大綱
一、為什麼看專利
銀行談 AI 轉型,新聞稿可以寫願景,年報可以寫投入金額,但都無法告訴你工程師到底在解什麼問題。專利可以:一件專利要寫清楚技術問題、解法與請求項,是研發投入留下的實證痕跡。缺點是滯後,從研發完成到公開通常晚 1 至 3 年。
本篇的主角是中國信託商業銀行。
1. 資料來自台灣全球專利資料庫(GPSS),涵蓋 2003 年 3 月至 2026 年 6 月申請、2003 年 11 月至 2026 年 8 月公告、申請人為中國信託商業銀行的專利;
2. 金控、證券、產險、人壽等集團內其他公司的專利不計入。
3. 同一發明的多筆公告合併為一個「專利家族」,共 760 個家族:其中發明專利 207 個、新型專利 553 個;設計專利 24 個另計,不納入分析。
4. 760 個家族中 758 個在臺灣申請,2 個在中國大陸,沒有任何一個家族跨兩個以上轄區。
5.本文所提之「場景」與「技術」由 AI 依「固定框架」自動分類,以 268 件人工標註的驗證集測得主場景正確率 84.3%,大約每 6 件有 1 件歸錯類,讀數字時請保留這個誤差。
二、先讀懂新型專利與發明專利
看數字之前要先講一件事:中信 760 個家族裡,七成三是新型。
- 新型專利只做形式審查,不審進步性,從申請到公告通常只要幾個月,保護期 10 年,標的限於物品的形狀、構造或組合。
- 發明專利要經過實質審查,保護期 20 年。對做軟體的人來說,「限於物品構造」聽起來像是不能申請新型,實務上的解法是把方法包進裝置:「一種系統,包含一儲存裝置、一輸入裝置、一處理裝置」,演算法寫在處理裝置做什麼事裡面。
本文後面會看到,中信第一件運用具名機器學習方法的專利是新型,第一件運用生成式 AI 的專利家族則是發明與新型各申請一件。
中信的策略可以從家族結構直接讀出來:207 個發明家族裡,有 174 個同時申請了新型,純發明只有 33 個。也就是重要的案子先用新型卡位,再走發明補 20 年保護,這叫一案兩請。174 個 2 件家族全部是這種組合。結果反映在核准率:新型 100%,發明 90.8%,整體 97.5%。
這對讀者的意涵是:件數不等於技術深度,形式審查的專利不能拿來證明技術領先。本文看的是佔比與首件時間,不比件數。
三、一條線看完 23 年
先說明怎麼切。本文把 23 年分成四段,以三個外部事件為界:Transformer 論文(2017 年 6 月)、BERT 論文(2018 年 10 月)、ChatGPT 上線(2022 年 11 月)。
- 2014 年以前是大數據時代,銀行在談資料倉儲與資料治理,機器學習還不是主題;
- 2015 至 2018 年是金融科技時代,支付、區塊鏈、API、雲端、資安是各家布局的重點,Transformer 與 BERT 兩篇論文落在這段的尾端;
- 2019 至 2022 年是 AI 時代,BERT 之後機器學習方法大量進入產業,ChatGPT 上線落在這段的最後;
- 2023 年以後是生成式 AI 時代,階段以申請年劃分,不以公告年,因為申請日最接近研發完成的時間,公告日受審查時程影響,常晚 1 至 3 年。
把 760 個家族依申請年分進四段,計算每段「機器學習相關」家族的佔比。這裡的機器學習採廣義定義,包含電腦視覺與語音技術。
[圖 1:中國信託機器學習相關專利家族佔比]
四個數字:0.0%、10.6%、22.6%、22.3%。前三段每段翻倍以上,第四段持平。這條線看起來像是 2019 年以後到了平台期,但拆開看不是這樣,三個觀察會回來談。
四、大數據時代(2014 年以前):15 個家族
2014年以前,中信銀有 15 個專利家族,沒有任何一件和機器學習有關。觀察中信銀把專利當策略工具的時點,從逐年申請數看,是 2017 年以後的事:2016 年以前每年最多 5 件,2017 年跳到 46 件。起步晚本身就是觀察。大數據時代該出現的資料工程與資料治理專利,中信在這段一件都沒有,要到 2018 年 6 月(資料治理)與 2019 年 3 月(資料工程)才首見。
這 15 件集中在交易安全與分行作業:身分驗證與分行自助通路各 4 件,各佔 26.7%;文件與影像處理、支付與卡片各 2 件。技術上唯一出現的是加密與資安,3 件,首件 TWI288554B 申請於 2005 年 12 月:系統為每筆網路交易產生一組一次性密碼,交易代碼與交易驗證碼分開、走不同管道送給使用者,使用者從一個介面取得、從另一個介面回傳,降低木馬或釣魚從單一管道竊取的風險。這件至今仍是中信被引最多的專利,被引 7 次,和它的中國大陸對應案 CN101131759A 並列;質量分數 0.69,是中信全部家族的第 6 名。
被引次數在中信整體很稀疏:760 個家族裡 74.1% 從未被引,平均 0.36 次。
五、金融科技時代(2015–2018 年):第一波機器學習
2015–2018 年,中信銀有104 個專利家族,其中機器學習佔比 10.6%。主軸是支付與卡片,32 件、佔 30.8%;其次是身分驗證 20 件、信用風險 12 件、行銷與客戶經營 8 件、投資推薦 6 件。技術上電腦視覺與 RPA 各 6 件、加密與資安 5 件、傳統監督式學習 4 件。金融科技時代的五個關鍵字,中信在這段有了支付、資安與 API(2018 年 6 月首見),區塊鏈要到 2020 年 12 月、雲端運算要到 2021 年 5 月才出現。
這 4 年的技術首見密度很高:電腦視覺(2016 年 12 月)、傳統監督式學習(2017 年 1 月)、語音技術(2017 年 9 月)、RPA(2017 年 12 月)、方法未指明的機器學習(2018 年 4 月)、API/開放銀行(2018 年 6 月)。場景也是:客服與語音、數位銀行、信用風險、不動產估價、投資推薦、保險、法遵、投資與交易、資料治理,全部在這 4 年首見。中信的專利主題從交易安全擴到數據驅動的客戶服務與風險評估,就是這段發生的。
第一件運用具名機器學習方法的專利是新型,TWM542817U,申請於 2017 年 1 月:把同一客戶散在不同通路的資料集中,用 KNN 重新分類,再以基因演算法找各通路權重,算出最可能購買的商品與時間;質量分數 0.66,被引 2 次。徵授信主管會更熟的是 TWI657383B,2017 年 6 月申請:用現有客戶的個人特徵、居住地環境與公開政府資料分出收入群組,為每群建估算模型(線性迴歸模型或非線性迴歸模型),新客戶依最像哪一群推估收入,供授信或行銷判斷;質量分數 0.65,被引 1 次。這是信用風險場景的首件。
同一個月申請的 TWM549928U 可以拿來對照:線上收件後自動向聯徵查詢,搭配內部資料與申請人填的收入,即時產出產品規格;質量分數 0.56,被引 4 次,是這段被引最多的非機器學習專利。2017 年的「自動化」有兩種長相,一種是規則引擎串接,一種是模型估算,兩件剛好各代表一種。
Transformer 論文與 BERT 論文都落在這段,中信這段沒有任何相關專利。
六、AI 時代(2019–2022 年):注意力機制進來了
2019–2022 年,中信銀有314 個專利家族,機器學習佔比 22.6%,比前段翻了一倍以上。場景變得分散:支付與卡片降到 17.2%,身分驗證 10.5%,行銷與客戶經營 9.6%,信用風險 9.2%,內部營運 8.6%。技術面最多的是「機器學習(方法未指明)」32 件,意思是說明書寫了用機器學習模型,但沒有講是哪一種;這是臺灣專利常見的寫法。其次是 RPA 27 件、電腦視覺 23 件、深度學習 13 件、語音技術 12 件。這段機器學習專利裡寫得出具體方法的只有 29.6%,研發深度要看下一段。
首見的技術有:資料工程(2019 年 3 月)、深度學習與非監督式學習(同在 2019 年 6 月,由 TWI700664B 一件帶進來)、圖學習(2019 年 11 月)、區塊鏈(2020 年 12 月)、雲端運算(2021 年 5 月)。場景首見「AI 與新型運算研發」、「AML/金流監控」、「模型治理/MLOps」。
最值得談的是技術標籤為「Transformer/BERT/注意力機制」的兩件。首件是 TWI764566B,2021 年 2 月申請,場景為行銷:把過去寄出的電子文宣主旨斷詞成關鍵字,統計每位客戶對各關鍵字的點擊率,依點擊率把客戶分群,再為每一群用自然語言處理演算法建一個主旨生成模型,行銷人員輸入原本的主旨,就產生各群適用的優化主旨。請求項明寫這個生成模型是 Seq2Seq,包含一個編碼器和一個「具有注意力機制的解碼器」。注意力機制是 2017 年 Transformer 論文的核心,但這件專利用的是更早一代的 Seq2Seq 架構,注意力機制只是解碼器裡的一個元件。
第 2 件是 TWI790576B,2021 年 3 月申請,場景為保險。它的請求項處理的是醫囑文件:第一個機器閱讀理解模型先找出文件裡「同日」指的是哪一天,把它替換回原文,第二個模型再用問句方式抽出醫療行為與時間;兩個模型都寫成「LSTM 或 BERT」。兩件放在一起看,告訴我們的不是中信在 2021 年掌握了 Transformer,而是到了 2021 年,注意力機制和 BERT 已經是中信工程師會順手寫進請求項、和 Seq2Seq、LSTM 並列為可選元件的東西。
把首件日期對照外部事件:晚 BERT 論文 28 個月,晚 Transformer 論文 44 個月,但早 ChatGPT 上線 21 個月。
這階段的專利代表案主要焦點在「行銷」:
- TWI783613B(2021 年 8 月申請)先用詞袋模型把廣告文案分類,再找與目標客戶最相似的參考客戶,從他過去對各類文案的點擊挑出最可能被點的一則,再預測版位;此專利的「質量分數」為 0.80,被引 3 次,全公司第 2 名。
- TWI747290B(2020 年 5 月申請)用深度學習把網站瀏覽紀錄轉成向量,結合購買紀錄訓練預測模型,篩出可能購買的訪客;質量分數 0.72,被引 3 次。
- TWM580724U(2019 年 2 月申請)是流程機器人的集中管理儀表板,質量分數 0.54,被引 4 次;RPA 在中信全部 760 個家族裡有 61 件,是第二大技術,這件是它的代表。
【圖2 : 中國信託專利技術首見時間軸】
七、生成式 AI 時代(2023 年以後):生成式 AI 進來,佔比不動
2023 年以後,中信銀有327 個專利家族,機器學習佔比 22.3%,與前段持平。主軸換成信用風險,49 件、佔 15.0%;行銷與客戶經營 40 件、支付與卡片 38 件、身分驗證 36 件、詐欺偵測 29 件,詐欺偵測是第一次進前五。技術上「機器學習(方法未指明)」29 件、RPA 28 件,LLM/生成式 AI 19 件第三,電腦視覺 15 件。
技術首見 5 項,全部是機器學習:推薦系統(2023 年 3 月)、合成資料與 LLM/生成式 AI(同在 2023 年 5 月)、生成模型(2025 年 2 月)、強化學習(2025 年 5 月)。合成資料首件 TWI855671B 是房價預測模型的指標篩選,技術標籤為傳統監督式學習與合成資料。
LLM/生成式 AI 的首件是 TWI847696B,2023 年 5 月申請,名稱叫「基於提示工程的摘要產生方法」,請求項裡是兩個模型輪流工作:一個依主題產生「找關鍵段落」的提示,另一個照提示把段落寫出來,再由前者產生摘要提示、後者產出摘要。請求項沒有寫這兩個模型是什麼,技術標籤為深度學習與 LLM/生成式 AI;質量分數 0.82,被引 4 次,是中信全部家族裡質量分數最高的一件,場景歸在「AI 與新型運算研發」,也就是以模型方法本身為標的、沒有特定業務場景的專利,中信這類只有 6 件。這件比 ChatGPT 上線晚 6 個月,在本文的判準裡算「同步」(相差 6 個月以內)。它的家族是一案兩請,發明與新型各一件。
兩個月後的 TWM646527U(2023 年 7 月申請)是純新型,正好示範前面講的新型寫法:業務人員輸入介面需求文字,生成式人工智慧模型直接產生介面畫面與樣板,業務和資訊人員看圖溝通;附屬項限定用「網頁」「APP」「ATM」「平板」等關鍵字決定相容裝置。
另一件代表案 TWI870925B(2023 年 7 月申請)在 AML 場景:把帳戶的文字報告轉成交易類別標籤,依時間統計,用分群找出占比低於門檻的少見群組,再檢查是否對應異常類別;質量分數 0.74,被引 2 次,全公司第 3 名。
非機器學習的代表 TW202502028A(2023 年 6 月申請)評估網域名稱的詐騙風險:從網域查 IP,反查 IP 下的子網域,逐步擴充 IP 列表,再以各 IP 的風險評分判斷;質量分數 0.51,被引 1 次。防詐在這段已經是中信專利的常態主題。
八、三個觀察
第一,技術跟進只慢幾個月,但首件的用法都很保守
技術標籤為 Transformer/BERT/注意力機制的首件晚 BERT 論文 28 個月、早 ChatGPT 21 個月;LLM/生成式 AI 首件晚 ChatGPT 6 個月,算同步。兩件首件的寫法說明了跟進的性質:注意力機制在請求項裡是 Seq2Seq 解碼器的一個元件,用來改寫電子文宣主旨;生成式 AI 用來依主題抽段落做摘要。不是先研究模型再找用途,而是用途已經在手上,技術一可用就填進去。這個節奏在 2014 年以前只有 15 個家族的基礎上做到,說明跟進速度不需要靠長年累積。
第二,佔比持平是因為非機器學習專利同時暴增,機器學習本身集中在看文件、聽客戶、挑客戶三件事。 逐年看,機器學習佔比在 2020 年到 37.9% 的高點,2021 年掉到 18.7%、2022 年 14.8%,2023 年 17.5%,然後逐年回升,2025 年 25.9%。2020 年申請 58 個家族,其中機器學習 22 件;2021 年申請 123 個家族,機器學習 23 件,總件數翻倍,機器學習只多 1 件,佔比就被稀釋了一半。分場景看差距更大:文件與影像處理 51.7%、客服與語音 48.9%、行銷與客戶經營 34.2%、投資推薦 29.0%,但家族數最多的支付與卡片只有 3.2%,分行與自助通路 5.7%,內部營運 11.7%。交易與通路類的專利幾乎不用機器學習。另一個往上的訊號是具名方法:機器學習專利裡寫出具體方法的比例,從 2019–2022 年的 29.6% 升到 2023 年以後的 45.2%,說明書從「用一個機器學習模型」變成寫得出是哪一種。
第三,電腦視覺從文件與人臉走到了 ATM 防詐與授信核保
電腦視覺在中信有 44 個家族,是第三大技術,其中 14 件在文件與影像處理、12 件在身分驗證,這是銀行的常規用法。中信把它用到了 ATM 前的人身上。TWI730473B 在 ATM 加裝攝影機,影像辨識模型判斷操作者是否一邊講電話一邊出現緊張、害怕或受脅迫的表情,偵測到就發警示;TWI745070B 更進一步,先看肢體動作是否符合預設的異常樣態,看不出來再看表情,任一項符合就把交易判為非正常。這是臺灣車手與受害人在 ATM 前的典型畫面,被寫進了專利。詐欺偵測在中信有 42 個家族,11 件用機器學習,其中 4 件是電腦視覺。
同一套看臉的能力也出現在授信。TWI774997B 讓使用者錄一段即時影片,系統從臉部影像分析心跳等生理數據,結合過去的生理紀錄與醫療理賠紀錄分出健康風險等級,作為要保或貸款審核的參考並產生准駁結果。從臉部影像推估生理數據、再拿去做核保與授信准駁,這件在模型治理與公平性上會引出很多問題,值得另文討論。
九、質量而非數量
本文每件代表專利後面的「質量分數」,是為了避免只看件數而設的指標:被引次數佔 30%、家族跨國數佔 20%、是否使用具名機器學習方法(T01–T12 任一)佔 20%、是否已核准佔 15%、請求項篇幅佔 15%;各項目先在中信 760 個家族內換算成 0 到 1 的相對值,再加權相加。中信所有家族的跨國數都是 1,這一項對排名沒有影響。
質量分數前 5 名全部是機器學習專利,而且全部在 2020 年以後:TWI847696B 提示工程摘要(0.82)、TWI783613B 數位行銷決策(0.80)、TWI870925B 異常金流篩選(0.74)、TWI747290B 客戶分群行銷(0.72)、TWI800955B 投資推薦(0.69)。TWI800955B 申請於 2021 年 10 月,從股價與交易量、籌碼、財務、公開消息四類資料以神經網路與自然語言處理抓特徵,合併後預測股價,再依投資人風險屬性產生推薦清單。
被引次數前 5 名則是另一批:TWI288554B 與 CN101131759A 各 7 次,之後是並列 4 次的 5 件,含 TWI847696B、TW202030661A 信用卡額度管理、TWM549928U 線上徵審、TWM551305U 整合式支付、TWM580724U 流程機器人管理。被引榜上有 2005 年的一次性密碼、也有 2017 年的新型,技術新不新與被引多不多沒有關係,和專利本身是不是把一個基礎機制講清楚比較有關。
對臺灣銀行業的讀者,這一節的用法是:拿到自家的專利清單時,先問三件事。(1) 新型與發明各幾件、一案兩請幾件;(2) 機器學習專利裡寫得出具名方法的佔幾成;(3) 被引最多的是哪幾件、申請於哪一年。這三個數字比總件數更能說明研發投入的方向。
這是系列的第 2 篇。接下來會用同一套框架看其他銀行。中信留下的問題是:當第一件注意力機制專利改寫的是文宣主旨、第一件生成式 AI 專利做的是摘要,技術已經在手上了,下一步會把它用在哪裡?
十、方法與限制
資料為 GPSS 公開資料,僅涵蓋已公開的專利;申請人限中國信託商業銀行,集團內金控、證券、產險、人壽、投信等其他申請人的專利已移出。場景與技術分類由 AI 自動完成,主場景正確率 84.3%,個別專利可能歸錯類,文中點名的專利已逐件核對,全部家族中 26 件經人工校正,多數是依請求項明寫的方法名稱補上技術標籤。新型與發明在分類上一視同仁,本文未依審查深度區分品質。被引次數採 GPSS 被參考次數,空白視為 0。階段以申請年劃分,2023 年以後的件數會隨公開時程繼續增加,佔比相對穩定。
附錄:技術首件時間軸
| 技術 | 首件申請年月 | 首件公告年月 | 階段 | 公告號 |
|---|---|---|---|---|
| T16 加密與資安 | 2005-12 | 2007-10 | –2014 | TWI288554B |
| T13 電腦視覺 | 2016-12 | 2017-04 | 2015–2018 | TWM539114U |
| T01 傳統監督式學習 | 2017-01 | 2017-06 | 2015–2018 | TWM542817U |
| T21 前端/行動技術 | 2017-06 | 2017-11 | 2015–2018 | TWM552152U |
| T14 語音技術 | 2017-09 | 2018-03 | 2015–2018 | TWM557409U |
| T19 RPA/流程自動化 | 2017-12 | 2019-05 | 2015–2018 | TWI660320B |
| T00 機器學習(方法未指明) | 2018-04 | 2019-11 | 2015–2018 | TWI676146B |
| T18 API/開放銀行 | 2018-06 | 2018-12 | 2015–2018 | TWM571006U |
| T20 資料工程 | 2019-03 | 2019-06 | 2019–2022 | TWM579339U |
| T02 深度學習 | 2019-06 | 2020-08 | 2019–2022 | TWI700664B |
| T10 非監督式學習/分群 | 2019-06 | 2020-08 | 2019–2022 | TWI700664B |
| T05 圖學習 | 2019-11 | 2021-05 | 2019–2022 | TW202119327A |
| T15 區塊鏈/DLT | 2020-12 | 2022-09 | 2019–2022 | TWI778478B |
| T03 Transformer/BERT/注意力機制 | 2021-02 | 2022-05 | 2019–2022 | TWI764566B |
| T17 雲端運算 | 2021-05 | 2023-08 | 2019–2022 | TWI810560B |
| T11 推薦系統 | 2023-03 | 2024-07 | 2023– | TWI847588B |
| T09 合成資料 | 2023-05 | 2024-09 | 2023– | TWI855671B |
| T04 LLM/生成式AI | 2023-05 | 2024-07 | 2023– | TWI847696B |
| T06 生成模型 | 2025-02 | 2026-03 | 2023– | TWI918401B |
| T07 強化學習 | 2025-05 | 2025-07 | 2023– | TWM672466U |



