# AI特許：保護対象と出願準備の要点 AI技術の特許出願に向けて、保護対象の検討と準備すべき資料を解説します。 Source: https://www.iplexlaw.co.kr/ja/blog/1538326 ホーム / ニュース・知財情報 ニュース・知財情報 AI特許：保護対象と出願準備の要点 AI技術の特許出願に向けて、保護対象の検討と準備すべき資料を解説します。 AI・ソフトウェア 2026.09.17 公開 IPLEX 約22分で読めます AI技術の特許出願は、新しいモデル構造に限られません。データ処理、学習データの生成・選択、学習方法、検索と生成の組合せ、推論リソースの管理、分散学習、機器制御など、システムの各段階で保護の可能性を検討できます。既知のモデルや公開ライブラリを用いる場合も、独自の技術的改良に着目して検討します。 出願の出発点は、機能の名称ではなく、課題を解決する具体的な仕組みです。入力を処理する手順、構成要素の連携、従来手法の制約を解消する方法を整理します。そのうえで先行技術と比較して新規性・進歩性を検討し、明細書の記載が請求項の範囲を十分に裏付けているかを確認します。 本ガイドは、AIモデルの学習・推論、ファインチューニング、埋め込み、RAGの基礎を理解している研究者・開発者・技術責任者を対象としています。韓国での出願を中心に説明し、保護の着眼点を示すために仮想の実装例を用いています。個別技術の登録可能性は、出願時の先行技術、具体的な実装、請求項に基づく検討が必要です。 人工知能特許の基本的な判断基準 発明の成立性と具体的な情報処理 韓国では、AI関連発明をコンピューター関連発明の判断基準に照らして検討します。数学的原理や抽象的なアイデアの提示にとどまらず、ソフトウェアによる情報処理がハードウェアを用いて具体的に実現されているかを確認します。請求項にコンピューターやサーバーという語を加えるだけでは十分とはいえません。 例えば、「利用者の好みに合うコンテンツを推薦する」という目的を示すことと、入力履歴を所定の表現に変換し、候補を生成して、遅延やリソースの制約を踏まえて選択する処理構造を説明することは異なります。具体的な技術的実装を示したうえで、新規性・進歩性は別途検討します。 新規性と進歩性 新規性は、出願前に公開された先行技術との比較により判断します。特許文献に加え、論文、学会発表、技術文書、公開コード、製品の公開資料も関係する場合があります。社内で初めて実装した技術であることと、特許法上の新規性があることは区別する必要があります。 進歩性の検討では、その技術分野の当業者が先行技術から相違点を容易に導き出せたかを確認します。既知のモデルの選択、既知のモジュールの追加、既存業務のAIによる自動化だけでは、十分な技術的差異を示せない場合があります。構成の組合せ、解決した技術的課題、相違点から生じる効果を説明することが重要です。 効果が大きいことだけで進歩性が認められるわけではありません。データ量や計算量を増やした結果なのか、請求する構成の違いによる結果なのかを確認します。また、性能の向上は精度に限りません。応答遅延、メモリ使用量、通信量、障害からの復旧、機器制御の安定性も、発明の課題との関係に応じて検討対象となります。 実施可能性と請求項のサポート 明細書には、当業者が発明を実施できる程度の説明が必要です。入出力、データの特性、前処理、モデル、学習方法、推論過程のうち、実施に必要な情報を明らかにします。請求項は発明の説明に裏付けられ、その内容を明確に理解できるものである必要があります。 これは、すべての出願でソースコードや学習済みの重みを一律に開示するという意味ではありません。ただし、発明の中核を実装するために必要な事項の省略は問題となります。周知の技術と独自に改良した部分を区別し、必要な説明の深さを判断します。 保護を検討できる技術の類型 1 データ収集と時刻合わせ 収集周期や通信遅延の異なるセンサーを組み合わせると、異なる時点の情報が一つの入力に混在することがあります。回転設備の振動と電流を併せて分析する場合には、運転状態の変化を示す基準イベントを検出して時間軸を合わせ、不確かな区間にマスクを付与する構成が考えられます。 検討対象は、基準イベントの検出、時間差の推定、補正の信頼度の算出、マスクの生成、その後のモデルでの利用方法です。単にデータを整列すると記載するのではなく、適用する基準と条件を明らかにします。既存の補間・同期手法との違いや、センサー欠損時・作業切替時の効果を確認すると有用です。 出願準備では、生信号の種類、サンプリング周期、時刻合わせに失敗した場合の処理範囲、学習時と推論時の適用方法を整理します。前処理を中核とする発明では、生データとの関係と、学習・推論の入力に変換する過程を具体的に説明します。 2 画像処理と関心領域の選択 微小な欠陥を検出するシステムでは、解像度と処理速度の両立が課題になります。画像の質感や撮影条件の変化に応じて候補領域を選び、その領域だけを高解像度で再解析して、画像全体の特徴と局所的な特徴を組み合わせる方法が考えられます。 関心領域を用いるという一般的な考え方よりも、候補の選択基準、領域の拡張、重複の除去、二つの特徴を組み合わせる関係が重要です。同じ検出性能を保ちながら処理量を削減できるか、特定サイズの欠陥の見逃し率がどう変わるかを比較します。入力画像の解像度や機器の条件が異なる結果を混在させないようにします。 3 学習サンプルの選択とラベリングの制御 能動学習でも、データの不確実性に基づく具体的な選択・更新方法を検討できます。例えば、予測の不確実性、製品群ごとの希少性、既存サンプルとの重複度、センサーの状態を評価してサンプルを選択し、その結果に応じて次の周期のサンプル予算を調整する構成です。 発明者が整理すべき事項は、選択スコアの算出、候補の除外条件、サンプル予算の配分、選択結果を学習に反映する順序です。同じラベリング予算での性能や重複選択の削減を確認できます。「能動学習」という名称にとどまらず、既知のサンプル選択手法との違いを検討します。 4 合成データの生成と検証 生成モデルで不足するデータを補う場合は、生成結果の適合性を検証する仕組みも重要です。工程条件や材料情報を生成条件として与え、生成された欠陥の形状・位置を照合して、条件を満たすデータだけを学習に用いる構成が考えられます。 保護の候補は、生成画像の見た目だけではありません。生成条件の構成、検証ルール、不適切なデータの除外、実データとの混合手順を確認します。検証手順の有無による実際のテストデータ上の差を示すことで、各段階が必要な理由を説明しやすくなります。 5 マルチモーダル特徴の融合とモデル構造 画像、音声、振動などを組み合わせる場合、各入力の品質が一定とは限りません。入力品質を評価する別の経路を設け、その結果に応じて特徴の重みや処理経路を選ぶ構成が考えられます。センサーが欠損した場合の代替経路も設計できます。 発明の説明では、各入力の表現、品質信号の算出、融合する位置、ゲートの動作、学習時の接続関係を示します。単純な連結・平均化や通常の注意機構との違いを確認し、一部の入力が劣化した場合の性能と追加の計算コストを比較します。 新しいアーキテクチャという名称を付けるより、構成要素の相互作用を説明することが重要です。同じ役割を果たす他のモジュールに置換できる部分と、課題解決の原理を維持するために不可欠な接続関係を区別すると、請求項の検討に役立ちます。 6 損失関数と学習スケジュール 学習目標の調整方法も出願の検討対象となります。例えば、直近の学習区間における誤りの種類を分析して損失項の重みを更新し、所定の不安定性指標が現れた場合に更新幅を制限する構成です。製品群や工程の状態によって誤りの重要度が変わるという課題への対応が考えられます。 数式を用いる場合は、各変数の意味と実際の学習ループとの関係を説明します。データ統計を取得する間隔と、学習完了までの適用方法を明らかにします。既知の損失関数の選択や通常のパラメータ調整にとどまるかどうかも比較します。 7 ファインチューニングとアダプターの運用 公開モデルのファインチューニングでも、独自の発明が生まれる場合があります。ただし、特定モデルにLoRAなどを適用しただけで十分な技術的差異があるとは限りません。タスクごとのアダプターの選択、共有、読み込み、切替えに関する独自の構成を検討します。 例えば、入力タスクを分類し、必要なアダプターだけをメモリに読み込み、共通部分を再利用しながら、切替え時にキャッシュの有効性を確認する方法です。アダプターの学習方法と運用時の選択方法は、技術的特徴や処理の実行主体が異なる場合があるため、分けて整理します。 8 知識蒸留とモデル圧縮 大規模モデルの出力全体を小規模モデルに渡す代わりに、タスクに関係する特徴領域を選び、小規模モデルが苦手とする段階に応じて参照する教師モデル側の情報を変える構成が考えられます。特徴の選択基準、教師モデルと生徒モデルの対応、損失項の組合せを検討します。 圧縮の効果は、モデルのファイルサイズだけでなく、同じ機器上でのタスクごとの遅延、メモリ使用量、性能低下を併せて確認すると有用です。圧縮率を高めた際に増えた誤りと、その誤りを抑えた構成を説明するデータが役立ちます。 9 RAGにおける文書分割と検索構造 企業内の文書検索では、文書の分割方法によって本文と例外条件が切り離されることがあります。見出し階層、参照識別子、製品の適用情報から関連する節を結び付け、質問の種類に応じた節のまとまりを検索する構造が考えられます。 発明の着眼点は、RAGの導入自体ではなく、チャンク境界の決定基準、関連付けの保存、検索時の展開ルール、不要なコンテキストを除外する条件です。固定長のチャンク分割や既知の階層検索との違いを確認します。評価には、根拠情報の再現率、コンテキスト長、応答遅延など、実際の課題に対応した指標を選びます。 10 生成回答の根拠検証と再検索 類似度の高い文書が、常に適切な根拠になるとは限りません。製品のバージョンや適用時期が異なる文書を除外し、生成回答の各記述を根拠となる箇所と照合して、一致しない部分について追加検索や出力保留を行う処理が考えられます。 検討事項は、適用条件の抽出、文書の有効性判定、記述単位の分割、照合基準、再検索の範囲、終了条件です。「正確な回答を提供する」「ハルシネーションをなくす」という目標だけでは十分ではありません。検証コストや不要な出力保留を抑える仕組みも、技術的説明に含めることができます。 11 プロンプトの自動構成と出力形式の制御 特定の指示文そのものの表現を広く独占しようとする考え方と、プロンプトを構成するコンピューターの処理技術は区別する必要があります。例えば、入力の誤りを分類し、種類ごとにツール仕様と例を選択してトークン予算内に配置し、出力構造の検査結果を次の入力生成に反映する方法が考えられます。 発明の説明では、入力解析、例の選択、コンテキストの優先順位、形式違反の判定、再試行時に変更する要素の関係を具体化します。プロンプトの言い回しを変えただけか、既知の手法を通常どおり組み合わせただけかを確認し、製品の目的と技術的構成の違いを明らかにします。 12 AIエージェントの実行状態と障害復旧 エージェントが外部ツールを呼び出す環境では、再試行による重複実行や、一部の処理だけが失敗した後の状態不整合が問題になります。ツール呼出しに実行識別子と状態情報を対応付け、応答が途切れた際に完了状況を確認して再実行の範囲を決め、障害時に所定の状態へ戻す構成を検討できます。 この分野では、既存の分散処理やトランザクション技術の先行技術も確認します。LLMと連携させただけで、既存の復旧手法が新しい発明になるわけではありません。計画の生成、ツールの実行、状態の確認が、どのような固有の関係によって具体的な課題を解決するかを検討します。 13 量子化と選択的な再計算 計算精度を下げた際に特定の層や入力で誤差が増える場合、層ごとの感度と機器の動作条件を踏まえて精度を割り当てる技術が考えられます。例えば、推論中に所定の誤差信号を検出したとき、一部の区間だけを高い精度で再計算する方法です。 技術的な違いを検討するには、感度の推定、精度の割当て、切替え条件、再計算の範囲を確認します。既知の混合精度手法と比較し、精度を切り替えるコストも測定すると有用です。使用するビット数が異なるだけで、十分な技術的差異があるとは判断しません。 14 コンテキストのキャッシュとメモリ管理 同じコンテキストを繰り返し用いるサービスでは、キャッシュが処理コストに影響します。文書の更新後も古い表現が残る問題に対し、コンテキストの断片とその依存関係のバージョンを保存し、影響を受けるキャッシュだけを無効化する方法が考えられます。 説明すべき事項は、依存関係の定義、変更の検出、無効化の範囲、再計算の順序、モデルやアダプターを変更した場合の処理です。一般的なキャッシュ利用との違いを示し、メモリ使用量・遅延の削減と、不適切な再利用が起きる条件を確認します。 15 端末とサーバーに分割した推論 端末の発熱、バッテリー残量、通信遅延に応じて推論の実行場所を切り替える技術も検討できます。各分割候補点の計算量と送信量を算出し、現在の条件に合う分割を選び、通信障害時には端末内の代替経路で処理する構成が一例です。 推論の分割や一般的なリソース最適化自体は、既知の技術である可能性があります。特定モデルの中間表現、機器のメモリ構造、切替え時の状態維持という課題をどう解決するかを確認します。切替え直後の遅延や通信復旧時の処理も、実装の説明に役立ちます。 16 ロボットの認識と制御 カメラや触覚センサーで滑りを予測し、対象物が損傷する限界を踏まえて把持力を調整するロボットが考えられます。センサー特徴の融合、予測の信頼度、許容する力の算出、制御量の更新を検討し、予測スコアと実際の動作の関係を明らかにします。 強化学習を用いる場合は、発明の特徴に応じて、エージェント、環境、状態、行動、報酬の関係を説明します。実機で許される動作範囲と学習時の探索範囲との関係、不確かな状況で選ぶ経路も整理します。 17 工程品質の予測と閉ループ制御 工程の状態を予測する技術と、その結果から製造条件を制御する技術には、それぞれ独自の特徴があり得ます。制御入力の効果が遅れて現れる工程では、過去の制御履歴と遅れを状態表現に含め、予測の不確実性に応じて変更幅を制限する構成が考えられます。 モデル出力、制御指令、機器の応答、次の入力のつながりを説明します。予測結果の表示だけでなく、実際の制御の安定性に寄与する仕組みがあるかを検討します。品質のばらつき、制御量の振動、異常状態からの復旧時間など、技術的課題に即した指標が有用です。 18 医用画像解析と診断支援 医用画像では、撮影条件の補正、関心領域の分割、異なる種類の画像の位置合わせ、不確実性の表示などを検討できます。例えば、撮影条件に応じて補正モデルを選び、解析結果と信頼度を提示する情報処理装置が候補となります。 韓国では、人を対象とする手術・治療・診断方法の産業上の利用可能性を別途検討する必要があります。装置・情報処理技術と医療行為の方法は、実際の請求項に基づいて区別します。名称を装置に変えただけで判断が変わるわけではありません。特許の登録可能性、医療機器の承認、臨床上の有効性も別の論点です。 19 連合学習と分散更新 機関ごとにデータの分布や通信条件が異なる環境では、更新情報の集約方法も検討できます。更新の偏りと検証の信頼度から集約比率を決め、通信が不安定な機関に送るパラメータを調整する構成が一例です。 集約基準、更新の選択・除外、遅れて到着した更新の処理、再送条件を説明します。中央サーバーと参加機関のどちらが各処理を担うかも重要です。生データを共有しないだけでプライバシー保護が完了するわけではないため、情報漏えいの課題と対処する手段を具体化します。 20 性能低下の検知と再学習 運用中の性能低下には、センサー故障、一時的な環境変化、新しい種類のデータなど、異なる原因があります。入力統計、センサーの状態、後から得られる正解との誤差を併せて変化の種類を判定し、点検、前処理の更新、部分的な再学習を選択する技術が考えられます。 発明の着眼点は、監視画面そのものではなく、原因の判定と対応の選択との関係です。検証条件を満たした場合だけ新しいモデルを配備し、運用条件を外れた場合は以前のモデルに戻す構成も検討できます。一般的な配備の自動化と異なる、AI特有の状態判定やデータ処理の関係を確認します。 保護対象の範囲を区別して検討すべき事項 アルゴリズムと数学的原則 数式や抽象的なアルゴリズムそのものと、それらを用いて具体的な情報処理を実現する発明は区別します。発明の成立性は請求項全体に基づいて検討し、数式を含むことだけで一律に判断しません。その数式が、実際の入力の処理、記憶、計算、制御にどう使われるかを説明します。 データセットと学習済みの重み データが多いことや学習後の数値が異なることだけで、データや重みファイル全体を特許で独占できるわけではありません。データの生成・変換・選択・利用方法や、モデルの具体的な構造・機能に着目して検討します。学習済みモデルを請求する場合は、対象の特定方法、発明の成立性、記載要件を別途確認します。 データの利用に関する契約上の権利、著作権、営業秘密の管理、特許は、それぞれ別の論点です。特許出願によって、学習データや外部モデルを利用する権利が確保されるわけではありません。 サービスのアイデアと業務上のルール 「AIで相談に応じる」「AIで価格を決める」「AIで仲介する」という説明だけでは、具体的な技術的差異を特定できません。入力情報の処理、モデルの連携、出力の利用方法を確認します。事業上の目的を持つ技術も実際の情報処理構成に基づいて検討し、事業成果だけで技術的な違いを代替しないようにします。 AIが提案する材料と構造 AIを用いて新しい材料・化合物・機械構造を見いだした場合も、その成果物を請求するなら、当該分野の特許要件・記載要件に照らして検討します。予測結果が製造可能性や効果を十分に裏付けるかが重要です。AIを使ったことだけで、新規性・進歩性・実施可能性の判断を代替することはできません。 出願準備で整理する資料 技術的課題と従来の手法 まず、従来手法で問題が起きる状況を具体的に説明します。「精度が低い」だけでなく、誤りが生じたデータや環境を示します。比較対象の論文、公開コード、既存製品の処理フローを整理すると、相違点を特定しやすくなります。 次に、自ら改良した構成を示します。前処理の基準、モデル間の接続、推論経路など、何を変更したのかを分類します。システム全体の機能説明と、各発明候補の中核となる構成は分けて整理します。 学習データとモデルの関係 データの種類、収集環境、ラベルの定義、前処理、データ分割の基準を整理します。データの特徴が、予測・制御する対象とどう結び付くかを説明します。入力を列挙するだけでは、入力と出力の関係を十分に説明できません。 モデル構造に特徴がある場合は、モジュール間の接続、各入出力、学習時と推論時の違いを示します。学習方法に特徴がある場合は、損失関数、サンプル選択、更新順序、終了条件を実装に即して整理します。応用方法が中核であれば、既知のモデルの詳細よりも、入力の構成と出力の利用方法を具体的に説明します。 比較実験と技術的効果 主張する効果を確認できる指標を選びます。欠陥検出では見逃しや誤検出、RAGでは根拠の適切性と応答遅延、分散処理ではメモリ使用量や通信量などが考えられます。すべての効果を一つの精度指標で説明する必要はありません。 比較条件も記録します。モデルサイズ、学習時間、機器、入力長、バッチサイズ、データ分割が異なると、結果の解釈が難しくなる場合があります。追加した構成を除去・置換した実験は、その構成の寄与を説明する材料になります。実測した結果と期待される効果は明確に区別します。 代替実装と出願の範囲 同じ課題解決の仕組みが、他のモデル・センサー・配備環境でも機能するかを確認します。必須の構成と任意の実装を区別すると、不必要な限定を避けやすくなります。ただし、実施できる説明のない変形例を加えても、権利範囲が広がるわけではありません。 特定の数値が重要であれば、その選択理由と適用できる範囲を説明します。たまたま使用した値なのか、技術的課題の解決に意味のある条件なのかを区別します。 請求項と事業の仕組みを併せて検討する理由 特許発明の保護範囲は、請求項に記載された事項に基づいて定まります。そのため、事業上保護したい利益と請求する構成が対応しているかを確認します。重要な特徴の欠落や不要な手順の限定は、意図する事業保護とのずれにつながります。 学習サーバーだけで実行される特徴と、顧客の端末上で確認できる特徴を区別します。モデルの学習主体、提供主体、サービス運営主体が異なる場合、検討すべき請求項の対象も変わり得ます。方法、装置、システム、記録媒体などの形式を、実際の実装構造に沿って検討します。 分散環境では、主要な処理が複数の事業者や国に分かれていないかを確認します。すべての処理を一つの請求項にまとめることが権利行使に適するかは、別途検討が必要です。独立した技術的意義があるサーバー側・端末側の処理は、分けて検討できます。 一つのサービスから複数の発明候補が生じても、すべてを一件の出願に含める必要はありません。技術的な関連性、発明の単一性、公開予定、製品開発計画を踏まえて、まとめ方や分割の方針を検討します。出願件数を増やすことより、中核となる構成を漏れなく捉えることが重要です。 開示・特許出願のスケジュール管理 論文投稿・発表、技術ブログ、公開リポジトリ、製品デモなどは、公開内容やアクセスできる範囲に応じて特許審査に影響する場合があります。公開前に発明候補と出願予定を確認することが基本です。韓国の新規性喪失の例外制度にも適用要件と手続があり、海外出願に同じ取扱いが適用されるとは限りません。 すでに公開した場合は、公開資料の原本、日時、公開先、対象者、アクセス制限の有無を正確に整理します。秘密保持契約の下での共有か、誰でも閲覧できる公開かによって、確認すべき事実は異なります。未公開の技術や改良部分も区別します。 特許と営業秘密のどちらで保護するかは、外部からの把握可能性、製品における重要性、公開の影響、独自開発の可能性を踏まえて判断します。明細書に必要な情報を記載せずに、広い権利を期待することはできません。 人工知能特許出願に関するよくある質問 公開モデルを用いた技術でも特許出願を検討できますか。 検討できます。公開モデルの利用だけを理由に、対象外になるわけではありません。入力処理、学習方法、モデルの組合せ、推論の運用に独自の技術的改良があるかを確認します。ただし、公開モデルの既知の構造そのものを自社の独自技術として請求できるという意味ではありません。ライセンス条件と特許上の問題は別途確認します。 ファインチューニングの結果が良ければ特許になりますか。 結果だけでは判断できません。データの構成、学習手順、アダプターの選択など、具体的な相違点を確認します。既知の手法を新しいデータに通常どおり適用したのか、技術的課題を解決する独自の構成があるのかを比較します。 プロンプトも保護できますか。 文言そのものと、それを構成・利用する処理技術は区別します。入力解析、コンテキスト選択、ツール仕様の配置、応答検証、再試行制御を具体的に組み合わせた技術は検討対象となり得ます。特定の言い回しだけで広い権利を確保できるとは限りません。 RAGを構築しただけで特許出願できますか。 出願できることと、登録要件を満たすことは別です。一般的なRAGの構成から何を改良したかを確認します。文書構造を反映した検索、バージョンの有効性判定、根拠の検証、条件に応じた再検索など、具体的な相違点の整理が出発点です。 実装コードや学習データをすべて提出する必要がありますか。 すべての発明について、コードやデータの全量提出が一律に必要なわけではありません。ただし、当業者が実施できる説明は必要です。データの特性、ラベル、前処理、モデルとの関係、処理条件に応じて、必要な資料を判断します。 製品が未完成でも出願できますか。 完成品の存在が、すべての発明で出願の前提となるわけではありません。ただし、技術的な考え方が具体化され、実施できるように説明できる必要があります。目標や期待する結果だけの段階であれば、追加の設計・検証が必要な場合があります。分野の予測可能性や主張する効果に応じて、必要な裏付けも異なります。 論文やコードをすでに公開した場合はどうすればよいですか。 公開した内容、日付、対象者、各国への出願予定を速やかに整理して検討します。韓国で新規性喪失の例外を適用できる余地と必要な手続を確認し、未公開の追加改良がないかも確認します。公開後もいつでも出願できるとは考えないようにしてください。 開発にAIツールを使った場合、誰が発明者になりますか。 韓国の実務は、自然人を発明者とすることを前提としています。AIツールを使ったことだけで、人の発明者性が認められたり否定されたりするわけではありません。課題の設定、具体的な解決手段の着想・検討・検証において、創作に寄与した人を確認します。所属、役職、単なる指示だけで一律に判断する問題ではありません。 特許を取得すれば、自由に事業を実施できますか。 自社の発明が登録できることと、他者の権利を侵害しないことは別です。先行する特許を利用した改良発明では、自社の特許が登録されても、先行権利との関係が残る場合があります。製品の提供前に、主要市場での特許侵害の可能性を別途検討し、契約やライセンスも確認します。 一つのAIサービスから複数の特許を検討できますか。 検討できます。データ処理、学習方法、検索構造、推論の最適化、機器制御に、それぞれ独自の改良がある場合です。ただし、機能ごとに機械的に分けるのではなく、各構成の独立した技術的意義と相互関係を確認します。追加改良と公開予定も踏まえて出願を構成します。 発明の検討を始めるために 最初から特許出願用の法的な文章を用意する必要はありません。従来手法で問題が起きる条件、変更した構成、入出力の流れ、比較結果、代替実装に関する技術資料をご準備ください。参照した論文・公開コード、公開予定日、共同開発の参加者と役割を整理すると、より的確な検討につながります。 AIの特許保護の候補は、サービス名ではなく、開発過程で具体化した課題解決の仕組みにあります。データの信頼度を反映する入力、条件に応じた学習、根拠を検証する生成手順、機器の制約に応じた推論、予測と実際の制御を結び付ける構成などです。先行技術と比較し、実施可能な説明と請求項に整理することが、出願準備の中核となります。 韓国語原文を読む この記事は公表時点の情報に基づいています。個別の事情については、当事務所にご相談ください。 この分野について相談 ↗ 記事一覧 IPLEXに相談 知的財産の課題を、 ご相談ください。 技術の内容と事業上のご要望を踏まえ、対応方針を共に検討します。 ↗ お問い合わせ 新しい記事 オーストラリアの商標出願・登録：手続き、期間、TM Headstart ↗ 前の記事 商標の不使用取消審判：事例から見る対応方法 ↗ 関連インサイト AI・ソフトウェア 2026.10.01 FiXを読む：ソフトマックス注意機構における特徴ごとの忘却制御 金容德弁理士がFiXの特徴単位ゲート、数値計算とページ型キャッシュを分析し、実験で示された効果と残る課題を整理します。 ↗ 記事を読む AI・ソフトウェア 2026.09.30 MHAR：特徴部分空間ごとに過去の層を読み分ける仕組み 韓国弁理士の金容德が、Multi-Head Attention Residualsの深さ方向の情報選択、実験結果、実装コストと技術的効果を検討します。 ↗ 記事を読む AI・ソフトウェア 2026.09.28 寄稿掲載：Claude Computer Useを手がかりに、AIエージェントの学習技術を特許から読み解く 金容德代表弁理士の寄稿がAI Timesに掲載されました。米国特許第12,585,862号を取り上げ、AIエージェントが画面操作を学ぶ仕組みを解説しています。 ↗ 記事を読む - https://www.iplexlaw.co.kr/ja - https://www.iplexlaw.co.kr/ja/blog/category/ai - https://www.iplexlaw.co.kr/forum/view/1538326 - https://www.iplexlaw.co.kr/ja/contact - https://www.iplexlaw.co.kr/ja/blog - https://www.iplexlaw.co.kr/ja/contact - https://www.iplexlaw.co.kr/ja/blog/1538373 - https://www.iplexlaw.co.kr/ja/blog/1538124 - https://www.iplexlaw.co.kr/ja/blog/fix-fine-grained-forgetting-attention - https://www.iplexlaw.co.kr/ja/blog/fix-fine-grained-forgetting-attention - https://www.iplexlaw.co.kr/ja/blog/mhar-multi-head-attention-residuals - https://www.iplexlaw.co.kr/ja/blog/mhar-multi-head-attention-residuals - https://www.iplexlaw.co.kr/ja/blog/claude-computer-use-agent-patent - https://www.iplexlaw.co.kr/ja/blog/claude-computer-use-agent-patent