大綱
為什麼看專利
銀行談 AI 轉型，多半是新聞稿與年報在講。新聞稿可以寫願景，年報可以寫投入金額，但兩者都無法告訴你：這家銀行的工程師，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，還要通過審查，是研發投入留下的實證痕跡；缺點是它滯後，從研發完成到公開通常晚 1 至 3 年，看到的永遠是前幾年的動作。
本文以 JPMorgan 為對象，資料來自台灣全球專利資料庫（GPSS），涵蓋 2001 年 4 月至 2026 年 8 月間公告的專利，最早申請可回溯到 1998 年。
同一發明在不同國家或不同階段的多筆公告合併為一個「專利家族」計算，共 2,352 個發明專利家族；設計專利另計，不納入分析。每件專利的應用場景與技術由 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%，也就是大約每 6 件會有 1 件歸錯類，讀者看數字時請保留這個誤差。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。
一條線看完 25 年
先看一張圖。把 2,352 個家族依申請年分成四段，計算每一段裡「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，所以 2000 年的影像辨識專利也算在內。
［圖 1：機器學習相關專利家族佔比］
四個數字：1.7%、13.8%、25.0%、43.2%。2014 年以前，370 個家族裡只有 6 個和機器學習有關；2023 年以後，767 個家族裡有 331 個。這條線沒有平台期，每一段都比前一段陡，最陡的是最後一段，一口氣升了 18.2 個百分點。
這條線本身不意外，意外的是它背後的內容變化。下面分四段看。
2014 年以前：支付基礎建設的年代
這 370 個家族的主軸是支付與卡片，76 個，佔 21.5%；其次是投資與交易（14.6%）與內部營運（12.4%）。技術上最常見的是加密與資安（11 個）和流程自動化（8 個）；機器學習的第一件是 2010 年才出現的。
這個階段留下了 JPMorgan 被引用最多的專利。US07206768B1 申請於 2000 年 8 月，是一套多方共用的電子應收應付平台：債務人確認電子發票後，合約債務轉為金額與到期日確定的獨立付款義務，債權人可以把這項義務像電子本票一樣轉給第三人。它被後續專利引用 413 次，是全部 2,352個家族之最。第二名 US07392224B1 申請於 1999 年 9 月，是簽帳金融卡的獎勵機制，被引 386 次。被引前 5 名全部申請於 1999 至 2005 年，4 件落在支付與卡片，沒有一件涉及機器學習。
這說明一件事：專利的影響力與它用的技術新不新沒有關係。後來 20 年的支付專利，回頭引用的是這批把「電子化的錢怎麼在多方之間流動」講清楚的早期案子。JPMorgan 今天的 AI 專利，還沒有任何一件累積到接近的被引量，這一半是時間問題，一半是基礎建設專利的性質使然。
2015–2018 年：平台化
331 個家族，機器學習佔比跳到 13.8%。主軸場景換人：IT 維運升到第一，72 個，佔 22.6%，支付與卡片退到第二。資料管理與治理、身分驗證進入前 5。
這段時間首次出現的技術很能說明方向：雲端運算（2015 年 9 月）、語音技術（2015 年 12 月）、區塊鏈（2016 年 8 月），然後是傳統監督式學習與深度學習，兩者同在 2017 年 2 月由同一件專利 US11367088B2 帶進來。這件專利的標題是「以資料科學作為服務」，內容是把模型建置與部署包成內部平台，讓業務單位不必各自養團隊。它同時是 JPMorgan 家族規模最大的專利之一，跨 2 個國家或地區。
換句話說，JPMorgan 在這個階段申請的不是「用 AI 做某個業務」，而是「讓 AI 可以被做出來的基礎設施」。這和後面兩段的走向是一致的。
Transformer 論文（2017 年 6 月）與 BERT 論文（2018 年 10 月）都落在這個階段，但 JPMorgan 在這段時間沒有任何一件 Transformer 或 LLM 相關的專利。
2019–2022 年：機器學習技術密集期
911 個專利家族，是四段裡最多的一段，機器學習佔比 25.0%。IT 維運進一步升到 25.8%，236 個家族；內部營運、支付與卡片、資料管理與治理各約 100 個。
這 4 年密集出現新的機器學習方法：圖學習（2019 年 3 月）、生成模型（2020 年 6 月）、強化學習（2020 年 11 月）、推薦系統（2021 年 7 月）、聯邦學習（2021 年 11 月）、合成資料（2021 年 12 月），最後是 Transformer／注意力機制，首件 US12271914B2 申請於 2022 年 1 月。
［圖 2：各項技術首件專利的申請年月］
把這件 Transformer 專利對照外部事件：比 Transformer 論文晚了 55 個月，比 BERT 論文晚 39 個月，但比 ChatGPT 上線早 10 個月。也就是說，在生成式 AI 變成大眾話題之前，JPMorgan 的專利組合裡已經有 Transformer 了。
另一個值得注意的是場景。機器學習佔比升到四分之一，但主場景排第一的是 IT 維運，不是任何一個客戶面向的業務。這段的代表案之一 US12461714B2，是把需求文件與原始碼分別轉成語意向量再比對，判斷程式碼是否已滿足需求；另一件 US12699644B2 用機器學習模型自動決定軟體測試參數。AI 先被用來管理銀行自己的系統開發，而不是先用在客戶身上。
2023 年以後：AI 研發本身成為專利標的
767 個家族，機器學習佔比 43.2%。IT 維運仍居第一（21.8%），但第二名換成「AI 與新型運算研發」，120 個家族，佔 15.6%。這個場景的定義是「以模型方法本身為發明標的、沒有特定業務場景」，例如訓練方法、資料表示、合成資料生成。它在 2014 年以前只有 1 件（2014 年 9 月首見），現在是第二大場景。
技術面，LLM／生成式 AI 有 66 個家族，是這段的第二大技術，首件 US12585439B2 申請於 2023 年 6 月，比 ChatGPT 上線晚 7 個月，比 Transformer 論文晚 72 個月。表格基礎模型也在 2023 年 3 月首見。
兩件代表案可以看出 LLM 在銀行裡實際被拿來做什麼。
1. US12718017B2 申請於 2023 年 9 月，處理制裁名單比對的誤報問題：傳統文字比對會把相似但不同的名稱全部撈出來，這件專利把可疑的比對結果連同上下文改寫成自然語言問題，交給神經網路模型判斷是否真的涉及受制裁實體，只有判斷為是才通報主管機關。這是 AML 領域最典型的痛點之一，誤報率動輒九成以上，人力全耗在排除假警報。
2. US12566768B1 申請於 2024 年 12 月，用大型語言模型把網路上的實體資訊整理成統一格式，再用句子嵌入模型比較相似度，以相似實體的價格估算目標工具的價格，屬於投資與交易場景。
三個觀察
第一，節奏是「先數位化、再平台化、後 AI 化」，而且每一段都是在前一段的基礎上發生的。2014 年以前把支付與帳戶關係電子化；2015 至 2018 年把雲端、資料工程、模型服務化做成內部平台；2019 年以後機器學習方法才大量進來，2023 年以後研發本身變成專利標的。從專利看不到跳級。台灣銀行業討論 AI 落地時，常把目光放在最後一段，但沒有中間那段平台化，前面的資料與模型進不了生產環境。
第二，專利重心在後台，不在客戶端。IT 維運從 2015 年起一直是第一大場景，內部營運、資料管理與治理長期在前 5；反觀行銷與客戶經營在 2,352 個家族裡只佔 3.5%，客服與語音 2.3%。這和媒體對「AI 銀行」的印象相反。合理的解讀是：客戶端的 AI 應用多半用現成工具或供應商方案，不值得申請專利；真正值得保護的，是讓幾千名工程師與幾百個模型能夠協作的內部基礎設施。
第三，對基礎研究是跟隨者，對應用化是快速跟進者。Transformer 首件比論文晚 4 年半，LLM 首件比 Transformer 論文晚 6 年；但 LLM 首件只比 ChatGPT 晚 7 個月，Transformer 首件甚至早於 ChatGPT。銀行不需要發明模型，它的節奏是等技術被證明可用，然後在半年到一年內把它寫進自己的問題裡。這對台灣的銀行業是可以複製的模式，前提是有前面兩段打下的底。
這是系列的第一篇。接下來會用同一套框架看台灣的幾家銀行，最後把它們放在一起比較。可以先記住 JPMorgan 的幾個數字：機器學習佔比 43.2%、IT 維運是第一大場景、LLM 落後 ChatGPT 7 個月，之後對照台灣銀行業的數字會很有意思。
方法與限制
資料為 GPSS 公開資料，僅涵蓋已公開的專利，未公開的申請不在範圍內；公司歸屬依申請人公開紀錄判斷。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。階段以申請年劃分，2023 年以後的資料受公開時程影響，件數會隨時間繼續增加，佔比則相對穩定。本文不構成投資建議。
