この記事のポイント
AI・機械学習分野の特許戦略を解説。学習済みモデル、トレーニングデータ、推論アルゴリズムの特許適格性から、効果的な出願戦略、各国の審査基準の違いまで網羅します。
はじめに
AI・機械学習技術の急速な進歩に伴い、この分野の特許出願は年々増加しています。しかし、「AIモデルそのものは特許で保護できるのか」「学習データの権利はどうなるのか」といった疑問を持つ企業も多いのが現状です。本記事では、AI関連技術を知財で守るための戦略を体系的に解説します。
AI特許の適格性 — 何が特許になるのか
特許対象となるAI技術
日本の特許法では、「自然法則を利用した技術的思想の創作」が特許の対象です。AI関連では以下が特許対象となり得ます。
| カテゴリ | 特許対象の例 | 注意点 |
|---|---|---|
| 学習アルゴリズム | 新規なニューラルネットワーク構造 | 数学的手法のみは対象外 |
| 学習済みモデル | 特定課題に最適化されたパラメータ構成 | 技術的意義の明確化が必要 |
| 前処理・後処理 | データ拡張手法、推論結果のフィルタリング | 技術的貢献の記載が重要 |
| システム構成 | エッジAI推論装置、分散学習システム | ハードウェアとの連携が有利 |
特許にならないもの
- 純粋な数学的アルゴリズム（技術的課題との結びつきがない場合）
- 抽象的なビジネス方法
- 学習データそのもの（著作権法の領域）
効果的な出願戦略
クレームの書き方
AI特許で権利範囲を広げるには、アルゴリズムの本質を抽象化しつつ、技術的課題との関連を明確にすることが重要です。
推奨されるクレーム構成:
- 装置クレーム: 学習部、推論部、出力部を機能的に記載
- 方法クレーム: 学習ステップ、推論ステップを工程として記載
- プログラムクレーム: コンピュータに実行させる処理として記載
明細書の記載ポイント
- 技術的課題: 従来技術の問題点（精度不足、処理速度等）を具体的に記載
- 技術的効果: 定量的なベンチマーク結果を含める
- 実施例: 複数のネットワーク構成やパラメータ範囲を記載し権利範囲を確保
各国の審査基準の違い
日本（JPO）
特許庁は2024年に「AI関連技術に関する審査事例」を更新し、生成AIに関する事例も追加しました。ソフトウェア関連発明として、ハードウェア資源との協働が求められます。
米国（USPTO）
Alice判決以降、抽象的アイデアに該当するかの2段階テストが適用されます。技術的改善（“something more”）を明確に示す必要があります。
欧州（EPO）
「技術的効果」の有無が重視されます。AIモデル自体は数学的手法として扱われるため、具体的な技術分野への適用を明示することが必要です。
生成AI時代の新たな論点
生成AIと発明者適格性
AIが自律的に生成した発明について、現行法では自然人のみが発明者として認められます。DABUS判決（2023年）により、AIを発明者とする出願は主要国で却下されています。ただし、AIを「ツール」として活用した場合は、操作者が発明者となり得ます。
学習データの権利処理
学習データに第三者の特許技術が含まれる場合、モデルの出力が権利侵害となるリスクがあります。データガバナンスの整備が特許戦略の前提条件です。
実務チェックリスト
AI関連特許の出願前に確認すべき事項を以下にまとめます。
| チェック項目 | 確認ポイント |
|---|---|
| 技術的課題の特定 | 従来技術との差異は明確か |
| アルゴリズムの新規性 | 公知の手法との違いを説明できるか |
| 実験データの準備 | 定量的な効果を示す比較データがあるか |
| クレーム戦略 | 装置・方法・プログラムの多面出願か |
| 外国出願の要否 | 主要市場での権利化が必要か |
まとめ
AI・機械学習の特許戦略では、技術的課題と効果を明確に示すことが最も重要です。純粋なアルゴリズムではなく、具体的な技術課題を解決する「システム」として出願することで、権利化の可能性が高まります。生成AI時代の新たな論点も踏まえ、包括的な知財戦略を構築しましょう。