︿
Top

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

瀏覽次數:2764| 歡迎推文: facebook twitter wechat Linked

科技產業資訊室(iKnow) - 陳家駿 發表於 2024年7月11日
facebook twitter wechat twitter

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:


 
歡迎來粉絲團按讚!
--------------------------------------------------------------------------------------------------------------------------------------------
【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。