參考Forbes的文章「How To Patent Artificial Intelligence And Machine Learning Models」，十分有興趣，就做些筆記，其中描述也有我自己的一點點心得（加入我自己的詮釋）。
文章開宗明義提到，恭喜你，AI專利並不是那麼容易取得！
這裡也有我常與客戶分享的，要申請AI相關專利，重要也是比較難的問題是"講清楚"～就是文章中建議要揭露「what, why, when and how」，揭露的程度就是讓相關領域一般技術人員可以理解並據以實施，雖這是一個模糊的規範，但就是要求揭露一定程度的細節（重點一）。
另一個比較艱難的問題是，AI相關專利並沒有特定結構，而是一些功能的組合，相關機器學習的模型要取得專利並不容易。
本篇內容將AI發明分成「監督型」與「非監督型」的學習模型。
-----------------------------------------
取得「監督型（supervised learning model）」學習模型的專利，這類學習模型有人類介入，就是人類作為老師來訓練AI模型，因此相關描述需要刻意排除人類的角色，可將人類的行為轉換為機器的動作。（重點二）
AI相關發明是由電腦實現的發明（CII），也就是軟體發明，自然就受到電腦相關專利的規範，因此，說開了，"AI"僅是一個很夯的名詞，但是實質內容就是一個形式軟體程序的展現，也十分"合理地"會面對專利適格性（patently eligible）的質疑。
我覺得本篇提供很有用的資訊是，要取得AI相關發明的專利，先克服101議題，也就是建議提到特定硬體（重點三），例如，以影像處理為例，可提供機器學習時需要的數據的輸入（或取得）方式，如掃描機、感測器、攝影機等，還建議表示這些數據取得是自動取得或是控制機器取得、取得內容的範圍、有基於任何特定事件嗎？（重點四）
以上僅舉例，主要是要根據AI涉及的發明領域，總是有特定取得數據的管道（系統或裝置）。
取得數據後，一般會傳輸到特定電腦系統／雲端系統中，並儲存在儲存器、資料庫或記憶體中，這部分如果不講清楚，就是一般常用手段而已。文中建議發明人可以提供一些評估，例如傳送到雲端伺服器或是本地端伺服器有何差異，是否會影響AI訓練的效能、可用性等？（重點五）
再以影像處理為例，在AI訓練之前，會有些前置處理作業，如判斷影像的重要性、分類、影像標籤（labeled image）、如何形成影像的標籤等，建議揭露相關資訊。我想，在每一個AI相關發明中，都有其特殊性，其中之一就是對數據的前置作業的特殊性。（重點六）
-----------------------------------------
取得「非監督型（unsupervised learning model）」學習模型的專利，這類AI模型訓練過程沒有人類介入，而特別需要深度學習的技術（deep learning）（重點七）。
同樣地，上述針對監督型學習模型的揭露要求也適用這類AI發明。（重點八）
在非監督式學習過程，取得的大量數據之間並沒有已知關聯性，因此需要通過電腦程序識別數據的特徵，常見應用在於異常檢測（anomaly detection）以及學習數據之間的關聯性，例如取得原本以為關聯不大的數據之間的關聯性。（重點九）
取得學習數據的方式十分重要，需要揭示，如感測器的設置、取得數據的管道與方法等。不同數據應有不同的取得數據的管道與數據特性。（重點十）
-----------------------------------------
有一種AI相關發明是要強化學習模型（reinforcement learning model），AI模型應用在特定用途中，之後藉著學習AI模型在特定應用下產出的數據，進行評分，並反饋優化特定應用下的AI模型。（重點十一）
例如ChatGPT，在自然語言聊天與搜尋應用下取得強大的成果，其中可以持續優化AI模型的原因之一就是有大量使用者反饋的資訊。
現在常見有採用ChatGPT（或其他）的自然語言處理的能力的應用，這類應用並非自行開發AI機器人，而是使用已知的AI模型，因此相關專利應著重在應用的方法、系統等，揭露內容自然就是具備新穎性與進步性的內容，與專利適格性應無太大的關係。（重點十二）
以專利標的而言，應用AI模型的機器人（如聊天機器人、客服機器人、智能幫手，或是運用在特定系統中的智能模型）就是可專利的標的。（重點十三）
Ron
