日本人工智能发明与实用新型专利布局及审查实践研究

人工智能（AI）作为当今科技创新的前沿领域，其发展历程可追溯至20世纪50年代的形式化逻辑阶段，历经知识库和专家系统、机器学习发展到现在的深度学习与大数据阶段。AI技术与物联网（IoT）技术的结合等已成为推动第四次工业革命的核心力量。随着IoT技术的广泛应用，可以收集大量数据，并通过基于AI的机器学习算法对其进行深入分析。而这些技术的发展得益于计算能力的显著提升。

在自然语言处理（NLP）领域，从早期基于规则的方法，到现代的预训练语言模型如源自Transformer的双向编码器表示（Bidirectional Encoder Representations from Transformers，BERT）和生成式预训练Transformer（Generative Pre-trained Transformer，GPT），AI技术的演进不断推动语言理解与生成的边界向前拓展。特别是2018年以来，基于转换器模型（Transformer模型）的预训练语言模型在NLP任务上取得了突破性进展，标志着生成式人工智能（AIGC）的快速发展。

AIGC作为一种新兴的AI技术，能够自动创造新的内容，如对话、故事、图像、音视频和指令等。这一技术的发展不仅代表了内容生成方式的革新，还体现了模拟人类创造性思维的前沿探索。随着技术的不断进步，AIGC预计将在多个产业领域发挥更加重要的作用。

作为日本政府负责专利审查和注册的机构，日本特许厅（JPO）正积极探索如何改进专利制度以适应AI技术的快速发展，包括对现有专利法的修订、审查指南的更新，以及信息化和智能化发展规划的制定，旨在确保AI领域的创新能够得到充分保护，并提高审查工作的效率与质量。JPO计划利用AI技术逐步对发明和实用新型审查系统、复审无效系统等进行升级改造。JPO在其智能审查系统中实现了通过“输入单条检索式”，在本国数据库、外国数据库及非专利数据库中进行一键式检索的功能，显示了日本在利用AI技术进行信息检索方面的进步。

JPO于2018年3月出台了针对计算机软件的相关发明审查指南，将大数据、AI相关专利归属于计算机软件相关的发明类别中，并适用2018年的修改。2019年3月，JPO发布了AI相关专利申请的案例指引，提供了进一步的详细指示，特别是关于训练数据之间的相关性是否明确的问题。JPO在创造性审查方面，同样重视大数据和AI领域专利审查标准的完善。JPO将示例案例分为5类，包括简单使用AI的情况、基于申请日之前的通用知识可以假设存在相关性的情况、说明书中的解释或统计信息支持相关性的情况等。JPO强调，如果AI算法模型的预测处理精度没有得到验证，且无法根据公知常识得知该预测结果可以代替实际制造产品的评价，则通常会认为说明书的记载不满足“实现要求”。JPO于2021年1月22日成立了AI审查支援小组，以改善AI相关发明的审查环境。另外，日本创新主体比较注重发明的实际应用价值，会在提交专利实质审查请求前进行评估，仅对具有实际应用价值的发明提出实质审查请求。

在确定发明的可专利性、新颖性和创造性时，JPO和中国国家知识产权局（CNIPA）都强调发明需要作为一个整体进行考虑。两者都要求发明要具有技术特征，并在审查过程中考虑这些特征。JPO关于AI的客体判断标准与CNIPA的思路基本一致，强调整体性、不可割裂性等技术特征。日本在相关的AI细分产业如机器人产业上比较发达，且日本等国家鼓励AI相关数据和模型的资源共享。据此，本文将对日本在AI领域的专利布局进行详细分析，探讨JPO在专利审查实践中采取的策略和政策，旨在为中国的创新主体和产业布局提供参考和启示。

日本在AI领域的专利布局体现了其对技术发展的战略规划和前瞻性思维。本文依据“AI相关发明的最新趋势—报告”的指引，综合利用FI分类号和核心关键词，在HimmPat检索平台上进行了详尽的检索分析。将AI核心专利申请和应用AI的专利申请统称为AI相关的专利申请，利用与上述申请相关的FI分类号和AI核心关键词，在HimmPat检索平台进行检索，其中核心关键词限定在摘要、标题或者权利要求中。考虑到专利合作条约（PCT）申请自申请日起30个月内要选择进入的国家，故仅统计1988—2021年向JPO提交申请的检索结果，选择的公开类型为发明申请、发明授权、实用新型，且选择合并的专利申请号（优选授权公告版本），最终获取了71140条记录。

图1展示了日本AI相关专利申请的增长趋势和各来源国申请占比。自2016年起，专利申请量显著上升，2019—2021年年均申请量超过8000件，显示出持续增长的趋势。日本本国的申请量占据主导地位，占比基本稳定在70%左右。美国和中国的申请量分别位列第二和第三，占比分别保持在17%～27%和10%以内，反映了日本在AI领域的自主创新性和国际合作的广泛性。

通过对主要申请人的排名和授权专利申请人的排名进行分析，可以观察到日本本国申请人在AI专利申请方面的活跃态势。

如图2所示，富士通株式会社、株式会社日立产业机器、东芝国际公司等排名前10位的主要申请人不仅在申请量上表现突出，而且在技术产出和市场分布上也具有集中和广泛的特点。在排名前10位的主要申请人中，国际商业机器公司（IBM）是唯一的外国申请人。

日本企业在专利申请和专利授权方面竞争激烈。其中，富士通株式会社、株式会社日立产业机器、东芝国际公司、日本电信电话株式会社、日本电气株式会社的申请量均超过2000件，也表现出了积极的参与度。在专利分类IPC主分类-小类G06N领域，这些主要申请者均进行了大规模的专利布局，显示出该领域的重要性和竞争激烈程度；同时，这些申请者在G06T和G06F这两个IPC主分类-小类中的专利申请也呈现广泛分布的趋势。

图3展示了有效专利技术分布，G06F、G06N、G06T、G06Q、A61B、G05B是最主要的IPC主分类-小类，这些IPC主分类-小类主要与电数字数据处理，基于特定计算模型的计算机系统，一般的图像数据处理或产生，专门适用于行政、商业、金融、管理或监督的信息和通信技术，诊断、外科和鉴定，大模型处理的文本、图像、视频数据等息息相关，也与AI所应用的智能制造、智能家居、智能客服、智能交通、智能安防、智能医疗、智能物流、智能教育和智能司法等领域相关。特别是G06N分类下的专利申请，涉及有关AI的各种算法，其中机器学习（尤其是深度学习）发挥了主导作用。

IPC主分类-小类G06N表现出授权专利逐年上涨的趋势，IPC主分类-小类G06F、G06T的增长趋势同样值得关注，而其他IPC主分类-小类的每年授权专利数量相对稳定。其中，主要技术所涉及的IPC主分类-小类G06F处于失效状态的专利申请或专利的体量较大，且比处于有效状态的专利数量多。可见，在这个技术领域申请人既采取将专利申请作为竞争工具的储备式、对抗式布局，也采取主动寻求专利保护的保护式布局，相关技术迭代、发展较持久，权利终止、未缴年费、撤回、已过保护期的发明和实用新型也较多。

AI的应用领域非常广泛，涵盖了多个行业和方面。图4展示了专利技术交叉的情况，AI技术因其跨学科的特性，在多个领域如图像处理、医疗诊断、自然语言处理等中都有广泛应用，导致相关专利申请在不同技术分支之间产生交叉。G06F和G06N是较易与其他IPC主分类-小类存在交叉的类别，IPC主分类-小类G06F常与G06N、G06Q存在交叉，IPC主分类-小类G06N常与G06F、G06T存在交叉，IPC主分类-小类G06T常与G06N、G06V存在交叉，IPC主分类-小类G06Q常与G06F、G06N存在交叉。特别是IPC主分类-小类G06N，作为与AI基础算法相关的类别，在专利技术交叉中占据了重要地位。

专利申请或专利的被引用数量在一定程度上反映发明或实用新型的独创性和影响力。统计每个维度施引专利数的总和作为施引专利数量。如图5和图6所示，根据申请人被引用总量排名和不同技术被引用分析可以看出，专利申请或专利的独创性和影响力。排名前9位的主要申请人同时也是高频被引用的申请人，且施引专利国家/地区数量普遍在10个以上，可见，主要申请人的专利申请不仅在申请量上占据优势，同时被引用数量也能够显示其技术的影响力和认可度。值得注意的是，索尼集团公司虽然在专利申请总量、授权专利总量未进入前10名，但是在施引专利数量上位列第六，可见其申请量虽少但质量较高，在相关技术领域具有强劲的竞争力。

主要技术所涉及的IPC主分类-小类G06F、G06N、G06T、G06Q、A61B和G05B同样也是被高频引用的技术分支。IPC主分类-小类G01N、G05B和G10L的施引专利数量明显较高，说明这些领域包含技术研究热点。

在排名前10位的主要申请人中，富士通株式会社、三菱电机株式会社、日本电信电话株式会社、东芝国际公司、株式会社日立产业机器和日本电气株式会社这6位日本本国申请人之间相互引用频繁，形成紧密的技术关联网络。

从国际角度来看，AI技术的发展和专利申请在全球范围内加速。图7展示了不同来源国专利简单同族个数，反映了国际专利布局的广泛性和战略性。当美国、中国、欧洲专利局（EPO）、韩国、德国、英国、法国、印度和澳大利亚作为最早优先权国家/地区时，相关申请会进行广泛的专利布局，简单同族国家/地区数量会超过4个；相反的是，当日本作为最早优先权国家时，其简单同族国家/地区数量的数量却不超过2个。可见，来源于日本本国的申请通常在本土寻求保护，仅在有需要的2～3个国家/地区寻求保护。

图8展示了主要申请人简单同族国家/地区数量，排名前10位的主要申请人也是简单同族国家/地区数量排名前10位的申请人，可见这些主要申请人都有在海外进行广泛专利布局的意识。并且，作为外国申请人的国际商业机器公司在简单同族国家/地区数量这个指标上位居首位，展现了其专利申请少而精、海外广泛布局的策略。

综上所述，日本在AI专利布局方面具有前瞻性，其企业积极参与AI技术研发并注重知识产权保护。这表明日本在AI领域具有强大的技术实力和产业基础，其政策支持力度大，研发投入多，技术发展迅速，特别是在机器人技术领域处于世界领先地位。

JPO在审查AI领域的专利申请时，特别关注模型的透明度和可预测性。其通过发布审查指南和案例指引，明确审查标准，尤其是在训练数据的相关性和模型的可实现性方面。JPO还以漫画形式推出了涉及“AI与物联网技术”的审查指南，并通过增加与AI技术有关的审查案例提高审查的透明度和可预测性。这些措施有助于提高审查质量和效率，确保专利申请的充分公开和创造性。

虽然截至2024年9月AI相关技术的审查可以参照现有审查指南顺利进行，但考虑到AI技术的进一步发展，JPO认为有必要简化审查实践，并向所有技术领域的申请人展示易于理解的审查标准。

AI相关发明被JPO视为与软件相关的发明，并根据软件相关发明的审查方法进行审查。CNIPA则侧重于技术解决方案的审查，包括技术手段、技术问题和获得的技术效果。JPO和CNIPA都认为，AI相关发明必须是一项法定的“发明”，即不属于被日本或中国专利法排除授予专利权的主题。这涉及对发明的技术性评估。

JPO在2018年版的《审查指南》中强调了发明的定义，即“使用了自然规律的技术思想的高度创造”，提出了4点原则性要求：使用自然规律、技术思想、创造、高度。对于“使用了自然规律”，图8主要申请人简单同族国家/地区数量也给出了反例，包括仅揭示自然规律本身而未使用、违背自然规律、未使用规律等。在某些案例中，如果训练数据本身仅是信息的呈现，而不是与软件、硬件协同工作的一部分，则可能不符合可专利性。

在讨论专利申请的公开充分性时，JPO的专利法第36条第4款规定了申请文件应当清晰且充分，使本领域技术人员能够根据说明书、附图以及申请时的公知常识实施该发明，是日本专利法中关于公开充分性的具体法律依据。根据这一条款，专利申请必须公开充分，以便于他人能够实施该专利，其建议分层次地明确训练数据中多种类型数据之间的对应关系，并给出了证明数据之间存在相关关系的方式。

在公开充分性审查标准方面，JPO的规定强调了对大数据和AI领域专利申请的审查，需要考虑模型的网络结构、输入数据以及必要的训练数据和训练过程等。JPO通过提供明确的指导和示例，提高审查过程的透明度和可预测性，使申请人能够更好地准备和提交专利申请。

2.2.1　明确数据之间的相关关系及证明方式

JPO建议在专利申请中，应当分层次地明确训练数据中不同类型数据之间的关系。这意味着在涉及AI的专利申请中，需要详细描述用于训练模型的数据集，包括数据的类型、来源、处理方式以及它们相互关联的方式。

JPO提出，为了证明数据之间的相关性，申请人可通过4种不同的方式或证据展示数据之间的联系，包括统计分析、数据可视化、案例研究或其他科学方法。

2.2.2　技术细节的披露

在AI领域，技术细节的披露尤为重要，因为其涉及算法、数据处理和模型训练等多个方面。JPO强调了在申请中披露这些技术细节的重要性。

JPO强调，为了满足专利法的“实现要求”，申请人需要在申请文件中提供足够的信息，以确保本领域技术人员能够根据公开的内容使用该技术。

JPO的审查指南提供了具体的指导和示例，对于涉及AI的相关申请的“黑盒”操作，如果本领域的技术人员无法根据现有技术预测发明能够实现所声称的技术效果，则申请人应当提供足以证明发明的技术方案可以实现预期效果的定性或者定量实验数据，基于实验数据支撑和结果验证，确保发明的技术方案达到公开充分的要求，帮助申请人理解如何在专利申请中满足公开充分性的要求，尤其是在涉及AI和机器学习的情况下。

在实际的审查过程中，JPO的审查员会根据上述要求和指南评估专利申请的公开充分性，确保申请人提供了足够的信息，以供他人使用该技术。

通过上述信息，可以理解JPO在审查涉及AI的专利申请时，特别强调数据的透明度和相关性的证明，以及技术细节的充分披露。这些要求有助于确保专利申请的公开性，使得其他技术人员能够理解和使用技术。

JPO在讨论创造性标准时，需考虑JPO专利法第29条（AI发明创造性判断适用的一般原则规定了如果在专利申请提交之前，本领域的普通技术人员能够基于已知技术轻易地实现该发明，则该发明不具备创造性），并根据审查指南提供的示例，讨论涉及AI相关专利申请是否满足创造性要求的考虑因素。

2.3.1　创造性判断的一般原则

JPO在判断AI专利的创造性时，适用的是一般原则，即专利申请需要满足一定的创造性标准，才能被认为是可授权的。

JPO的审查指南中提供了一些示例，明确了在审查AI相关专利申请时，如何判断其是否满足创造性的要求。这些示例包括对现有技术的改进、技术问题的新解决方案等。

2.3.2　创造性判断的考虑因素

JPO给出的案例反映了涉及AI相关专利申请是否满足创造性要求的考虑因素，通常创造性判断会考虑以下两个方面：一是非显而易见性。对于本领域的技术人员而言，要考虑发明是否显而易见，即是否需要创造性的步骤或思考才能达到。二是技术进步。要考虑发明是否提供了技术上的改进或进步。

2.3.3　AI领域的特殊性

由于AI领域的快速发展和其技术的特殊性，JPO可能还会考虑发明是否在AI领域内提供了新的技术见解或解决了特定的技术难题，具体体现在以下几个方面：

（1）发明必须展示出创造性，不是已知技术的简单应用，而应是提供新的技术解决方案或改进。

（2）对于将特定领域的计算机技术应用到其他领域的情况，如果这种应用仅仅是将已知的技术从一个领域转移到另一个领域，而没有其他技术特征，并且预期的效果没有超出现有技术水平，那么它可能被视为不具有进步性。针对这种情况，需要评估技术领域的相关性、功能的共通性、技术条件的设定和预期效果。具体而言，需要评估所讨论的技术是否在不同的领域中具有相关性，确定所应用的技术是否具有共通的功能或作用，考虑在应用过程中是否引入了新的技术条件或参数，评估应用该技术是否产生了超出现有技术水平的显著效果。如果计算机技术的应用在特定领域中是常规的，那么将其应用于其他领域可能不会自动产生进步性。如果预期效果可以从现有技术水平中预测出来，同样也不足以证明其具有技术进步性。

（3）对于将人类在特定领域中的业务或方法系统化的情况，如果这种系统化是使用常规的系统分析和设计方法，那么相关技术就被视为发明者的正常创造能力范围内。而如果增加了新特性则会被认为其具有创造性。

JPO在实际审查过程中，会根据上述原则和考虑因素，结合具体的专利申请内容，对其进行创造性评估。JPO通过更新审查指南，以适应AI技术的发展，确保审查标准与时俱进，同时也为申请人和审查员提供更清晰的指导。

对于AI领域，进步性可能体现在算法的创新、数据处理方法的改进、模型性能的提升等方面。值得注意的是，在创造性评估过程中，JPO不考虑技术特征和非技术特征之间的区别，而CNIPA则会考虑算法特征或商业规则和方法的特征与技术特征之间的相互作用关系。

中国专利法的《专利审查指南》中出现了“本领域技术人员”的概念，这是一个拟制的概念。判断要求保护的发明是否显而易见时，需要站在本领域技术人员的角度，以最接近的现有技术和发明实际解决的技术问题为出发点，从整体上判断现有技术中是否存在该区别特征以及将该区别特征用于最接近的现有技术解决该技术问题的技术启示。

AI技术本身是一个多学科融合技术，其常与其他技术相结合，如物联网、大数据等。随着AI技术的应用场景不断拓宽，相关专利申请中的技术方案既涉及AI技术本身，又涉及新应用场景的技术，对“本领域技术人员”的知识储备提出了更高的要求，要求其既具有AI领域的现有技术知识和常规实验能力，又要具备所在应用场景的现有技术知识和常规实验能力。

日本的审查指南中规定，本领域技术人员是一个假想的人，在某些情况下，将其想象为多个领域的一队专家而不是单独的一个人。据此，在审查“AI+其他技术”的专利申请时，本领域技术人员可以是“一组人”或者“一队人”。因此，中国进行专利审查时可以借鉴相关经验，审查员通过学习成为复合领域技术人才，或者构建多名审查员组成的“本领域技术人员小组”开展联合审查。

当前，CNIPA发明和实用新型专利分类工作主要采用两种分类体系：国际专利分类体系（IPC）和合作专利分类体系（CPC）。现有的IPC、CPC分类虽然可以在一定程度上反映交叉学科应用，但随着AI的普及，出现的新领域如智能制造、智能家居、智能客服、智能交通、智能安防、智能医疗、智能物流、智能教育、智能司法等会在横向、纵向上都加深各个原始学科和AI技术的交叉范围和深度，所以有必要考虑更加健全合理的分类方式，方便专利申请定位、专利分类以及专利审查员的检索和审查。

《中华人民共和国专利法》要求专利申请的描述应当足够清楚和完整，以使本领域技术人员能够根据该描述实施该发明或实用新型。专利申请中的描述应该详细到本领域技术人员能够理解发明的所有方面，包括其构造、操作和最佳实施方式。AI发明通常涉及数据源、数据处理和机器学习模型。因此，说明书需要包括数据集的来源和特征、AI模型的结构、模型的训练过程、输入输出数据、算法的详细步骤、验证和测试等，确保发明或实用新型可以被实现。对于基于机器学习的AI发明，训练数据的详细描述至关重要。专利申请人需要说明数据的来源、类型、规模，以及如何与发明的目的相关联。说明书中应包含足够的信息，使本领域技术人员能够理解模型的工作原理，包括：模型架构、具体算法步骤、训练过程和任何关键的参数设置。专利申请人需要提供实验结果和模型性能的验证，包括：准确率、召回率或其他相关指标的度量。

如果专利申请中没有提供足够的信息证明训练数据中各项数据之间的相关性、AI预测结果的准确性，或者没有实验验证结果，则会违反描述要求和支持要求。

在AI相关的发明中，训练数据的选择和使用对于模型的预测能力和准确性至关重要，专利审查员审查时需要关注训练数据与发明技术特征的相关性。AI模型存在很多“黑盒”问题，因此，可以参考化学领域补充实验数据的思想，对涉及AI的技术方案补充实验数据或试验结果，或者根据数据分析和统计方法，如相关性分析、回归分析等，要求申请人利用线性相关系数R、皮尔逊相关系数（Pearson correlation coefficient）、斯皮尔曼等级相关系数（Spearman’s rank correlation coefficient）或肯德尔等级相关系数（Kendall’s tau coefficient）、互信息等线性或非线性的相关性度量等证明涉及AI算法控制的输入、输出参数的相关性，并使用交叉验证、A/B测试等方法测试模型的预测能力。通过这些方法评估输入和输出之间的相关性。否则本没有实际关系的参数也可以借助AI模型人为地强行建立关系，如经典案例“含糖量估算系统”，即使考虑申请时的公知技术常识，本领域技术人员也不能推定出某人的面部图像与此人生产的蔬菜含糖量之间的相关性，据此驳回了有关专利申请。在AI相关发明中，需要通过专利申请描述中的详细信息、实验结果以及对相关性的解释满足可实施性要求。如果描述不够充分，则可能会导致专利申请被驳回。

参考JPO的实践，使用AI分析专利文献，识别相关的先前技术，以及辅助专利审查员做出更加准确的审查决定。利用AI加强专利分类、翻译、审查及咨询功能，还可以扩展应用到非正常申请排查、不符合《中华人民共和国专利法》第五条规定的专利申请的辅助识别、不属于《中华人民共和国专利法》授权客体的专利申请的辅助识别、高价值专利的辅助识别等。专利数据库中包含了一批核心技术，可以通过多信息源和AI辅助的方法识别和监测关键核心技术，并将这些方法应用于实际的科技创新和产业领域。

中日AI领域的合作与交流有助于促进技术进步和产业发展，并推动两国AI技术的共同进步。关注日本AI专利发展趋势，有助于了解全球AI技术发展动向，并制定相应的应对策略。借鉴日本在AI专利分类体系方面的经验，有助于完善中国的专利分类体系，提高检索效率和准确度。总而言之，日本在AI领域具有强大的实力和潜力，其政策和技术分类体系均值得学习和借鉴。通过加强合作与交流，可以共同推动AI技术的发展，并为其应用创造更广阔的空间。

作者：黄彰（国家知识产权局专利局专利审查协作广东中心，广州　510535）

来源：《全球科技经济瞭望》 2024年11-12月第39卷 第11-12期

文章观点不代表主办机构立场。