适格。
权利要求1和权利要求2的区别在于，权利要求2通过对语音分离技术的改进，将法定例外有效地整合到了分离语音的实际应用中。具体来说，权利要求2通过引入额外的步骤，如从掩码聚类中合成语音波形、组合语音波形生成新的混合语音信号并排除特定声源的语音波形等，展示了如何利用深度神经网络技术解决实际问题，即从混合语音信号中精确分离出特定声源的语音，同时避免了不必要的语音干扰。这些改进不仅解决了技术难题，还体现了对现有语音分离技术的实质性贡献。
[权利要求3]
3. 一种非瞬时计算机可读存储介质，其上存储有计算机可执行指令，当所述指令被一个或多个处理器执行时，使得所述一个或多个处理器执行以下操作，包括：
(a) 在经过声源分离训练的深度神经网络（DNN）上接收包括来自多个不同声源sn的语音的混合语音信号x，其中n∈{1, ... N}；
(b) 使用所述DNN将所述混合语音信号x的时间-频率表示转换为特征空间中的嵌入，作为所述混合语音信号x的函数；
(c) 使用k均值聚类算法对所述嵌入进行聚类；
(d) 将二进制掩码应用于所述聚类以创建掩码聚类；
(e) 将所述掩码聚类转换到时域，以获得对应于所述不同声源sn的N个分离的语音信号；以及
(f) 从所述N个分离的语音信号中的目标声源sd提取频谱特征，并根据所述频谱特征生成词序列，以产生对应于所述目标声源sd的语音信号的转录文本。
权利要求3涉及一种存储指令的非瞬时计算机可读存储介质，当处理器执行这些指令时，处理器执行以下步骤：接收构成来自不同声源音频的混合语音信号；使用深度神经网络将该信号的时间-频率表示转换为嵌入向量；随后，这些嵌入向量被分割成聚类，再将这些聚类转换为时域中的独立语音信号。在这些分离的语音信号中，只有特定的一个分离语音信号被转换成文本，以生成转录文本。
在步骤1中，权利要求3被认定为属于产品的法定类别，因此需进行步骤2A的判断。
在步骤2A的第一部分中，权利要求3被认定为涉及数学概念的抽象概念。具体而言“将混合语音信号x的时间-频率表示转换为特征空间中的嵌入，作为混合语音信号x的函数”、“使用k均值聚类算法对嵌入进行聚类”、“将二进制掩码应用于聚类以创建掩码聚类”被认为属于数学概念，因此需进行步骤2A第二部分的判断。
在步骤2A的第二部分中，权利要求3中的附加元素——“将掩码聚类转换到时域，以获得对应于不同声源sn的N个分离的语音信号”、“从N个分离的语音信号中的目标声源sd提取频谱特征，并根据频谱特征生成词序列，以产生对应于目标声源sd的语音信号的转录文本”——被认定为成功将抽象概念整合到实际应用中。具体而言，这些附加元素通过具体化处理和利用从混合语音信号中分离出来的各个声源的信息，不仅解决了现有技术“无法有效地区分属于同一类别的不同语音来源，导致录制语音的转录质量较差”的技术问题，还展示了如何将抽象的计算过程应用于实际的语音处理任务中，从而体现了技术上的实质性改进。
综上所述，权利要求3中记载了法定例外，但这些法定例外被有效整合到具体的实际应用中，因此权利要求3适格。
示例48说明了通过增加有关AI模型实施的具体技术细节，不仅展示了技术上的实际改进，还明确了如何将抽象概念转化为解决现实世界问题的有效方法。通过这种方式，权利要求不仅满足了专利申请中对非显而易见性和实用性的要求，还清晰地展示了技术的进步和创新点，从而确保其符合专利保护的标准。
3. 示例49
示例49涉及用于确定青光眼患者是否有术后炎症风险的AI模型。此示例中列出了两条权利要求。
[权利要求1]
1. 一种手术后纤维化治疗方法，包括
(a) 收集青光眼患者的样本并进行基因分型，以提供基因型数据集；
(b) 基于加权多基因风险评分识别青光眼患者是否有高风险发生植入后炎症(PI)，所述评分是使用ezAI模型从基因型数据集中的信息性单核苷酸多态性(SNP)中生成的，所述模型通过乘法对数据集中相应的等位基因按其效应大小进行加权，并通过加法将加权值相加以生成评分；以及
(c) 对微支架植入手术后有PI高风险的青光眼患者给予适当的治疗。
权利要求1涉及术后纤维化治疗方法，具体涉及使用AI模型生成多基因风险评分的过程，以及如何将生成的风险评分应用于实际的医疗治疗。
在步骤1中，权利要求1被认定为属于方法的法定类别，因此需进行步骤2A的判断。
在步骤2A的第一部分中，权利要求1被认定为涉及数学概念和心理活动的抽象概念以及自然规律。具体而言，“基于加权多基因风险评分识别青光眼患者是否有高风险发生植入后炎症”被认为属于心理活动和自然规律，“使用ezAI模型从基因型数据集中信息性SNPs生成加权多基因风险评分，通过乘法对数据集中相应的等位基因按其效应大小进行加权，并通过加法将加权值相加以生成评分”被认为属于数学概念和心理活动。因此，需进行步骤2A第二部分的判断。
在步骤2A的第二部分中，权利要求1中的附加元素——“收集青光眼患者的样本并进行基因分型，以提供基因型数据集”、“对微支架植入手术后有PI高风险的青光眼患者给予适当的治疗”——被认定为未能将抽象概念整合到实际应用中。具体而言，“样本收集和基因分型”代表了简单的数据收集过程，是一项不重要的额外解决方案活动；“给予适当的治疗”并没有限制具体的治疗方式，是没有实质意义的。因此，需进行步骤2B的判断。
在步骤2B中，权利要求1中的附加元素被认定为没有达到显著多于法定例外的程度。具体而言，“样本收集和基因分型”以高度概括的方式描述，并已被法院认定为常规的实验室技术。
综上所述，权利要求1中记载了法定例外，这些法定例外没有被有效整合到具体的实际应用中，并且权利要求中除了法定例外之外的附加元素没有达到显著多于法定例外的程度，因此权利要求1不适格。
[权利要求2]
2. 根据权利要求1所述的方法，其中所述适当的治疗是Compound X眼药水。
权利要求2在权利要求1的基础上进一步限定适当的治疗是Compound X眼药水。
在步骤1中，权利要求2被认定为属于方法的法定类别，因此需进行步骤2A的判断。
在步骤2A的第一部分中，权利要求2被认定为涉及数学概念和心理活动的抽象概念以及自然规律，因为权利要求2通过引用纳入了权利要求1的所有限制。因此，需进行步骤2A第二部分的判断。
在步骤2A的第二部分中，权利要求2中的附加元素——“适当的治疗是Compound X眼药水”——被认定为成功将抽象概念整合到实际应用中。具体而言，通过抽象概念（确定患者PI风险）可以识别属于特定患者群体的患者（有高PI风险的青光眼患者）。对于这一群体，给予一种针对性的治疗方案，即在进行微支架植入手术之后使用Compound X眼药水，而非传统的抗纤维化药物A。这种方法是专门设计来应对具有高PI风险的青光眼患者的治疗需求的。因此，基于对患者个体风险的精确评估，在微支架植入术后为高PI风险的青光眼患者提供Compound X眼药水，构成了一个高度个性化且针对性强的治疗策略。
综上所述，权利要求2中记载了法定例外，但这些法定例外被有效整合到具体的实际应用中，因此权利要求2适格。
示例49说明了在AI辅助医疗方法中，通过明确具体的治疗手段，可以将抽象概念整合到实际应用中，从而权利要求能够被认为是适格的，同时满足了专利法对于非显而易见性和实用性的要求。
四、总结和建议
上述案例有助于更深入地理解美国专利申请所涉及的专利适格性问题的评判标准。相应地，在处理美国专利申请的工作中，为了降低出现专利适格性问题的风险，可以根据具体个案的情况有针对以下一个或多个方面进行考虑：
1. 确保权利要求中包含具体的技术特征
确保权利要求中包含具体的技术特征，例如特定的硬件组件、数据处理流程或算法实现。明确描述这些技术特征，以便为权利要求所限定的技术方案带来技术效果，例如提高了系统的响应速度、降低了错误率或增强了系统的稳定性。
2. 详细描述具体的实施步骤和技术细节
在说明书中详细描述具体的实施步骤和技术细节，确保权利要求中的每个步骤都有明确的技术实现方式，避免被认定为一般性地应用抽象概念。
3. 明确描述AI技术的具体应用
在权利要求中明确描述AI技术如何被具体化为解决实际问题的方法，例如记载特定的技术手段。在说明书中强调这些具体应用带来的实质性技术改进，例如提高了系统的性能、效率或安全性。
4. 将抽象概念整合到具体应用中
在权利要求中明确描述所涉及的抽象概念如何被整合到具体的实际应用中，例如在医疗诊断、金融分析或工业控制中的应用。在说明书中强调这些具体应用解决了哪些实际问题，例如提高了诊断的准确性、减少了金融风险或提高了生产效率。
5. 突出对计算机技术的改进
在说明书中明确指出权利要求中的技术特征如何改进了现有的计算机技术，例如提高了算法的效率、优化了数据存储结构或增强了系统的安全性。在权利要求中描述这些技术改进的具体实现方式，例如使用特定的编程语言、数据库管理系统或网络协议。
上述《2024年7月适格性示例》的发布，不仅反映了USPTO对AI技术发展趋势的深刻认识，也体现了其致力于构建更加公平、透明的专利审查体系的决心。《2024年7月适格性示例》中关于AI技术的新增案例为公众提供了宝贵的参考，给出了在准备美国专利申请文件时提前考虑适格性问题的启示，从而能够有效地规避潜在的适格性问题。此外，这也同时要求专利申请撰写人具备前瞻性的视角，拓展思路，紧跟新时代技术发展特点，在AI技术变革的大潮下从容应对专利申请工作中面临的全新挑战。
[1]https://www.federalregister.gov/documents/2024/07/17/2024-15377/2024-guidance-update-on-patent-subject-matter-eligibility-including-on-artificial-intelligence
[2]https://www.uspto.gov/sites/default/files/documents/2024-AI-SMEUpdateExamples47-49.pdf
[3]https://www.uspto.gov/sites/default/files/documents/101_examples_1to36.pdf
[4]https://www.uspto.gov/sites/default/files/documents/101_examples_37to42_20190107.pdf
[5]https://www.uspto.gov/sites/default/files/documents/peg_oct_2019_app1.pdf
[6]https://www.federalregister.gov/documents/2019/01/07/2018-28282/2019-revised-patent-subject-matter-eligibility-guidance