生成式AI創造專利 系列二 USPTO就生成式AI發明人資格認定之二個範例
科技產業資訊室(iKnow) - 陳家駿 發表於 2024年7月11日
圖、生成式AI創造專利 系列二 USPTO就生成式AI發明人資格認定之二個範例
自從生成式AI席卷全球以來，各機構、企業和個人都競相使用，在科技業界兵家必爭的專利領域中，生成式AI扮演了重要的角色。然而，隨之而來的問題是，過去人類智慧創造出進步的技術獲取專利，但在生成式AI的輔助下，這種情況發生變化。
儘管人類的智慧依然具優勢，生成式AI的輔助，讓人類的創造力如虎添翼。但，如何認定使用生成式AI的發明，達到專利申請所需的創新高度，且這些創新是基於人類智慧的結果，這在使用生成式AI的中形成一個灰色領域。
美國專利商標局(USPTO)於2024年2月，為此特制定「AI輔助發明之發明人資格指引」（Inventorship guidance for AI-assisted inventions，下稱指引）請參考「AI專利之主體要件 – USPTO就AI發明人身分之實務指引」。針對下指令提示給AI產出結果，究竟什麼樣的情況下可被視為是人類的智慧貢獻，而非僅單純的AI運作，這二者之間的分際如何劃分，對專利審查的態度和政策提出挑戰。以下先就指引之基本原則，簡介USPTO對此問題的釐清，並詳述其所舉二個生成式AI的範例，供業界參考。
USPTO指引包括：
- AI輔助發明，並不會在類別上歸屬於不當發明人，而無法取得專利。
- 發明人分析的重點在於人類的貢獻，特別是實質貢獻（Pannu因素）。
- 指引中提出五項指導原則，以應用Pannu因素。
- 該指引適用於實務上專利、植物專利和設計專利及其申請。
- 提供二個範例說明指引在實務上的應用。
AI輔助發明並非在類別上，屬於不得被授予專利：
- AI輔助發明的專利申請和專利，必須將對發明有實質或重大貢獻（以下稱實質貢獻）的自然人，命名為發明人或共同發明人（即符合Pannu因素）。該自然人使用AI系統或其他先進工具，並不妨礙該自然人有資格成為發明人（或共同發明人），只要該自然人對所請求的發明有實質貢獻。
- 專利申請和專利之中，不得將任何非自然人列為發明人或共同發明人，即使該AI系統在所請求的發明創造中，發揮了極為重要的作用。
實質貢獻之認定
根據指引，每位列名的發明人必須滿足以下三個Pannu因素(Pannu Factors)：
- 必須在某程度上顯著的方式(in some significant manner)，對發明的構思或付諸實施做出實質貢獻(significant contribution)；
- 當衡量這些貢獻與整個發明規模中的重要性相比時，對所請求發明做出的貢獻，在品質上非屬於不微不足道(insignificant in quality)；
- 不僅僅是向真正的發明人，解釋已知的概念或當前的技術狀況(current state of the art)。
如果未能滿足上述任何一個因素，該人將無法被命名為發明人或共同發明人。應注意的是，Pannu因素分析的重點是自然人所做出的貢獻；而即使共同發明人，沒有做出相同種類或數量的貢獻，或者沒有對專利申請每個請求項之標的做出貢獻，其仍可共同申請專利。
三個Pannu因素概念
針對上述三個Pannu因素，USPTO進而衍生以下概念：
第一個Pannu因素 - 構思(conception)：
發明人必須對「完整且可操作的發明的明確和持久性的想法概念，及其隨後的應用實施」，做出實質貢獻。而對於發明之構思，應分析側重於自然人的想法貢獻；若僅僅實現由他人構思的發明，也不足以構成發明人資格。在參考第一個Pannu因素，其「付諸實施」，只是對「同時構思和付諸實施原則」(doctrine of simultaneous conception and reduction to practice)的承認，這在不可預測的技術領域中是相關的。
第二個Pannu因素 – 貢獻的品質：
每位被列名的發明人對其申請發明所做的貢獻，在品質上必須不是微不足道的，這一貢獻相對於完整發明的維度來衡量。例如，向AI系統提供常規或預期的輸入，可能是具有該技術領域普通技術人員(one skilled in the art)之一般技能的體現，但在品質上被認為是微不足道的。
第三個Pannu因素 – 僅僅解釋現有技術狀況：
發明人必須做的，不僅僅是向真正發明人，解釋眾所周知的概念或現有技術狀況。例如，發明人僅僅是諮詢專家討論現有技術狀況，但他們本身並未參與發明創造過程，則可能不符合這一因素的要求。
Pannu因素其他考量
- 應用Pannu因素，來決定自然人是否對AI協助的發明做出實質貢獻，必須基於逐項請求和個案分析(claim-by-claim and case-by-case basis)。
- 當一個人使用AI系統來創造發明時，該人必須對每一請求項做出實質貢獻。
- 被列名的共同發明人不需對每一請求項做出貢獻，只要對單一請求有貢獻就足夠；但是每一請求項必須至少有一位自然人作為發明人。
- 每位發明人必須對發明的構思做出實質貢獻，並且至少有一位發明人必須具有認識和理解。
USPTO五項指導原則
USPTO共列出五項指導原則(GP：Guiding Principles)如下：
GP1: 自然人使用 AI 系統來創造AI輔助的發明，並不會否定其作為發明人的貢獻。
GP2: 僅僅認識到問題或擁有總體目標或追求的研究計劃，不足以達到構思的水平。
- 僅僅向AI系統提出問題的自然人，可能不適合成為從AI系統輸出中識別出來之發明的發明人或共同發明人。
- 然而，如果自然人針對特定問題，建構提示以引出AI系統得到特定解決方案，則可能顯示出實質貢獻。
GP3: 僅僅將一項發明付諸實施本身，不足以達到發明人資格的實質貢獻水平
- 僅僅識別和理解AI系統輸出作為發明的自然人，特別是當輸出的屬性和用途，對普通技術人員來說是顯而易見時，則不一定是發明人。
- 然而，如果某人獲取AI系統的輸出，並就該輸出有實質貢獻以創造出發明，則可能是合適的發明人。
GP4: 自然人如果開發出一個基本構建構(essential building block)，而由該建構衍生出其申請保護的發明，則即使該人在構思導致該發明的每一個活動中沒有出席或參與，仍然可能被認為對該發明的構思做出實質貢獻。在某些情況下，自然人設計、建構或訓練AI系統以得出特定問題的解決方案，該人可被視為是發明人，只要其設計、建構或訓練是以AI系統創造出發明的一個實質貢獻。
GP5: 保持對AI系統的「智力支配」(intellectual domination)本身，並不能使一個人成為透過使用該AI系統創造任何發明之發明人。一個僅僅擁有或監督用於發明創造AI系統的人，如果沒有對該發明的構思提供實質貢獻，並不能使該人為發明人。
USPTO針對發明人資格認定之範例
USPTO發布二個虛擬之範例，為該指引的應用提供業界實際之參考協助，一項是用於遙控汽車的變速驅動軸(Transaxle for remote control car)；另一項是開發用於治療癌症的治療化合物(Developing a Therapeutic Compound for Treating Cancer)，以下茲予以介紹。
範例 1：遙控汽車的變速驅動軸
範例 1 - 場景 1
Ruth與Morgan係XYZ公司的工程師，下指令給該公司的AI系統(Puerto5)，就遙控汽車得出一變速驅動軸的初步設計。他們所下的指令提示為：「為模型車之變速驅動軸創造一個原創設計，包括變速驅動軸之示意圖和說明書」。
Ruth和Morgan審閱Puerto5的輸出，其構成包括一項變速驅動軸之初步設計，由一個殼體、一個可拆卸安裝在殼體內傳動裝置並由緊固件固定，以及從外殼延伸出的車軸。初步設計之殼體，由二個可沿垂直平面分離的元件組成。Ruth和Morgan審閱AI輸出，認為該設計應適合用於其遙控汽車，然後將其申請專利。
其撰擬之專利申請的請求項1記載：
一種變速驅動軸，組成包括：由該變速驅動軸的二個可分離的殼體元件；該變速箱上的緊固件，將變速箱可拆卸安裝到該可分離殼體元件之一。
- 一個殼體；
- 一個傳動裝置；
- 該傳動裝置與該殼體分離，並可拆卸安裝在該殼體內；
- 從該殼體延伸車軸；
- 該殼體由二個可分離的該傳動軸之殼體元件所定義；
- 以及一個安裝在該傳動裝置上的緊固件，可將傳動裝置拆卸安裝在其中一個該可分離的殼體元件上。
Ruth和Morgan是否係所申請發明之適當的共同發明人？
Pannu因素分析(Pannu Factor Analysis)
第一個Pannu因素 -- 如上圖所示，Ruth和Morgan的貢獻在第一個Pannu因素下，都不被認為是對所申請發明構思有實質貢獻。至少在第一個Pannu因素下，發明人資格分析不通過。因此，Ruth和Morgan不是請求項1的適當共同發明人。
範例 1 - 場景 2
Morgan使用Puerto5的製作，建構請求項1中的變速驅動器，具體步驟如下：
- 完全按照原圖進行操作，沒有更改設計。
- 選用鋼材這種在遙控車產業中常用的材料，用來製造變速器。
請求項2的內容如下：請求項1中的變速器，其中殼體由鋼製成。
Ruth和Morgan是否係所申請發明之適當的共同發明人？
請求項2依賴於請求項1，並且包含請求項1的所有限定。
Pannu因素分析
第一個Pannu因素
如上圖所示，在第一個Pannu因素下，Ruth和Morgan的貢獻，均不被認為對申請保護發明的構思具有重大貢獻。
第二個Pannu因素
如上圖所示，選擇一種眾所周知的材料，相較於整體發明來說，這是一個無關緊要的貢獻。
發明人資格分析，至少在第一和第二個Pannu因素都失敗。因此，Ruth和Morgan不是請求項2的適當的共同發明人。
範例 1 - 場景 3
Ruth和Morgan下指令給Puerto5，要求其提供替代的傳動軸設計：
- Puerto5輸出一個替代設計，其外殼可沿水平（而不是垂直）平面分離。
- Ruth和Morgan對這個替代設計進行實驗，並創造一個新的不同設計。
- Morgan進一步為這個新設計設計一個夾式緊固件。
該申請之請求項3為：
一種傳動軸變速驅動軸，包含：
- 一個細長的外殼；
- 一個傳動裝置；
- 該傳動裝置與該殼體分離，並可拆卸安裝在該外殼下部三分之二處；
- 從該外殼下部三分之二處延伸出車軸；
- 該殼體由二個可分離的殼體元件定義，其中殼體元件的分離沿著與車軸平行的水平面；
- 其中該殼體元件在該殼體上部三分之一處可分離；
- 以及一個安裝在傳動裝置上的夾式緊固件，其將傳動裝置可拆卸地安裝到該可分離的殼體元件上。
Pannu因素分析
第一個Pannu因素
• 如上圖所示，新的設計和夾式緊固件是對所申請保護發明的重大貢獻。
第二個Pannu因素
• Ruth和Morgan對整體想法的實驗，產生具體之夾式緊固件的安排和設計，這些是所申請發明不可缺少的組成元件。
第三個Pannu因素
• 其貢獻不是解釋現有技術或眾所周知概念的結果。
由於Ruth和Morgan的貢獻，滿足所有三個Pannu因素，因此Ruth和Morgan是請求項3的適當發明人。
範例 2：開發治療癌症的治療化合物(Therapeutic Compound)
對於生命科學領域的創新者而言，實施AI和機器學習是一項重要而極具價值的策略。例如，可訓練和部署機器學習模型，以更有效地識別標靶蛋白質的結合(binders to target proteins)或設計新藥或療法(therapeutics)治療。範例2描述二種使用AI的生命科學研發場景。
範例 2，場景 1
Marisa教授研究開發一種治療前列腺癌藥物的場景。為了識別出選擇性靶向特定蛋白質(selectively target a specific protein)的先導藥化合物(lead drug compounds)，Marisa諮詢AI專家Raghu，並指示其使用名為藥物靶標相互作用預測器(DTIP: Drug Target Interaction Predictor)，而此DTIP係以深度神經網路(DNN: deep neural network)為基礎的預測模型，在一個大量化合物數據集中來尋找可行的候選藥物。DTIP預測模型係一種「即用型」(ready-to-use)模型，用於預測「藥物-標靶配對」(drug-target pairs)之間親和力連結(binding affinity)。DNN預測輸入化合物對特定受體（突變雄性激素受體蛋白mutated androgen receptor protein）的結合親和力，具有最高親和力的化合物(CID_1)，予以合成並進行修改以提高選擇性(CID_1-mod)。
資料科學家Lauren，針對來自先前實驗中的多組不同化合物和標靶，對DTIP進行訓練，Marisa選擇顯示出具有高療效潛力的輸出化合物。Marisa和博士後研究員Naz透過實驗，識別出對所選定化合物之一CID_1的潛在結構修改。Naz準備CID_1的中間體(prepares intermediates to CID_1)，發現CID_1-int比其他中間體更穩定。Marisa隨後發現，由CID_1-int合成的化合物CID_1-mod，表現出更高的療效。彼等嗣後申請專利並於請求項1中，涵蓋使用DNN識別、合成並修改一項先導藥化合物的方法，該方法包括輸入DNN模型並修改輸出，而請求項2涵蓋CID_1-mod的結構式(structural formula)。
這種情況根據原則2、3和5，Marisa和Naz是這二項發明的發明人，而Raghu和Lauren則否。以下表格整理以上提出的場景及相對應之重點。
| USPTO範例 |
發明人資格結論 |
重點 |
| Lauren從先前藥物-標靶實驗中，對多種不同組的化合物和標靶，訓練深度神經網路(DNN)模型。Lauren在設計模型時並未考慮到具體問題，Lauren並維護該DNN模型。 |
Lauren並不是所請求保護之識別和合成先導藥化合物方法的發明人，也不是所要求保護的CID_1-mod組合的發明人。 |
建立一般的AI/機器學習模型且維護該模型，對解決一特定問題（例如，突變雄性激素受體蛋白結合的發明，並沒有實質貢獻。 |
| Raghu使用「即用型」DNN模型，來預測與突變受體具有高結合親和力的藥物化合物。為了使用DNN模型，Raghu輸入一個標靶受體(target receptor)和幾種候選藥物。DNN輸出一個代表每種藥物對受體之結合親和力的數值。Raghu依降序對DNN模型的輸出進行排序。 |
Raghu並不是所請求保護之識別和合成先導藥化合物方法的發明人，也不是所請求保護CID_1-mod組合的發明人。 |
採用現成的AI/機器學習模型，並將其應用於解決某個問題，可能不足以構成發明人的實質貢獻。 |
| Marisa和Naz合成由DNN預測之具有最高親和力的化合物。他們進一步進行結構修改以增加結合選擇性，創造出一種新型治療藥物化合物CID_1-mod。 |
Marisa和Naz是所請求保護方法的共同發明人，可識別、合成和修改先導藥化合物。
Marisa和Naz是所申請保護的CID_1-mod的共同發明人。 |
修改現成的AI/機器學習模型的輸出，可能會對建立發明人資格做出實質貢獻。 |
範例 2，場景 2
在場景2中，Marisa希望找到一種具有良好親和力連結(binding affinity)以及其他特性的化合物：而Raghu為此種特定目的，因此開發和建構一項新的基於生成神經網路(generative neural network-based)的AI系統，稱為分子優化器(MO: Molecular Optimizer)，這二人識別出先前的AI模型預測的藥物問題，設計MO以尋找特殊解決方案，該MO系統會考量特定的所需屬性(desirable properties)來創造新分子，這些屬性包含潛在治療化合物的五種特定需求：吸收、散布、代謝、排泄和毒性(ADMET: absorption, distribution, metabolism, excretion, and toxicity)[1]，並在與所需分析相關的特定數據集上訓練和微調MO。
Raghu和Marisa透過反覆的過程訓練MO，預測輸入化合物的潛在結構修改，從而優化所需特性。微調完成後，Raghu將從DTIP中選擇的化合物輸入MO，再由MO輸出修改後的化合物，最終由Marisa確定MID_1是最可行的候選藥物。這二位使用DNN模型來識別初始候選藥物，然後透過MO餵進經過DNN識別的候選藥，創造一種修改結構式的化合物MID_1，該化合物能滿足所需要的ADMET屬性，然後對該MID_1提出專利申請。
以下表格整理以上所提出的場景及相對應之重點。此場景根據《指引》原則1和4，Raghu和Marisa是發明人。(5520字；圖4)
| USPTO範例 |
發明人資格 |
重點 |
| Raghu開發分子優化器(MO)，並在特定數據集上進行訓練。Marisa識別出確定用於訓練MO的藥物化合物的理想特性。Raghu和Marisa的貢獻導致MO的創建，該系統克服了先前程序中的特定問題。MO進而優化藥物化合物結構，並預測一種新穎的化合物MID_1。 |
Raghu和Marisa都是新穎化合物MID_1所請求保護組合的發明人。 |
一個人建構和訓練一項新的AI/機器學習模型，來解決特定問題時，可能會產生發明人資格所需要的實質貢獻。
同時認識和理解一項AI的發明，可能會成就發明構思。 |
作者資訊：
陳家駿律師 台灣資訊智慧財產權協會理事長
註解：
--------------------------------------------------------------------------------------------------------------------------------------------
【聲明】
1.科技產業資訊室刊載此文不代表同意其說法或描述，僅為提供更多訊息，也不構成任何投資建議。
2.著作權所有，非經本網站書面授權同意不得將本文以任何形式修改、複製、儲存、傳播或轉載，本中心保留一切法律追訴權利。
|