第二章 人工智慧技術背景介紹
第四節 人工智慧專利申請現況分析
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
37
己所發表言論之意義並無所知 151，它所呈現出來的「智慧」只不過是單純擴大 資料庫的行為，並未經過「思考」過程。因此，由上述可知，目前的人工智慧仍 尚未具備真正意義上的「智慧」，與「毀滅人類」及「自主發明」仍有一定距離 需要學術界持續努力。
第四項 小結
綜合上述，人工智慧技術於現階段中，絕大多數之能力皆來自於人類的設計，
透過預先給予之大量訓練資料以及設定之參數，人工智慧能夠從中提取特徵並總 結出某種抽象的的規律，進而以該演算法對特定種類的目標進行判斷，或是做出 相對應的行為反應。然而，因其「智慧」仍受限於人類給予的資料範圍，實非真 正的「智慧」，除了應用領域特定外，也未具備「自主性」，更遑論本文欲著重探 討之獨立研發情形。
即便如此，學術界仍竭盡所能地推動人工智慧技術發展，目前與「發明行為」
最為相關之應用，乃協助加速新藥開發，扮演研發過程中及為重要的的工具性角 色，詳細將於本文第四章中討論之。
第四節 人工智慧專利申請現況分析
第一項 檢索方式與對象在進行人工智慧統計分析之前，需要先確立統計對象及資料來源。本文在資 料庫之選定方面，為避免各國系統之關鍵字篩選機制不同，選擇統一利用我國於 2018 年初上線的「全球專利檢索系統」作為工具 152，並參考我國智慧財產局過
151 人工智慧「學」不會的東西，以及「人」無法被取代的理由，數位時代，2016 年 4 月 1 日，available at https://www.bnext.com.tw/article/39094/BN-2016-04-01-135646-178（最後造訪 日：2019/04/21）。
152 經濟部智慧財產局全球專利檢索系統， https://gpss.tipo.gov.tw/gpsskmc/gpssbkm （最後
DOI:10.6814/NCCU201900818
‧
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
38
去的統計資料153，以國際專利分類號（International Patent Classification, IPC）為 依據，選定了五個分類號，分別為「G06N3 基於生物模式之計算機系統」、「G06N 5 利用基於知識模式之計算機系統」、「G06N 7 基於特定數學模式之計算機系統」、
「G06N 99 本次類其他各目中不包括的技術主題」以及「G06F 17 專門適用於特 定功能的數位計算設備或數據加工設備或數據處理方法」，作為人工智慧專利之 代表分類 154，並以此進行相關專利檢索及分析。需要特別說明的是，國際專利 分類號共分為五個階層，本文僅選擇第四階層作為統計對象，而並未就最底層之 分類進行細分，舉例而言，G06N3 即含括了其分類底下的 G06N 3/00 至 G06N 3/12 共九個子分類號。
第二項 資料分析
本項之資料分析，會以分類號、國家；關鍵字、申請人等作為不同的分類依 據，並依此進行分析探討。此外，人工智慧最早雖然可以追溯至更早之前，然其 遲至近十年來，才開始被重視且在學術上快速發展，甚至能夠應用在產業上，達 到有經濟價值可能並進而申請專利之水準。因此，本文在依年份進行趨勢分析時，
僅以 2006 年 1 月 1 日起至 2018 年 12 月 31 日止為「申請日」且「已經公告」之 資料，作為分析對象。
一、所屬國分析
首先，在國家的挑選上，除了我國之外，本文搜尋範圍涵蓋了美國、中國兩 大目前在人工智慧領域最為活躍的國家，以及在機器人產業領域技術領先全球的 日本及韓國，最後亦納入世界主要的專利申請國之一的歐洲。
造訪日：2019/04/21）。
153 經濟部智慧財產局，人工智慧技術專利分析報告，available at https://pcm.tipo.gov.tw/P CM2010/PCM/commercial/03/AI.aspx?aType=3&Articletype=1&aSn=613 (最後造訪日：2019/04/2 6）。
154 若一項專利屬於複數個分類，則會於各分類號中分別計算之，並有重複計算之情形。此
外，本文認為專利說明書中為了介紹先前技術及背景，經常會出現與該發明非直接相關之字 眼，因此相較於使用關鍵字作為人工智慧相關專利的篩選，本文選擇使用國際分類號作為篩選 方式，惟該分類號中仍可能出現非人工智慧相關發明，礙於資料眾多且繁雜，恕無精確進行一 一挑選，特此註明。
DOI:10.6814/NCCU201900818
‧
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
39
表一 各國歷年專利申請件數表（來源：自行繪製）
美國 中國 日本 韓國 歐洲 我國 總計 2006 8398 2312 2043 1615 392 478 15238 2007 9565 2671 2285 1368 411 483 16783 2008 10254 2738 2563 1028 406 497 17486 2009 8250 3414 2397 1140 358 472 16031 2010 9378 3686 2385 1259 362 427 17497 2011 10980 5237 2395 1217 395 495 20719 2012 13520 6775 2335 1176 453 454 24713 2013 14585 8051 2255 1058 420 484 26853 2014 13404 8550 1933 1064 354 456 25761 2015 11569 6773 1003 1322 187 428 21282 2016 8001 3447 639 1805 91 421 14404 2017 3265 1706 307 989 25 325 6617 2018 488 329 43 244 0 110 1214
上表（表一）為美、中、日、韓、歐及我國共六個國家，於 2006 年至 2018 年歷年，將 G06N3、G06N 5、G06N 7、G06N 99、G06F 17 五項分類號加總起來 的歷年專利申請數量表。由表一可以明顯看出來，美國在該五項分類的專利申請 數量一直遠大於其他國家，且除 2008 年外大致上呈現逐年上升的趨勢。雖然表 中呈現的資料，從 2014 年至 2018 年有下降趨勢，然而參照美國專利商標局
（United States Patent and Trademark Office, USPTO）公佈之 2018 年專利審查平
DOI:10.6814/NCCU201900818 可以在屬人工智慧領域之國際頂級學術會議—美國人工智慧年會（Association for the Advancement of Artificial Intelligence, AAAI）投稿數量逐年上升之情形（圖二）
156，以及德國專利數據公司於 2019 年之最新統計資料中獲得印證（圖三）157。
155 United States Patent and Trademark Office, USPTO Performance and Accountability Re port, 2, available at https://www.uspto.gov/sites/default/files/documents/USPTOFY18PAR.pdf (La st visited: 2019/04/22).
156 國際頂級人工智慧協會 AAAI 2019 年度大會隆重開幕，2019 年 1 月 31 日，available a t https://kknews.cc/tech/l3b6ne9.html （最後造訪日：2019/04/22）。
157 IPlytics, Who is patenting AI technology? (Apr. 2019), available at https://www.iplytic s.com/wp-content/uploads/2019/03/IPlytics-AI-report.pdf (Last visited: 2019/06/28).
158 China overtakes US in AI patent rankings (Mar. 10, 2019), available at https://asia.nikk ei.com/Business/Business-trends/China-overtakes-US-in-AI-patent-rankings (Last visited: 2019/04/2 6).
977 990 1129 690 1406
1991 2143 2571 3808 7745
2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
投稿件數
年份
DOI:10.6814/NCCU201900818
‧
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
41
圖三 人工智慧專利申請件數圖（來源：IPlytics159）
如果用折線圖（圖四）觀察表一中各國之專利申請數量趨勢，則可以更清楚 的發現，即便在對數座標軸下，美國每年的專利申請數量仍大幅明顯高於其他國 家。值得注意的是，中國專利申請雖常為人詬病其品質參差不齊，然其於近年的 審查品質已逐漸改善，且在數量上逐年增加，與美國專利申請數量之差距，由 2006 年約僅有美國數量的四分之一，縮小至 2013 年略高於美國的二分之一數量。
日本與韓國部分則在 2015 年產生了黃金交叉，韓國的專利申請量由原本略為落 後轉為小幅度領先，然因 2015 年後之專利涉及可能尚未核准公告，故此部分需 於日後持續觀察。最後，歐洲與我國於此五類專利申請數量自 2006 年起大多平 穩維持在數百件的數量級，並無明顯進展，歐洲部分雖於 2014 年開始略為下降，
然因歐洲專利審查期間較我國為長，故其仍須等待數年始能有更加準確的數據。
159 IPlytics, supra note 157 at 2.
DOI:10.6814/NCCU201900818
‧
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
42
圖四 各國歷年專利申請件數圖160（來源：自行繪製）
二、分類號分析
接著，本文就前述所選定的五個分類號進行分析。由下表（表二）及折線圖
（圖五）中可以清楚發現，隸屬於「G06F 17 專門適用於特定功能的數位計算設 備或數據加工設備或數據處理方法」的專利申請量大幅領先其他類別，甚至較數 量次多的 G06N5 近二十倍。此外，在「G06N 基於特定計算模式之計算機系統」
分類底下而未能歸類於其他任何一類的 G06N 99 數量逐年上升，作者認為此情 況代表現有的技術發展愈趨多元，現有之分類以不敷使用所導致。
表二 各分類號歷年專利申請件數量表（來源：自行繪製）
G06N 3 G06N5 G06N 7 G06F 17 G06N 99 2006 82 271 53 8149 22 2007 102 329 52 9305 22 2008 113 390 58 9959 54
160 本圖因美國的專利申請數量遠大於其他國家，故作者於縱座標軸改以對數座標軸呈現，
以使其他國家資料能夠被很清楚地判讀。
1 10 100 1000 10000 100000
2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
專利申請件數
申請年份
美國 中國 日本 韓國 歐洲 我國
DOI:10.6814/NCCU201900818
‧
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
43
2009 95 296 89 7979 49 2010 98 285 68 9114 65 2011 133 393 93 10540 161 2012 244 555 122 12864 248 2013 242 651 166 13805 443 2014 225 613 221 12654 552 2015 245 527 281 10819 580 2016 308 322 239 7308 509 2017 226 154 67 2808 323 2018 63 27 13 388 45
圖五 各分類號歷年申請專利數量趨勢分析圖（來源：自行繪製）
三、關鍵字分析
本文自近年來人工智慧相關領域中，選擇七項最為熱門的關鍵字，分別為卷 積神經網路（Convolutional Neural Networks, CNN）、機器學習（Machine Learning,
1 10 100 1000 10000 100000
2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
申請專利數量
年份
G06N 3 G06N5 G06N 7 G06F 17 G06N 99
DOI:10.6814/NCCU201900818
‧
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
44
ML）、深度學習（Deep Learning, DL）、強化學習（Reinforcement learning, RL）、 電腦視覺（Computer Vision, CV）、自然語言處理（Natural language processing, NLP）
以及最籠統的名稱--人工智慧（Artificial intelligence, AI），並自 2010 年至 2018 年 進行統計分析（表三）。不同於原預期之結果，認為以最上位之「Artificial intelligence」作為關鍵字搜尋，其數量應較其餘六項隸屬於人工智慧的技術方法 或分支功能之關鍵字為多，以實際結果而言，專利說明書中包含「Computer Vision」
之數量自始至終為最大宗。就此，如果從產業面的角度觀察可以發現，現今影像 辨識於實際應用上最為廣泛，我國桃園機場甚至早在 2012 年就開始啟用利用生 物特徵辨識之入出國自動查驗通關系統 161，故本文認為可能係因其發展較早且 成熟，而造成其專利申請數量遠大於其他關鍵字搜索之結果。
表三 各關鍵字歷年專利申請件數表（來源：自行繪製）
CNN ML DL RL CV NLP AI 2010 4 646 3 41 1325 180 811 2011 3 820 7 70 1532 225 851 2012 3 859 13 98 1749 289 1036 2013 14 982 24 67 1795 378 1044 2014 45 1057 64 80 1967 389 1033 2015 102 1031 94 48 1715 378 869 2016 146 840 154 45 1402 259 781 2017 110 462 112 302 612 121 32 2018 17 97 24 45 98 21 10 此外，若改以折線圖觀察（圖六）可以發現，以「功能應用」作為分類的電 腦視覺、自然語言處理二者趨勢非常相近，以「技術方法」作為分類的深度學習
161 入出國自動查驗通關系統績效評估之研究－以臺灣桃園國際機場為例，內政部入出國及
移民署自行研究報告，2012 年 8 月。
DOI:10.6814/NCCU201900818
‧
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
45
及卷積神經網路則是一路竄起，機器學習之數量則有略減的趨勢。
圖六 各關鍵字歷年專利申請件數圖（來源：自行繪製）
若參考世界智慧財產權組織（World Intellectual Property Organization，下稱 WIPO）於 2019 年 1 月所發布的統計報告，其將「技術方法（techniques）」與「功 能應用（functional applications）」分開觀察。在技術方法中（圖七），有別於本文 僅列出早期的機器學習、後期進階版的深度學習以及目前最廣泛使用的卷積神經 網路分別列出，WIPO 將所有以機器學習方式進行的技術方法統一以機器學習計 算，發現其涵蓋了人工智慧技術的百分之八十九 162，除了統稱的機器學習外，
並額外列出了與機器學習使用率相差甚遠的邏輯程式設計（Logic programming）
與模糊邏輯（Fuzzy logic）進行比較。在功能應用中（見圖八），WIPO 除了作者 原有的電腦視覺及自然語言處理外，另外納入了占較少數的語音處理（Speech processing）及規劃排程（Planning and scheduling），其中屬功能應用最大宗的電
與模糊邏輯（Fuzzy logic）進行比較。在功能應用中（見圖八），WIPO 除了作者 原有的電腦視覺及自然語言處理外，另外納入了占較少數的語音處理（Speech processing）及規劃排程（Planning and scheduling），其中屬功能應用最大宗的電