この記事のポイント
Google Patents BigQueryデータに基づくAI特許（IPC: G06N）の引用ネットワーク分析。ニューラルネットワーク、機械学習、深層学習の日本特許を網羅し、被引用回数の高い注目特許を特定。
AI・機械学習分野は特許出願の最大の成長分野（年+15%、2025年予測21,300件）です。しかし、出願件数だけでは「どの技術が本当に重要か」は分かりません。
本記事では、Google Patents BigQueryから取得したAI特許（IPC: G06N）の引用ネットワークデータを分析し、日本のAI特許における技術トレンドと注目特許を解説します。
AI特許のIPC分類体系
AI関連特許は主にIPC分類のG06N（特定の計算モデルに基づくコンピュータシステム） に分類されます。
| IPC分類 | 技術分野 | 概要 |
|---|---|---|
| G06N3/02 | ニューラルネットワーク | 構造・アーキテクチャに関する発明 |
| G06N3/08 | 学習方法 | 訓練アルゴリズム・最適化手法 |
| G06N20/00 | 機械学習全般 | 教師あり/なし学習、強化学習等 |
| G06N5/ | 知識ベースシステム | エキスパートシステム、推論エンジン |
| G06N7/ | 確率的モデル | ベイズ推論、マルコフモデル等 |
引用ネットワーク分析の手法
分析対象
- データソース: Google Patents BigQuery
- IPC分類: G06N%（AI・機械学習全般）
- 対象国: 日本（JP）
- 登録日: 2020年1月1日以降
分析手法
特許間の引用関係を「ノード（特許）」と「エッジ（引用関係）」で構成するネットワークとして分析します。
- citing（引用する側）: 新しい特許が先行技術として参照
- cited（引用される側）: 被引用回数が多いほど「基盤技術」としての重要度が高い
注目すべき日本のAI特許
BigQueryデータから特定された、注目度の高い日本のAI特許を紹介します。
仮想世界での体験学習（JP-7553266-B2）
| 項目 | 内容 |
|---|---|
| 特許番号 | JP-7553266-B2 |
| IPC分類 | G06N3/02 |
| 出願日 | 2020年5月1日 |
| 登録日 | 2024年9月18日 |
ニューラルネットワークのアーキテクチャに関する特許で、仮想環境内での体験学習（シミュレーション学習）に関する発明です。
機械学習プログラム・方法・装置（JP-7568085-B2）
| 項目 | 内容 |
|---|---|
| 特許番号 | JP-7568085-B2 |
| IPC分類 | G06N20/00 |
| 出願日 | 2021年6月2日 |
| 登録日 | 2024年10月16日 |
機械学習の汎用的なプログラムおよび方法に関する特許です。
学習装置・学習方法（JP-7564492-B2）
| 項目 | 内容 |
|---|---|
| 特許番号 | JP-7564492-B2 |
| IPC分類 | G06N3/08 |
| 出願日 | 2021年5月14日 |
| 登録日 | 2024年10月9日 |
深層学習の学習方法に関する特許で、学習効率の改善に焦点を当てた発明です。
日本のAI特許の特徴
応用重視の出願傾向
日本のAI特許は、GAFAMのような基礎的なアルゴリズム特許よりも、「学習装置」「推論方法」「データ処理」といった実用化を見据えた発明が多い傾向があります。
被引用特許の傾向
引用ネットワーク上で被引用回数が多い（＝基盤技術として重要な）特許は、以下のような特徴を持っています。
- 2018〜2020年の出願が多い: この時期の出願が「基盤技術」として後続の出願に引用される
- 国際出願（PCT経由）が目立つ: JP-WO-形式の特許番号が被引用側に多い
- 米国由来の特許も引用される: JP-US-形式で、米国出願の日本語翻訳版も引用対象
引用分析から見る今後のトレンド
成長が見込まれるサブ分野
- G06N3/02（ニューラルネットワーク）: Transformer系アーキテクチャの日本出願が急増
- G06N20/00（機械学習全般）: AutoML、説明可能AI（XAI）関連
- G06N3/08（学習方法）: 少量データ学習、転移学習の効率化
出願戦略への示唆
- 先行技術調査: G06N分類の被引用特許を重点的に調査し、自社技術との差別化ポイントを明確に
- クレーム設計: 基盤技術特許を引用しつつ、具体的な実装方法で差別化
- タイミング: AI分野は競争が激しいため、出願のスピードが重要
注意点
IPC分類の限界
AI技術は横断的な性質を持つため、G06N以外のIPC分類（G06F、G06T、H04Lなど）にもAI関連特許が含まれています。網羅的な分析には複数の分類を横断的に調査する必要があります。
被引用回数の解釈
被引用回数は「重要度」の1つの指標ですが、審査官による強制引用も含まれるため、必ずしも技術的な影響力の大きさを正確に反映するわけではありません。
出願人情報の制約
BigQueryデータでは出願人が「Unknown」となるケースが多く、企業分析には限界があります。J-PlatPatで個別に確認することを推奨します。
比較：日本 vs グローバルのAI特許動向
| 項目 | 日本 | 米国 | 中国 |
|---|---|---|---|
| AI特許出願数（2025予測） | 約21,300件 | 約50,000件 | 約80,000件 |
| 特徴 | 応用・実装重視 | 基礎アルゴリズム | 量的拡大 |
| 主なIPC | G06N20/00 | G06N3/02 | G06N3/ |
よくある質問（FAQ）
Q. AI特許のIPC分類は何ですか？
主にG06N分類です。G06N3/02（ニューラルネットワーク）、G06N20/00（機械学習）、G06N3/08（学習方法）が代表的です。
Q. 引用ネットワーク分析とは何ですか？
特許間の引用関係をネットワークとして可視化・分析する手法です。被引用回数が多い特許は基盤技術として重要です。
Q. 日本のAI特許で注目すべき技術分野は？
仮想世界体験学習、機械学習プログラム効率化、学習方法の改善が注目分野です。
Q. AI特許の出願件数はどのくらいですか？
2025年予測で約21,300件、前年比+15%です。
Q. 引用分析の結果をビジネスにどう活かせますか？
出願戦略の立案、ライセンス交渉、回避設計の検討、共同研究パートナーの特定に活用できます。
まとめ
AI特許の引用ネットワーク分析は、「数」だけでは見えない技術の構造と重要度を明らかにします。
- G06N分類が中心: ニューラルネットワーク（G06N3/02）、機械学習（G06N20/00）、学習方法（G06N3/08）
- 日本の特徴: 応用・実装重視の出願が多い
- 先行技術調査に必須: 被引用回数の高い特許を重点的にチェック
- 2026年特許法改正のAI発明ガイドラインとの関連も確認
最終確認日: 2026年3月31日
参考データ: Google Patents BigQuery（data/crawled/ai-patent-citation-network.json）に基づく