特許法上の「進歩性」の要件を満たさない発明がさらに増える段階に近づきつつあると考えられます

文責：Sharaz Gill

特許法やライセンスに AI が与える影響について私が投稿している一連の記事の読者ならば、私のこうした内省的な考察の大半は、この分野における新たな応用例や動向に関する情報に触れたことがきっかけとなっていることをご存知でしょう。この最新の記事についても、同じことが言えます。最近、Singularity Hub で、およそ 90 年にもわたって解決が難航している数学の問題である「ヤコビアン予想」に関する記事を偶然見つけました。数学のことは私にはわかりませんが、私の関心を引いたのは予想そのものではなく、長年探求されてきた反例の発見に際して AI が果たしたと思われる役割でした。

数学者の Levent Alpöge 氏は、この問題の解明に向け、Claude Fable 5 と共同で研究を進めていました。私が興味深いと感じたのは、AI がその予想を反証したことでも、Alpöge 氏とマシンのどちらに功績があるのかということでもありませんでした。むしろ私が関心を持ったのは、両者の相互作用でした。Alpöge 氏が発見した反例は、一見すると驚くほど単純なものでした。しかし、真の難しさは、膨大な数の可能性が考えられる多項式写像の中からそれを見つけ出すことにありました。AI は、熟練した数学者がその探索空間に乗り込み、他の研究者たちが数十年にわたって見つけられずにいた答えを導き出す手助けをしたのです。ある意味、もともと優れた研究者であった氏の能力が及ぶ範囲をさらに広げることになりました。

ここには、特に弁理士にとって、用語上での落とし穴が潜んでいる可能性があります。問題解決能力、革新性、そして進歩性は、同じものではありません。Alpöge 氏の数学的発見は、卓越した問題解決能力を示していますが、特許法上の意味での発明ではありません。同様に、革新的であるからと言って、必ずしも進歩性を有するとは限りません。以下の記述では不可避的に、これらの語句の一部をやや大まかに用いていますが、特許法が定義する進歩性に AI が実際にどのような影響を与えているのかという問題を検討する際には、こうした区別が重要になってきます。

いずれにしても、私はこの件から、前回の Sisvel Insights の記事で述べた見解を改めて思い起こしました。その記事では、AI が科学技術研究の一般的なツールとなった場合、進歩性に何が起こるのかについて考察しました。特許法では、当業者であれば当該分野の一般的な手段を利用できることが、すでに前提とされています。AI がそのような手段のひとつであるとして、その手段を現実の発明者の手に委ね、その一方で仮想的な当業者にはその利用を認めないようにするのは、困難になるだろうと私は示唆しました。

ヤコビアン予想に関する話を読んで、私は、さらに別の帰結があるのではないかと考えさせられました。AI が個々の研究者の問題解決能力を高めるとしたら、それによって発明がさらに増えることを期待すべきなのでしょうか。科学者や技術者は、さらに多くの考えられる解決策を検討し、さらに多くの仮説を検証し、さもなければ見過ごされていたかもしれない関連性を見出すことができるようになるでしょう。AI は、発明率を劇的に上げるために自律的な発明家になる必要はありません。人間の発明家が新しい解決策を見つけられるように手助けする存在でよいのです。

さて、私は興味深いパラドックスが好きなのですが、ここにも確かにひとつのパラドックスが存在します。同じ AI 能力が当業者の通常のツールキットの一部となった場合、進歩性の基準は引き上げられなければなりません。その結果、かつてはかなりの創意工夫を必要とした解決策も、AI の支援があれば比較的簡単に見つけられるようになる可能性があります。

したがって、私たちは今、発明自体の数は増える一方で、特許法上の発明とみなされるものは減少していく世界に向かっていると言えるでしょう。

AI：能力を最大限に引き出し、さらに一歩先へ

AI が発明に及ぼす最も直接的な影響は、おそらく発明件数の増加であると考えられます。AI が既存の研究プロセスを加速させることが、そう考える主な理由ですが、スピードだけ見ていたのでは、変化の内容を捉えることはできません。より重要な点は、AI によって研究者が解決策として、従来は現実的とみなされなかったような、はるかに幅広い可能性を探ることができるようになることです。

従来の研究者は、技術的な問題に直面しても、時間とリソースに限りがあります。数百、数千ものアプローチが考えられるかもしれませんが、現実的に検討できるのは、そのごく一部に限られます。したがって、どこに注目すべきか、追求する価値があるのはどの道筋か、判断しなければなりません。一部の可能性はまったく考慮されずに終わります。

AI はそのような制約を変えてしまいます。膨大な数の解決策候補を生成して比較し、さまざまな知識領域を横断的に探索し、一見無関係に見える分野間の関連性を示唆し、新しい情報に応じて繰り返し提案を改善することができます。以前ならあまりにも非現実的だとして却下されてしまったかもしれないアプローチや、研究者にはそもそも思いもよらなかったようなアプローチも、徹底的に調査することが可能となります。その成果は、研究生産性の向上にとどまりません。AI は、研究者が利用できる効果的な知的探索空間を拡大します。

だからといって、人間の貢献がなくなるという意味ではありません。むしろまったく逆のことが現実となるかもしれません。AI システムの有用性は、使用する人によって大きく左右されます。研究者は依然として、問題を特定し、関連する情報や制約を識別し、提示された提案を評価し、有望な結果を認識し、さらに調査する価値があるのはどの経路かを判断する必要があります。これには重要な専門知識が必要です。AI の能力が高まるにつれて、このような人間の貢献の価値も共に高まる可能性が大きいでしょう。

こうした効果が科学や工学の分野全般で再現できるのであれば、AI は発明のペースを、おそらくは劇的に高めることになるでしょう。これにより、パラドックスのもうひとつの側面が浮き彫りになります。AI がこのような形で実際の研究者の能力を高めることができるのであれば、同じ増幅効果のどれだけの部分を、特許法上で「当業者」の功績とみなすべきなのでしょうか。

進歩性の基準を動かす

人間の発明の進歩性がこのように高められる状況には、明らかな難点があります。特許法では、発明の進歩性は、発明者が AI の支援なしでも達成できたであろう成果と照らし合わせて評価されるわけではありません。基準となるのは、優先日の時点で当業者が明らかに認識していたであろう事項です。

前回の記事で論じたように、当業者は、当該分野で使用される一般的な手段から合理的に切り離すことはできません。AI が標準的な研究環境の一部となるのであれば、科学データベース、シミュレーションソフトウェア、計算モデリングがすでにそうであるのと同様に、最終的には、AI も当業者に帰属する能力の一部を構成するものでなければなりません。

さらに言えば、進歩性は固定された基準ではありません。何に創意工夫が必要かは、その時点で一般的に入手可能な手段を用いて、通常の当業者ができることによって、ある程度決まります。例えば、先行技術には特定の解決策に到達するために必要な情報がすべて含まれているものの、関連する情報間の関連性の特定が困難という、技術的な問題があるとします。従来の方法を用いている当業者は、その関連性がまったくわからない可能性があります。その分野で日常的に利用可能な AI システムが、関連性を特定し、その結果として導き出された解決策を提案し、その解決策を追求する価値がある理由を説明できるとしたら、その解決策に到達する過程に進歩性があると主張することは、はるかに困難になります。

これにより、ラチェット効果が生まれます。つまり、AI システムの能力が高まるにつれて、かつては卓越した創意工夫を必要とした問題も、通常の当業者の能力で解決できるようになるかもしれません。AI が技術的な可能性を探求する能力を高めれば高めるほど、進歩性の基準が高くなっていく可能性があります。

この効果は均一ではありません。技術の種類によって、AI の導入ペースや用途は異なります。評価のベースは依然として、優先日および当該技術分野における当業者の能力や慣行となるでしょう。計算化学ではごく一般的な AI 機能であっても、通信分野においては、同じ時点の場合でも珍しいとみなされる可能性があります。

AI を利用することで、実際の研究者が技術的な解決策を見出す能力が向上し、そのような能力が当該分野において一般的になった場合、特許法でも最終的には、自明性の判断に際してこの点を反映する必要があります。したがって、AI によって発明の数は増える一方で、進歩性を伴う発明の割合は減少するかもしれません。このように、発明を容易にする技術が、発明を評価する基準を引き上げることにもなるのです。

ここから、さらなる疑問が浮かびます。高性能化が進む AI システムが技術的解決策の特定に関わる作業の大半を処理するとしたら、人間の発明の技能はそのプロセスから消えてしまうのでしょうか。それとも単に別のどこかへ移るだけなのでしょうか。

では、創意工夫はどこに

AI の能力が高まっても、発明のプロセスから人間の創意工夫が必ずしも消えるわけではありません。おそらく、その一部はプロセスのもっと前の段階に移行すると考えられます。

同じ技術的問題に対して、同じ AI システムを使用している 2 人の研究者がいるとします。一方の研究者は、AI に解決策を提案するよう指示しましたが、特に目立った結果は得られません。もう一方の研究者は見過ごされていた制約を特定し、その制約に基づいて問題に取り組むよう AI に指示します。そして AI の応答が示唆する関連性に従い、パラメータを変更し、最終的に発明となる解決策を導き出します。

最終的な解決策を導き出したのは AI だったかもしれませんが、この 2 人の研究者の貢献度が同等だったとは言い難いでしょう。2 人目の研究者は、このプロセスに技術的な知見をもたらしました。その洞察がなければ、AI がその発明に方向づけられることは決してなかった可能性があります。

これは、単なる「プロンプトエンジニアリング」の枠を超えています。重要な貢献とは、単にリクエストの表現方法を知ることではなく、AI に何を調査するよう命じるべきか、どのような技術的な文脈や制約を提示すべきか、そして AI の回答のうち追求する価値があるのはどれかを把握することです。そのためには、技術的な理解に加え、AI を活用するスキルも必要です。このことは、発明における創意工夫の一部が、さらに上流の段階へと移行する可能性があることを示唆しています。研究者は、最終的な解決策を個人的に構想するよりも、その解決策が見出されるまでのプロセスを導くことによって、より大きな貢献をする可能性があります。

特許法では、巧妙なプロンプトに進歩性があると単純にみなすことはできません。進歩性とは、請求項の発明に帰属し、客観的に評価されるものだからです。自明な解決策に到達する上で創意工夫があったとしても、その自明性が低くなるわけではありません。

とはいえ、人間の貢献が自明性について何らかのことを示唆している場合もあるかもしれません。研究者が見落とされていた制約を特定するか、問題を再定式化するか、当業者が考えつかなかった関連性を導き出すかしたために、AI が解決策を見出したのであるなら、そのことは、請求項の解決策が自明でなかった理由を説明する助けとなる場合があります。また、プロンプトや応答も、研究者がどのように問題を構造化し、制約を変更し、誤った仮説を排除して、AI を結果へと導いたかを示すことで、このプロセスのきわめて優れた証拠となる場合があります。

したがって、プロンプトの重要性は、時間の経過とともに変化する可能性が高くなります。当初は特別な技能を必要としていたことも、研究者が AI をより適切に制御できるようになるにつれて、普通の能力となる可能性があります。AI システムがこのような作業の一部を自ら実行することも増えていくでしょう。

プロンプトが人間の創意工夫を示すものになる可能性があるのは、通常の技能を超える何かが必要とされている場合に限られます。その重要性は、当業者が優先日に利用可能な AI ツールを用いて通常実行できることに左右されます。これにより、進歩性は事実関係に大きく依存するようになります。優先日の時点でどのような AI システムを利用可能であったか、そのシステムは当該分野でどのように利用されていたか、そして何をすることができたかを把握する必要があるかもしれません。

バベルの図書館を巡る

発明に際して多くの考えられる解決策の中から選択を行う必要がある場合、AI は特に大きな影響を与える可能性があります。

前回の記事では、欧州特許庁（EPO）の「一方通行」の考え方と、英国の裁判所が適用している「試みることが自明だったか」という分析について考察しました。先行技術が特定の方向性を示しており、当業者が成功の合理的期待を抱きながらその方向性を追求する場合、進歩性の立証は困難になります。

方向性の候補が多数あり、その中から選ぶための明確な基準がない場合には、状況は異なります。製薬研究者は数千もの化合物を目の前にし、エンジニアは多くのパラメータや構成の組み合わせを目の前にしているかもしれません。請求項の解決策がそのどれかに含まれているとしても、選択することが自明とはなりません。

この記事を執筆しながら、ボルヘスの『バベルの図書館』を（今回はスペイン語版で）読み直してみたところ、思いがけず良い比喩が浮かびました。ボルヘスが想像したのは、執筆される可能性があるすべての書物が収蔵された図書館です。そこには、事実上無限の量の書物を収蔵できるナンセンスな環境に囲まれて、あらゆる真実が潜んでいます。図書館のどこかに答えがあったとしても、それを見つける実用的な方法がなければ、ほとんど役に立ちません。技術探索の問題の多くは、これと同じです。解決策は、すでにそこにあるのかもしれません。重要なのは、当業者がそれを見つけ出せるかどうかです。

AI によって、この問題の実践的な意義が変わる可能性があります。ある技術的な問題を解決するためのアプローチが 10 万通りあると仮定しましょう。人間の研究チームが、そのごく一部を超える量を評価するのは、現実的ではないかもしれません。しかし、AI システムなら、可能性を分析し、有望でないと思われる選択肢を排除し、さらに調査を進めるべき対象をかなり少数に絞り込むことができるかもしれません。

考えられる解決策の数は変わっていません。変わったのは、有望な選択肢を見つけることが難しくなったという点です。ヤコビアン予想の例をきわめて興味深いと感じた理由は、そこにあります。その反例は、いったん見つかれば、理解するのは一見して難しくないようでした。問題だったのは、膨大な可能性の中からそれを見つけ出すことでした。AI は、解決策そのものではなく、解決策を探求する方法を変化させたように思われます。

日常的であるとみなされる研究の範囲が、これで大幅に広がる可能性があります。選択肢の多さゆえにかつては現実的ではなかったであろう探索が、比較的容易な作業になるかもしれません。通常利用可能な AI システムで、10 万通りの可能性を絞り込んで容易に検証可能な候補リストを作ることができるとしたら、当業者は、どの可能性が有望かを事前に知る必要はありません。

この議論には限界があります。AI システムによって請求項の解決策を特定できるという事実だけでは、その解決策が優先日において自明であったことを証明できません。その時点において当該分野で通常利用可能な AI システムの能力に、大きく左右されるでしょう。その解決策を見つける過程で、通常と異なるモデルを使用するか、一般的とは言えない方法でモデルを活用するか、あるいは探索の方向性を定める上でかなりの技術的知見を用いた場合、そのアプローチはやはり定石とはかけ離れている可能性があります。

また、候補を特定したからといって、それで必ずしも成功の合理的期待を見込めるわけではありません。AI は、妥当と思われる可能性を生成する場合には非常に優れているかもしれませんが、その中のどれが有望かを予測する場合には、それほど優れているとは言えない場合もあります。初期の探索が容易になったからといって、実験の不確実性がなくなるわけではありません。

こうした制約はあるとしても、AI は「試みることが自明だったか」という表現の実質的な意味を変える可能性があります。一部の分野では、考えられる解決策が不足していることが問題なのではなく、その中から試す価値があるのはどれかを決めることが問題となっていました。AI がそうした選択を行う能力を高めていくと、かつては発明的探求を必要としていた技術分野も、ますます探索可能になっていく可能性があります。

問題のレベルアップ

これまで私たちは、高性能化が進む AI が同種の技術的な問題に適用され続けるものと、おおむね想定していました。しかし、実際にはそうはならないようです。AI によって今日の困難な問題の解決が容易になれば、当然ながら研究者たちは、調査するには複雑すぎるか、不確実すぎるか、費用がかかりすぎるとこれまで考えられていた分野を含め、さらに困難な問題に取り組むために AI を活用するようになるでしょう。進歩性の基準は引き上げられるかもしれませんが、それと共に、対象となる問題の難易度も高まる可能性があります。

したがって、その時点での一般的な AI ツールを備えた当業者が容易に達成できる範囲を超えた領域が、依然として存在することになります。その最前線において、現時点では解決への道筋が確立されていない問題に取り組むことが、AI には求められるかもしれません。新しい仮説を立てたり、予期せぬ技術的な関連性を発見したり、あるいは既知の知識では明らかでなかったアプローチを考案したりする必要があるかもしれません。

ある研究者が従来の方法でそのような問題を提示し、AI が解決策を導き出したとします。そうした解決策が見つかるとは、その研究者も、同じ AI を使用している当業者も予想もしていませんでした。このような解決策が、進歩性の要件を満たさないという明確な理由はありません。通常の AI 能力を備えた当業者が達成できると予想された範囲を超える何かを、AI が達成したという事実は、当該発明が自明ではなかったという結論を裏づける可能性があります。

しかし、発明者性という問題が、そこでさらに複雑になります。研究者の仕事が、問題を提起し、その答えの価値を認識し、それが有効であることを確認するだけであったとしたら、その発明の構想に対する人間の貢献を特定することは難しくなると考えられます。再帰的自己改善に関する現在の研究が示唆するように、AI システムが手段自体の改善にますます関与するようになれば、このプロセスはさらに加速する可能性があります。

したがって、扱いにくい種類の発明が特許法にぶつかってくるかもしれません。例えば、AI で強化された当業者の通常の能力を超えた内容の、それを考案したと容易に主張できる人間が存在しないような技術的解決策です。かくして、やや風変わりな道筋をたどって、AI の発明者性の問題へと立ち返ることになります。そうなった場合、特許法は、進歩性をもたらした人間を特定できないにもかかわらず、その進歩性を認めるという奇妙な状況に直面することになるでしょう。

そのような特許が存在する勇敢な新世界

このように、AI は特許法にもうひとつ興味深いパラドックスをもたらします。つまり、AI によって発明の能力が大幅に向上する一方で、どの発明が特許に値するかを判断する基準がより厳しくなる可能性があるのです。

発明活動の最前線が消えることはありません。今日の困難な問題が容易になれば、おそらく研究者たちは、さらに難しい問題へと移行していくでしょう。通常の活動と発明活動の境界線も、それに合わせて変化せざるを得ないでしょう。

もっと幅広い影響もあります。AI は、発明そのものだけでなく、その発明を特許出願へとつなげる作業も容易にします。出願件数が急増する一方で、進歩性の要件を満たす出願の割合が低下した場合、特許庁はまったく異なる問題に直面する可能性があります。このちょっとした難問に関しては、次回の記事で改めて取り上げたいと思います。

Sharaz Gill はシズベルのポートフォリオ管理責任者です。

この記事に記載された見解は執筆者のものであり、必ずしもシズベルの見解を反映するものではありません。本内容は情報提供のみを目的としており、法的助言として解釈されるべきではありません。