2024年12月31日に、中国国家知識産権局（ＣＮＩＰＡ）は、人工知能(AI)関連発明特許出願ガイドライン（試行版）を公表致しました。また2025年1月15日に中国2024年度知財統計データが公表されました。

 

第一部分　人工知能(AI)関連発明特許出願ガイドライン

１．制定背景及び必要性

　近年、人工知能技術は革新的に進歩し、関連特許出願量も増加しており、新たな科学技術革命及び産業変革の重要な駆動力になっている。その大きな発展の潜在力のため、世界の主要な国はいずれも人工知能の発展を国家戦略として位置づけている。現行の特許審査基準をより明確化及び詳細化し、イノベーション主体が共通に懸念する主な問題を迅速に解決するために、「人工知能関連発明特許出願ガイドライン」（以下、「ガイドライン」と略称する）を制定する必要がある。本ガイドラインは、出願人が現行特許審査政策をよりよく理解することに寄与する。

 

２．ガイドラインの概要

　本ガイドラインは全６章からなり、構成は以下の通りである。

　第一章　人工知能関連特許出願の一般的類型

　本章は、AI関連特許出願の一般的類型及び法律問題に関し、人工知能の関連特許出願の一般的類型及び法律問題についてまとめたものであり、一般的類型を、①人工知能アルゴリズム又はモデル自体に関する関連特許出願、②人工知能アルゴリズム又はモデルに基づく機能又は分野応用に関する関連特許出願、③人工知能の支援により作成された発明に係る関連特許出願、及び④人工知能により生成された発明に係る関連特許出願の４種類に分けている。

　具体的には、①人工知能アルゴリズム又はモデル自体に関する関連特許出願は、通常、人工知能アルゴリズム、またはモデル自体およびその改良または最適化、例えば、モデル構造、モデル圧縮、モデルトレーニングなどに関するものである。②人工知能アルゴリズム又はモデルに基づく機能又は分野応用に関する関連特許出願は、通常、人工知能アルゴリズム又はモデルを使用して特定の機能を実現するか又は特定の分野に応用することに関し、例えば、人工知能図形鮮明化技術に基づく新型電子顕微鏡である。そのうち、人工知能アルゴリズム又はモデルに基づく機能とは、通常、コンピュータが人間の言語を理解して生成することを可能にする自然言語処理と、コンピュータが画像又はビデオを「見る」こと及び理解することを可能にするコンピュータビジョンと、音声認識、音声合成等を含む音声処理と、情報を表現し、コンピュータが問題を解決することを可能にする知識表現及び推論であって、知識グラフ、グラフ計算等を含む知識表現及び推論と、大量のデータに対して計算及び分析を行い、その中から潜在的なパターン、傾向又は関係等の情報又は法則を識別するデータマイニングとを含む。人工知能アルゴリズム又はモデルに基づく分野応用とは、人工知能を、交通運輸、電気通信、生命・医学科学、安全、商業、教育、娯楽、金融等の各種のシーンに応用し、各業種において技術革新を推進し、知能化レベルを向上させることを指す。

 

　第二章　発明者の身分の認定に関して

　本章は、発明者の認定問題に関し、人工知能が発明者の主体資格を備えていないことについて論証して説明する。

　具体的には、指南第一部分第一章第４．１．２節には、「発明者は個人でなければならず、願書には単位又は集団、及び人工知能の名称を記入してはならない。」と明記されている。特許文書に署名する発明者は自然人でなければならず、人工知能システム及びその他の非自然人は発明者となってはならない。発明者が複数存在する場合、各発明者は自然人でなければならない。

 

　第三章　方案客体の基準に関して

　本章は、方案客体の標準に関し、人工知能関連発明特許出願が客体要件をどのように満たすかを説明するためのものであって、特許法第二十五条第一項第（二）号に基づいて「知的活動の規則及び方法」を排除すべきこと、及び第二条第二項における「技術方案」に関する規定を満たすことを含む。

　具体的には、方案客体の要件を満たすことについて、第一、請求項の方案は、知的活動の規則及び方法だけに係わってはならない。第二、請求項の方案は、技術的問題を解決するために自然法則に従う技術手段を採用し、かつ技術的効果を達成することを表さなければならない。そのうち、第二について、「人工知能アルゴリズム又はモデルが処理するのは、技術分野において適切な技術的意味を有するデータである」というケース１と、「人工知能アルゴリズムまたはモデルは、コンピュータシステムの内部構造と特定の技術的関連が存在する」というケース２と、「人工知能アルゴリズムに基づいて具体的な応用分野のビッグデータにおける自然法則に合致する内在的関連関係をマイニングする」というケース３が挙げられている。各ケースの詳細は、以下の通りである。

　「ケース１：人工知能アルゴリズム又はモデルが処理するのは、技術分野において適切な技術的意味を有するデータである」
　例えば、ニューラルネットワークモデルを利用して画像を識別・分類する方法である。画像データは、技術分野において適切な技術的意味を有するデータに該当し、当業者が解決方案における画像特徴を処理する各ステップが解決しようとする物体を識別・分類する技術的問題と密接に関連し、かつ相応の技術的効果を獲得したことを知ることができる場合、当該解決方案は、技術方案に該当する。

　「ケース２：人工知能アルゴリズムまたはモデルは、コンピュータシステムの内部構造と特定の技術的関連が存在する」

　例えば、メモリコントローラアクセラレータ向けのニューラルネットワークモデル圧縮方法であって、アレイ感知の規則化増分枝刈りアルゴリズムにより、ネットワーク裁断時にメモリコントローラアレイの実際のアレイサイズに対して枝刈り粒度の調整を行い、メモリコントローラアレイに適応する規則化疎モデルを得るステップ１と、二のべき乗量子化アルゴリズムにより、ＡＤＣ精度要求とメモリコントローラアレイ中の低抵抗値デバイスの個数を低下させ、システム消費電力を全体的に低下させるステップ２とを含むニューラルネットワークモデル圧縮方法。

　当該方案では、枝刈りアルゴリズムと量子化アルゴリズムを採用してメモリコントローラアレイの実際のアレイサイズに対して枝刈り粒度の調整を行い、メモリコントローラアレイ中の低抵抗値デバイスの個数を低下させる。上記手段は、メモリコントローラアクセラレータの性能を向上させるために行ったアルゴリズムの改良であり、ハードウェア条件パラメータの制約を受け、アルゴリズム特徴とコンピュータシステムの内部構造に特定の技術関連が存在することを反映し、自然法則に合致する技術手段を利用し、メモリコントローラアクセラレータのハードウェア消費が大きすぎると消費電力が高すぎるという技術的問題を解決し、自然法則に合致するコンピュータシステム内部性能改善の技術効果を獲得する。したがって、当該解決方案は、技術方案に該当する。

　また、例えば、ディープニューラルネットワークモデルのトレーニング方法であって、トレーニングデータのサイズが変更された場合、変更後のトレーニングデータに対して、それぞれ前記変更後のトレーニングデータの予め設定された候補トレーニング方案におけるトレーニング時間を計算することと、予め設定された候補トレーニング方案からトレーニング時間が最小のトレーニング方案を選択して前記変更後のトレーニングデータの最適トレーニング方案とし、前記候補トレーニング方案がシングルプロセッサトレーニング方案とデータ並列に基づくマルチプロセッサトレーニング方案を含むことと、前記変更後のトレーニングデータを前記最適トレーニング方案においてモデルトレーニングを行うことを含むトレーニング方法。

　当該方案は、ディープニューラルネットワークモデルのトレーニング速度が遅い問題を解決するために、異なるサイズのトレーニングデータに対して、異なる処理効率を有するシングルプロセッサトレーニング方案またはマルチプロセッサトレーニング方案を選択し、このモデルトレーニング方法は、コンピュータシステムの内部構造と特定の技術関連を有し、トレーニング過程におけるハードウェアの実行効果を向上させて、自然法則に合致するコンピュータシステム内部性能改善の技術効果を得るため、技術方案を構成する。

　「ケース３：人工知能アルゴリズムに基づいて具体的な応用分野のビッグデータにおける自然法則に合致する内在的関連関係をマイニングする」

　例えば、食品安全リスク予測方法であって、過去の食品安全リスク事件を取得して分析し、食品原料、食用物品、食品抽出検査毒劇物を表す各頭部実体データと尾部実体データ及びそれに対応するタイムスタンプデータを得ることと、各頭部実体データとそれに対応する尾部実体データ及びそれに対応するタイムスタンプデータを持つ各種危害物含有レベル、リスク又は関与を表す実体関係に基づき、対応する四元組データを構築し、対応する知識グラフを得ることと、前記知識グラフを利用してプリセットニューラルネットワークをトレーニングし、食品安全知識グラフモデルを得ることと、前記食品安全知識グラフモデルに基づいて、予測される時点の食品安全リスクを予測することとを含む食品安全リスク予測方法。

　当分野の従来技術では、静的知識グラフを用いて食品安全リスクを予測し、実際の状況における食品データの時間変化による変化を反映できず、データ間の影響を無視してしまう。この方案は、食品が時間とともに変化する固有の特徴に基づいて食品安全リスクを予測して、知識グラフを構築する際にタイムスタンプを加え、各時点での食品安全リスクに関連する実体データに基づいてプリセットニューラルネットワークをトレーニングし、これによって予測される時点の食品安全リスクを予測するものであり、自然法則に従う技術手段を利用し、未来時点の食品安全リスクの予測が不正確な技術的問題を解決し、相応の技術効果を得ることができるため、技術方案を構成する。

 

　第四章　明細書の十分な開示に関して

　本章は、明細書の十分な開示の問題に関し、明細書において従来技術に対して貢献をもたらす部分を十分に記載すべきであることを明確にし、現行の審査規定と実務上のAI関連特許出願の十分な開示に対する規範をさらに細分化して、AIの「ブラックボックス」問題に積極的に対応する。

　具体的には、発明の貢献が人工知能モデルのトレーニングにある出願は、通常、方案が解決しようとする問題又は達成しようとする効果に基づき、明細書に必要なモデルのトレーニング過程に関わるアルゴリズム及びアルゴリズムの具体的な手順、トレーニング方法の具体的な過程等を明記する必要がある。

　発明の貢献が人工知能モデルの構築にある出願は、通常、方案が解決しようとする問題又は達成しようとする効果に基づき、明細書に必要なモジュール構造、階層構造又は接続関係等を記載し、正確かつ客観的にモデルの機能及び効果を明記する必要がある。必要な場合、実験データ、分析論証等の方式により、改善された後に達成できる効果を表明する。

　発明の貢献が人工知能の具体的な分野応用にある出願は、通常、方案が解決しようとする問題又は達成しようとする効果に基づき、明細書においてモデルが具体的な応用シーンとどのように結合するか、入力／出力データがどのように設けられるか等を明確にする必要がある。必要な場合、明細書には、さらに入力データと出力データの間の関連性を、所属する技術分野の技術者が両者の間に関連関係を有すると判断できるように、解明すべきである。

 

　第五章　進歩性に関する考量に関して

　本章は、進歩性の考量に関し、審査基準を解釈し、対照実例を提供することにより、進歩性の考量に際してアルゴリズム特徴の技術的貢献を考慮する必要があるように、アルゴリズム特徴と技術的特徴がどのように機能的に互いにサポートし、相互作用関係が存在するのかを明確にする。

　具体的には、人工知能関連発明特許出願の解決方案は、大量のアルゴリズム特徴を含み、進歩性を考量する際には、技術的特徴と機能的に相互に支持し合い、相互作用関係があるアルゴリズム特徴と前記技術的特徴を一体として考慮すべきである。「機能的に相互に支持し合い、相互作用関係がある」とは、アルゴリズム特徴と技術的特徴が緊密に結合し、共同である技術的問題を解決する技術手段を構成し、かつ相応の技術的効果を獲得することができることを指す。技術方案を全体的に考慮した後、従来技術と比較して、当該方案に顕著な実質的特徴と顕著な進歩がある場合、請求項は、進歩性を具備する。

　以下に対照実例を記載する。

　【例１（特定の機能又は分野において人工知能アルゴリズム又はモデルを応用する際に、アルゴリズム特徴の方案に対する貢献を考慮すべきである）】

　例えば、ある出願は、マルチセンサ情報に基づくヒューマノイドロボットの転倒状態検出方法に関し、この方法は、姿勢センサ情報、ゼロモーメント点ＺＭＰセンサ情報とロボットの歩行段階情報を融合することにより、階層構造のセンサ情報融合モデルを構築するステップ（１）と、前後ファジィ決定システムと左右ファジィ決定システムをそれぞれ利用してロボットの前後方向及び左右方向の安定性を判定するステップ（２）であって、ロボットの支持脚と地面との接触状況とオフライン歩行計画に基づいてロボットの歩行段階を特定するステップ①と、ファジィ推論アルゴリズムを利用してＺＭＰ点位置情報をファジィ化するステップ②と、ファジィ推論アルゴリズムを利用してロボットのピッチ角またはロール角をファジィ化するステップ③と、出力従属関数を特定するステップ④と、ステップ①〜ステップ④に基づいてファジィ推論規則を特定するステップ⑤と、脱ファジィ化を行うステップ⑥とを含むステップ（２）とを含むことを特徴とする。従来技術は、この解決方案のステップ（１）を開示しており、この解決方案と従来技術の区別は、ステップ（２）の具体的なアルゴリズムを採用するファジィ決定方法にある。この出願から分かるように、この解決方案は、効果的にロボットの安定状態およびその可能な転倒方向判断の信頼性及び正確率を向上させることができる。姿勢情報、ＺＭＰ点位置情報および歩行段階情報を入力パラメータとし、ファジィアルゴリズムによりヒューマノイドロボットの安定状態を判断する情報が出力され、さらに正確な姿勢調整指令を出すために根拠を提供する。したがって、上記アルゴリズム特徴と技術的特徴は、機能的に相互に支持し合い、相互作用関係があり、この従来技術に対して、発明の実際に解決する技術的問題が、如何にしてロボットの安定状態を判断する、およびその可能な転倒方向を正確に予測することにあることを特定できる。上記ファジィ決定の実現アルゴリズムおよびそれをロボットの安定状態の判断に応用することは、いずれも他の引例に開示されておらず、当業者の公知常識にも属さず、従来技術全体として当業者に従来技術を改善させて保護対象発明を取得する示唆が存在しなく、保護を求める発明の技術方案は、最も近い従来技術に対して非自明であり、進歩性を具備する。

　【例２（人工知能アルゴリズムまたはモデルを異なるシーンに応用する際に考慮すべき要素）】

　ある出願は、船の画像データに基づいてディープラーニングによってリアルタイム検出のデータモデルをトレーニングし、検出された船の数量に対して合計を行う船の数量統計方法に関し、現在の海域内の船の数量をリアルタイムでフィードバックする技術的問題を解決する。最も近い従来技術は、木の上の果実の数量の統計方法を開示し、当該出願のディープラーニングモデルトレーニングと数量統計ステップを開示し、その区別は、識別対象の違いであり、異なる応用シーンに属する。船と果実は、外観、体積、存在環境などの面でいずれも違いがあるが、当業者にとって、両者が採用した手段はいずれも取得した画像情報に対して対象識別、モデルトレーニングを行い、さらに数量統計を完成し、画像に対して識別を行う際、同様に識別対象の位置と境界を考慮する。もし画像における船に対する識別及びトレーニングと画像における果実に対する識別及びトレーニングは、そのディープラーニング、モデルトレーニングプロセス、画像識別における処理方式に変化を生じず、獲得される技術的効果がいずれも統計結果をより正確にすることであれば、トレーニングデータの違いは、データの意味の違いだけを示し、データの意味の違いは、アルゴリズムの改善または実現に対して制約、影響または制限を生じず、応用シーンの違いもアルゴリズムモデルの設計に対して異なる制約、影響または制限を生じない。そのため、従来技術の果実統計方法を当該方案の船統計に応用した場合、その効果は、従来技術の基礎の上で予期できるものであり、予期できない技術的効果を生じず、当該方案は進歩性を具備しない。

　【例３（人工知能アルゴリズムまたはモデルとコンピュータシステムの内部構造とが特定の技術的関連を生じる）】

　ある出願は、畳み込みニューラルネットワークを調整する方法に関し、ニューラルネットワークの定点化によりリソース使用量を低減し、低ビット定点量子化を持つニューラルネットワークモデルが低ビット幅のＦＰＧＡプラットフォーム上で実行可能となり、低ビット幅の状況下で浮動小数点ネットワークに匹敵する計算精度を実現することができる。この方案と最も近い従来技術との区別は、高ビット定点量子化を用いて畳み込みニューラルネットワークに対してトレーニングを行った後、ＦＰＧＡの低ビット幅によって畳み込みニューラルネットワークに対して微調整を行うことである。この区別技術的特徴に基づき、本願は、多層級大データ量の畳み込みニューラルネットワークを小型ＦＰＧＡ組込み式システムに用いる時に計算リソースに制限されることによる精度低下問題を解決し、畳み込みニューラルネットワークがＦＰＧＡプラットフォームでトレーニングするリソース使用量を低下させ、小型ＦＰＧＡ組込み式システムで浮動小数点ネットワークに匹敵する計算精度を実現する技術効果を得ることができる。アルゴリズム特徴とＦＰＧＡの低ビット幅などの技術的特徴を一体として考え、従来技術には技術示唆が存在せず、当該方案は進歩性を具備する。

　【例４（人工知能アルゴリズムまたはモデルと技術的特徴が共同で技術手段を構成し、ユーザ体験を向上させる）】

　ある出願は、オンラインカスタマーサービスの実現方法に関し、従来の電子商取引プラットフォームにおいて、ユーザが人工カスタマーサービスを通じて苦情相談などの業務を処理する傾向があり、ロボットカスタマーサービスと人工カスタマーサービスのリソースが合理的に利用されず、人工カスタマーサービスの処理圧力が大きいという技術的問題を解決する。主に採用する解決方案は、長短時間記憶ネットワークを採用してユーザの要求の文脈を分析し、遺伝アルゴリズムと結合して人工とロボットカスタマーサービスの動的分配を最適化することを含む。人工カスタマーサービスの負荷が過度であることを検出した時、システムは、長短時間記憶ネットワークを利用して予測して自動的に適切な要求をロボットカスタマーサービスに導き、人工カスタマーサービスの処理圧力を軽減させる。最も近い従来技術では、主にユーザの選択に基づいて人工またはロボットのカスタマーサービスを切り替え、かつ人工カスタマーサービスが忙しいかどうかを判断する根拠は、接客がすでに上限に達しているかどうかまたは待ち行列が発生しているかどうかであり、これは、本願が人工知能アルゴリズムに基づいてバランスを取った後に自動的に切り替えることとは異なり、この解決方案は、アクセス負荷に基づいて人工知能アルゴリズムによって分析して自動的にロボットカスタマーサービスを切り替えることにより、ロボットカスタマーサービスと人工カスタマーサービスの間でユーザのサービス要求をより合理的に分配するという技術的問題を解決することができ、ユーザの待ち時間を節約することができ、ユーザの体験を向上させ、したがって、方案は進歩性を具備する。

 

　第六章　人工知能関連特許出願における倫理問題について

　本章は、人工知能の倫理に関する指導的な意見を提供する。

　具体的には、人工知能関連内容について特許出願を行う場合、中国特許法第五条の規定に合致しなければならない。

　人工知能によるデータの取得及び利用に係る場合、関連データの出所、応用シーン、安全管理、使用規範等の各部分が関連法律に準拠しているか否かに注目する必要がある。データ内容そのもの以外に、具体的なデータの収集、保存、処理等の手段も関連法律の要求に合致する必要があり、社会公徳に違反し、又は公共利益を妨害してはならない。

 

第二部分　「速報 中国2024年度知財統計データ」

　（一）特許

　２０２４年における発明特許授権件数は、１０４．５万件であり、対前年比で１３．５％増となった。拒絶査定不服審判と特許無効審判の結審件数は、６．７万件であった。発明特許の平均審査期間は、１５．５ヶ月に短縮された。ＰＣＴ国際特許出願の受理件数は、７．５万件であった。中国出願人によるハーグ協定の意匠国際出願件数は、４８６８項目であり、対前年比で２９．５％増となり、世界第一位につけた。

 

　（二）商標

　２０２４年における商標登録件数は、４７８．１万件であり、対前年比で９．１％増となった。各種の商標審判案件の結審件数は、３８．３万件であり、異議案件の結審件数は、１０．３万件であった。商標登録出願の平均審査周期は、４ヶ月で安定し、異議審判案件の平均審査周期は、さらに圧縮された。２０２４年において中国出願人によるマドリッド国際商標出願件数は、７０３９件であり、対前年比で１３．６％増となった。

 

本件記載の人工知能関連発明特許出願ガイドライン（試行版）及び中国2024年度知財統計データは、それぞれ以下のサイトから入手可能です。

https://www.cnipa.gov.cn/art/2024/12/31/art_66_196988.html

https://www.gov.cn/lianbo/fabu/202501/content_6998991.htm