2018年3月に特許・実用新案審査ハンドブックの改訂が公表されました。
　主に、コンピュータソフトウェア関連発明の審査基準の改訂とそれに伴う審査ハンドブックの改訂が行われたようです。
　特許庁のウェブサイトには改訂ポイントがまとめられています。
http://www.jpo.go.jp/shiryou/kijun/kijun2/pu-kijun_kaitei_h27.htm

　審査ハンドブックの付属書Bに関する今回の改訂で私が注目した点をメモしておきたいと思います。
●付属書B第1章2.1.1.2
　留意事項(iii)には、「請求項に、使用目的に応じた特有の情報の演算又は加工が記載されている場合には、ハードウェア資源として「コンピュータ（情報処理装置）」のみが記載されている場合であっても、、、ハードウェア資源とソフトウェアとが協働した具体的手段が記載されていると解釈される」という趣旨の記述があります。要するに、処理が具体化されていれば、請求項にハードウェア資源としてコンピュータを登場させることでコンピュータソフトウェア関連発明として認められると考えて良いようです。これは、実務家の感覚としては当然で、以前の審査基準に書かれていた例のようにCPUやメモリ等を登場させることに違和感がありました。コンピュータを登場させずに、どのように請求項を書くのか考えることはありましたが、CPUやメモリ等を請求項に登場させようと考える実務家は少なかったのではないでしょうか。いずれにしても、今回の留意事項(iii)によれば、「コンピュータ＋具体的な処理」で「ハードウェア資源とソフトウェアとの協働」を表現できることが明示されたため、この書き方にしておけば無用な拒絶を受けないことは確認できました。

●付属書B第1章2.1.2
　例１の（説明）において、請求項の「末尾に「キャラクタ」と記載されていても「データ」であることは明らかである。」と記述されています。特許庁としては、データ構造クレームの末尾が「キャラクタ」となっているような「データ構造」クレームを作成可能と考えているようです。

●付属書B第1章2.2.3.3
　ここでは、いくつかの例について進歩性が肯定又は否定される例が説明されています。例１，２，４，５が人工知能関連の技術でした。
・例１
　請求項：鋳造された鋼片を再加熱した後に、圧延、冷却して製造する鋼板の溶接特性を予測する方法であり、鋼の成分及び製造条件を入力値とし、ニューラルネットワークによって鋼板の溶接特性を推定する
　主引用発明：鋼の成分及び製造条件の実績値を入力値とした数式モデルを用いて鋼板の溶接特性を予測する方法
　副引用発明：所定の入力値を用いてニューラルネットワークモデルによってガラスの材質を推定する方法
・例２
　請求項：心筋断面の心筋壁を小領域に分割した画像を入力し、ニューラルネットワークによって壊死心筋組織を含んでいるか否かを判定する
　主引用発明：心筋断面の心筋壁を小領域に分割し、小領域の画像から各小領域に壊死心筋組織を含んでいるか否かを小領域の画像の平均濃度により判定するシステム
　副引用発明：画像を小領域に分割し、当該小領域に対して所定の特徴の有無を判定するように学習させたニューラルネットワーク
・例４
　請求項：内燃機関の振動センサで検出した振動検出信号を入力値としたときニューラルネットワークから出力されるシリンダ内圧推定信号をシリンダ内圧とみなす内圧検出方法において、学習時及び学習後の入力値のサンプリングレートを内燃機関の回転速度に応じて変更する
　引用発明：学習時及び学習後のサンプリングレートを一致させることは特定するものの、内燃機関の回転速度に応じて変更することは特定しない
・例５
　請求項：加熱炉内の圧力のデータと、煤煙の温度のデータと、煤煙中のCO2濃度及びO2濃度のデータとをニューラルネットワークの入力データとして煤煙中のNOx濃度を推定する
　引用発明：煤煙の温度のデータと、煤煙中のCO2濃度及びO2濃度のデータとを入力データとすることは特定するものの、加熱炉の圧力データを入力データとすることは特定しない

　結論としては、例１，２において進歩性なし、例４，５において進歩性ありとなっています。
　例１，２では、主引用発明と副引用発明との間で課題が共通、機能又は作用も共通であり、有利な効果や阻害要因は存在しないとされています。この前提のもとで、主引用発明と副引用発明とを組み合わせることができ、当業者であれば容易に請求項に想到するというロジックです。例１，２では、主引用発明と副引用発明とを組み合わせると請求項と同等の構成になりますので、進歩性が否定されるのは当然ですね。主引用発明と副引用発明との組み合わせがこれほど請求項と一致していれば進歩性がないのも当然であり、人工知能特有の論点があるというわけでもありません。
　ただし、例１，２においては、ある入力値をニューラルネットワークに入力して特定の特性を推定するという点を権利化する請求項となっており、私自身は、以前も述べましたように、このような請求項が人工知能関連技術の権利化において有効であると考えています。ブラックボックスの部分ではなく、侵害特定容易な部分を請求項にすべきと思うからです。例１，２は、主引用発明と副引用発明の組み合わせが請求項そのものでしたが、多くの場合は、主引用発明と副引用発明の組み合わせと請求項との間に僅かであっても差異があると考えられます。差異があるならば、この差異によって生じる効果が引用文献から予想できない効果であるといえるように請求項を作成することで、進歩性ありとされる可能性を高められると考えます。
　例５は、まさにこの例と言えますね。請求項においては、圧力のデータをニューラルネットワークに入力しますが、引用発明では圧力のデータを入力データとすることは特定していません。このように、入力データの内容が先行技術と異なれば、その点で進歩性を獲得する可能性があります。従って、人工知能関連技術の権利化実務においては、入力データに特徴があるか否かを明らかにし、特徴があるならば請求項とするという作業が重要になると考えられます。
　なお、例５の場合、発明者さんは機械学習に関する技術のみを発明したのでしょうか。私は、この場合においてより広い権利の確保を検討すべきと考えています。例えば、例５であれば、加熱炉内の圧力のデータと、煤煙の温度のデータと、煤煙中のCO2濃度及びO2濃度のデータとを入力データとし、煤煙中のNOx濃度を出力する数式モデル等の発明を完成させることが可能かもしれません。つまり、機械学習の発明においては、機械学習を使って入出力関係を明らかにしたが、入出力関係が明らかになった後には、機械学習を使わなくてもこの関係を自然界に適用可能である場合があり得ます。私は、このような発明の権利化も常に視野に入れておくべきと考えています。機械学習のみですと権利としては狭いですし、侵害特定も容易ではないと考えるからです。

　例４は、ニューラルネットワークへの入力値をサンプリングする際の工夫を請求項で表現しており、引用発明には同等の工夫が見られないという例です。ニューラルネットワークに対する入力値と、ニューラルネットワークからの出力値とが公知である場合、入力や出力のみに着目した請求項で進歩性を獲得するのは当然困難になると考えられます。この場合、例４のように、入力データの準備として工夫した点など、入力値自体と異なる要素に着目して権利化するのも一つの良い実務になると考えられます。特に、CNN(Convolutional Neural Network)などにおいては、多くの場合、入力データのフォーマットが単なるRGBデータであり、特徴のない画像データであるという状況であると考えられます。このような場合、入力データの加工や出力データの解釈などにおける特徴を探さざるを得ないことは多いように思えます。人工知能関連技術を権利化する際には、検討すべき方向性として常に念頭に入れておくべきと考えられます。

特許庁？に審査面接に行って参りました。

面接日時の設定をし、審査官に意見書・補正書案を送り、あとは当日特許庁に行くだけだと思っていたところ、審査官から電話がありました。電話の内容は、六本木一丁目の仮庁舎に来てくださいとのことで、仮庁舎の入館に必要な認証用のバーコードをメールで送付するとのことでした。六本木一丁目の仮庁舎というのは、民間の六本木グランドタワー（http://izumigarden.jp/）という建物でして、テレビ東京も入っている今風の建物でした。

　あとは当日六本木一丁目の仮庁舎に行くだけだと思っていたところ、再度、審査官から電話がありました。その電話の内容は、入館方法がわかりにくいので説明をしておきますとのことでした。丁寧にこの説明をしてくれた審査官さんに感謝です。実際に行ってみたら、確かに分かりにくかったです。

　今後面接に行かれる弁理士さん等のためにその説明を以下に記載します。

１．事前にメールしてもらった認証用の一次元バーコーを印刷し、出発。
２．東京メトロの南北線の六本木一丁目駅の西改札口からグランドタワーのロビーに入る。
２．ロビーのチェックイン機に認証用のバーコードをかざして二次元バーコード付きの入館証を受け取る。
３．受け取った入館証をかざして右手側の特許庁ゲートを通過する。
４．一番右手奥のエレベーターホール前のゲートに入館証をかざし、エレベーターホールに入る。
５．４基あるエレベータのどれかで面接室がある１８階に行く。
６．１８階の内線電話で到着した旨を審査官に伝える。

　前日にお話しした弁理士さんの話では、１．の西改札口が開通するまではかなりの遠回りをする必要があったそうで、開通日（６月４日）のわずか３日後に行くことができて幸運でした。４．エレベーターホールは登庁時刻付近では行列ができますので、注意が必要です。

 　４．のエレベーターホールかエレベータ内にあった行先案内板を見て驚きました。なぜかというと特許審査部がずらっと（たぶん全部）並んで記載されていたからです。つまり、特許審査部が特許庁になかったんです。これまで手続をしていた相手が、思っていた所（特許庁）と全然違う場所にあったということに軽いショックを受けました。あとで調べたら意匠の審査部も六本木のようです。

　送信先を認識しなくても手続ができる電子出願ソフトに慣れきってしまうのは、ある意味、恐いことなのだと思いました。電子出願ソフトで特許庁に送信された出願データを六本木で見ることが可能になっているのでしょうか。データの流れ、データの所在も気になります。今の時代、技術的には出願データがどこに送られてても何の問題もないでしょうが、セキュリティには万全を尽くしていただきたいです。いろいろ想像しながら帰路につきました。

　特許業界の皆さん、機械翻訳を使われたことはあるでしょうか？
　私自身は、少しずつ利用するケースが増えてきました。外国のクライアントへのメールを英語で書くときに、英語の文書がすぐに浮かばなければ、日本語で文を作成し、google 翻訳やBing 翻訳で翻訳します。このようなスタイルで機械翻訳を利用しているとその精度に驚かされます。ほぼ完璧、と感じます。google 翻訳では表示された文書の単語をダブルクリックすると単語の意味や例文が出てきて辞書的にも使えるため、徐々に手放せないサービスになりつつあります。

　特許業界に身を置いていると、やはり、機械翻訳が実務に利用できるのか気になります。そこで、機械翻訳を利用して、いくつか試してみました。この結果、
　自分の英語能力では、
　英語→日本語の翻訳については、自分で翻訳した方が速い。
　日本語→英語の翻訳については、機械翻訳を援用した方が速い。
となりました。

　英語→日本語については、以前から読もうと思っていた公報を利用して機械翻訳の質をみてみました。公報はUS 20170095925 A1です。これは、ディズニーによるベイマックス風のロボットの出願として一部で話題になっていた公報です。
　翻訳のスピードは極めて速く、大半（９０％以上）は文章の大意を把握できるクオリティで翻訳できているので、機械学習導入以前の翻訳ソフトウェアに比べると、非常に高性能になったように思えます。特に、google 翻訳はどんどん意訳するようで、そのスキルには驚かされます。
　例えば、DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS を【発明を実施するための最良の形態】と訳します。大量の学習データに基づいて機械学習しているとはいえ、この翻訳には驚きました。逐語訳の世界ではあり得ない翻訳です。米国明細書と日本明細書の対応関係を機械学習できていると言うことなのでしょうか？あるいは人手でチューニングするのでしょうか？
　また、google 翻訳では請求項に含まれるtheを逐一前記に読み替えており、明細書の実施形態等に含まれるtheは無視されています。なんでしょうかこの特許業界のローカルルールまで熟知したような訳出は。このような翻訳が機械翻訳で実現されている現状には正直驚きました。

　しかし、、、、残念ながら実務には利用しにくいと感じました。
　まず、明細書の内容把握をする上で、５％でも意味の通らない部分があると文章をすらすらと読むことができず、意味不明の部分がでてくるたびに原文を確認する作業が必要になってしまいます。このようなことをするぐらいなら自分で読んだ方が速いと感じました。
　さらに機械翻訳では、同一文書内の同一文字列を異なる言葉に訳すケースがあるようです。これは長文読解の際に致命的なように思えます。同じ意味の概念を異なる言葉で表現するというのは、特許明細書では最も避けるべき初歩的なミスですし、特許業界以外でも訳文内の異なる単語は異なる意味と解釈されるのが普通のように思えます。このような訳はgoogle 翻訳とBing 翻訳の双方で散見されます（例えば、US 20170095925 A1の0011内のrigid support element）。機械翻訳では同一単語を同一訳として出力する制約を設けるのが難しいとか、特殊な事情があるのでしょうか。

　日本語→英語の訳は日常的に利用してまして、とても有用と感じます。主に、海外のクライアントへのメール（日本の特許制度や事務所料金等の問合せに対する返信等）を作成する際に利用します。これらの文書はそれほど長文ではないのですが、私の英語能力では、自分で一から英文を書くより、機械翻訳を使った方が何倍も速く文章を書き上げることができます。このような使い方において、機械翻訳はほとんどそのまま利用可能なクオリティと感じます。機械翻訳は、特許文書よりも日常会話的な文書の方が得意なのでしょうか。また、仮に修正が必要になったとしても修正作業は苦になりません。そもそも、日本語で文章を作成したとしても校正はしますので、このケースで英文に誤訳が５％程度含まれていたとしてもさほど作業量は増えません。

　いずれにしても、この分野の技術革新のスピードは極めて速く、上述のようなローカルルールへの対応も実現できているため、英語→日本語の翻訳において私が感じている問題は近々解消するかもしれません。機械翻訳のレベルがもう一段上がったら、特許事務所内のクローズド環境で明細書を機械翻訳をすることで翻訳支援をする実務も可能になるかもしれませんので、定期的にチェックしていこうと思います。

　IOT関連技術、AI関連技術に関する特許出願の審査ハンドブックに事例が追加されたようです。
 　特許庁ウェブサイトのこのページの一番下に参考資料としてまとめられています。

　AI関連では、
・事例3-2：リンゴの糖度データの予測に機械学習を適用した事例
・事例2-13：音声対話システムの対話シナリオのデータ構造
・事例2-14：宿泊施設の評判を分析するための学習済みモデル
・事例31：車載装置及びサーバを有する学習システム
・事例32：製造ラインの品質管理プログラム
が追加されたようです。

 

・事例3-2
　この事例は、「所定期間分のリンゴの糖度データ及び過去・将来の気象条件データを入力として、将来の出荷時のリンゴの糖度データを予測して出力する」特徴を持つ請求項が「発明」に該当する例です。この請求項の例では請求項に人工知能関連技術は明示されておらず、従来の請求項のスタイルと何ら変わりありません。ソフトウェア関連の審査基準からして明らかに発明に該当すると言えるでしょう。本事例が追加された意義は、予測が機械学習であるという点にあるようです。請求項に機械学習は現れないのですが、明細書の課題解決手段には、「予測のための分析が機械学習で行われる」ことと、「機械学習の実現法」と、が開示されていることが想定されています。
　機械学習を利用した予測について請求項を作成する際には、多くの場合、この請求項のスタイルが採用されると思います。以前のブログにも書いたように、多くの人工知能関連技術において、入力データを決定することが発明であり目的を達成するための重要なファクターといえますし、機械学習には技術的な特徴が現れない場合が多いと考えるからです。
　なお、ここで紹介した事例3-2は発明該当性を論じるための事例であるため、明細書内の記述の妥当性について特許庁は何も述べていないことに注意が必要です。実際に特許出願をする際には、例示された明細書の開示を超える内容が当然に必要になると考えます。
　例えば、明細書の開示例として機械学習の進め方が示されていますが、実際に特許出願をする場合にはより詳細に機械学習について開示すべきと考えられます。また、予測を行うための開示が機械学習のみであると、過度の一般化に該当するおそれもありますので、機械学習以外の予測法があり得るのか否か、機械学習以外の予測法が出願人にとって有用であるのか否か等を検討し、必要に応じて機械学習以外の予測法を明細書に書くべきと考えます。

 

・事例2-13、事例31、事例32
　事例2-13は、音声対話システムで利用される対話シナリオのデータ構造としての請求項が「発明」に該当する例です。
　事例31は、車載装置で行う画像認識のパラメータを、サーバ内での機械学習で改善する請求項の進歩性を否定する例です。
　事例32は、製造ラインの品質管理を行うために、サーバ内で検査結果と製造条件に基づいて機械学習を行う請求項の進歩性を否定する例です。
　これら例では、実施形態として人工知能や機械学習が使用されていますが、一読したところ、人工知能関連技術であることが発明該当性や進歩性の結論に影響するものではないようで、新たな気づきは得られませんでした。単に人工知能関連技術の事例を追加したという位置づけでしょうか。近日中に、特許庁審査官の方が追加事例を解説する研修会がありますので、この事例の位置づけを確認してこようと思います。

・事例2-14
　この事例は、学習済モデルという請求項が「発明」に該当することを示す例です。非常に有用な事例と思います。今のところ、特許庁は、学習済モデルというカテゴリーの請求項が「発明」に該当すると考えているようです。裁判所がどう考えるかは分からないものの、しばらくの間、学習済モデルという請求項がカテゴリーの不備で拒絶される心配はないため、出願戦略の選択肢が増えますね。この事例がなければ学習済モデルではなくプログラムとして請求項を作成したかもしれません。
　さらに、この事例ではニューラルネットワークの構造を特徴として捉えて学習済モデルの請求項を作成しています。学習によって変化し得る重み付け係数も請求項に登場しますが、入出力の関係を示唆するほど詳細に重み付け係数の特徴が請求項で規定されているわけではありません。ニューラルネットワークの構造の特徴を記述するために必要な程度に請求項で重み付け係数が規定されています。これらのことから、少なくとも、特許庁はニューラルネットワークの構造が「発明」に該当すると考えているようです。今後、人工知能関連技術を出願し得る出願人は、ニューラルネットワークの構造に新規性や進歩性があるか否かを常に意識する必要がありそうです。むろん、ニューラルネットワークの構造を出願することが出願人の出願戦略上有意であるか否かは常に検討する必要があります。

　以上が今回追加された事例でした。追加された事例においては、ニューラルネットワーク、サポートベクターマシンが登場しますが、他の技術、例えば、強化学習についても追加してあれば良かったと思います（強化学習は、人工知能関連技術で重要な分野になるのではないかと個人的に感じています）。今後の追加に期待しましょう。