專利申請

AI 模型串接的專利佈局

現有AI 模型及其串接應用

       目前市場上的AI 模型涵蓋多個不同的技術領域，各自發揮著獨特的作用。這些模型之間的串接可以突破單一模型的局限，以實現更高的智能水平。例如，將電腦視覺與自然語言處理技術結合，使得AI 可以同時「看到」並且「理解」複雜場景。

       一個典型的串接應用是知識圖譜（Knowledge Graph）與語言模型（NLP）的結合。知識圖譜作為結構化的知識庫，能夠提供語言模型額外的背景知識和上下文，使語言模型在進行推理和回答時，不僅依賴其內部訓練過程中的語言模式，還可以利用知識圖譜中明確的關係和實體資訊。這種組合能夠顯著提升語言模型的推理能力，使其能更好地理解語義，進行知識檢索和推理，並回答具有複雜背景知識的問題，特別是在多步推理和回答準確性方面表現更為出色。知識圖譜串接語言模型最典型的應用是Google Knowledge，當搜尋「愛因斯坦」時，除了提供與此關鍵詞相關的網頁連結，Google還會在搜尋結果的右側顯示一個專門的資訊框，內含愛因斯坦的基本資訊，如出生日期、職業、重要的成就等，這些資訊都是從知識圖譜中提取的。此外，該資訊框還可能包含與愛因斯坦相關的其他實體連結，例如他的家人、著名的理論、以及和他相關的歷史事件等。這樣做的好處是，Google不僅提供了更多的上下文和背景知識，還幫助用戶快速獲取關鍵資料，而不需要逐個點擊網頁去搜尋。

AI 技術的專利申請標的分析

       在AI 相關的專利申請中，除了具體的算法和模型本身外，還有許多不同層面的創新可以作為專利標的。因此可以將AI 專利申請標的分為以下幾個主要方向：

1.  算法改良與優化：針對現有的神經網路或深度學習算法進行改良，例如加速模型的收斂速度、降低過擬合風險或提升模型的泛化能力。這些技術通常集中於數學演算方法的改進，屬於核心技術創新，具有高度的專利價值。

2.  應用類專利：許多AI 專利著重於特定應用場景中如何有效利用AI 來解決具體問題。例如，使用深度學習進行醫療影像診斷，或利用機器學習分析客戶行為等。這些專利往往不對算法本身進行明確限定，而是描述AI 如何與具體應用相結合以達成技術效果。

3.  訓練資料的取得與處理：AI 的訓練資料直接決定了模型的性能，因此，關於訓練資料的取得、標註、清洗和增強的技術創新也可以作為專利標的。例如，如何自動化標註大規模數據，或通過增強學習提高數據的多樣性，這些技術對於模型準確性有著直接影響。

4.  硬體支援技術：AI 模型的訓練和推論通常需要強大的硬體支援，包括電源供應、散熱技術和記憶體架構等。這類硬體改良技術，尤其是針對AI 運算效率優化的設計，也經常作為專利申請的對象。

       值得注意的是，許多專利申請中，AI 被描述為一個萬能的「黑盒子」，可以用來解決任何問題。例如，一項針對客服系統的專利依靠AI 進行使用者互動，但無揭露具體使用的是哪一種神經網路模型或訓練資料為何。因此，這種類型的專利建議要將AI作為輔助角色，以偕同AI執行的技術作為主體申請專利，才不會被認定為是簡單應用AI的技術。

AI 串接與專利保護的挑戰與機會

       AI 模型之間的串接不僅是技術創新的體現，還帶來了專利保護的新挑戰。在模型串接的專利申請中，如何確保專利覆蓋具體的技術貢獻而非抽象概念，成為專利申請的挑戰。例如，當LLM 結合RAG 時，需要明確描述串接過程中的技術貢獻，如查詢檢索過程的優化、生成內容的品質控制等，而非僅僅描述兩個模型的簡單整合。

       因此，專利說明書的撰寫不僅要涵蓋技術廣度，還需要在細節上展示技術深度，以確保專利的明確性、新穎性與進步性，且非屬於抽象概念。

結語

       AI 技術的專利保護不僅限於具體算法或模型本身，更涉及模型串接方式、數據處理流程、硬體支援以及具體應用場景等多方面的創新。隨著AI 技術的進一步發展，如何通過專利保護這些創新，是需要依賴長期且縝密的專利佈局計劃。希望本篇文章能為讀者提供關於AI 專利申請的新視角，並激發更多的思考與討論。