專利法關於人工智慧發明重要議題之研究 - 政大學術集成

全文

(1)國立政治大學法律科際整合研究所碩士學位論文. 專利法關於人工智慧發明重要議題之研究政治. 大. 立Core Issues of Invention 5HODWHGWR A Study on the. ‧ 國. 學. Artificial Intelligence in Patent Law. ‧. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 指導教授：沈宗倫博士研究生：鄭禕寧撰. 中華民國一○八年七月 DOI:10.6814/NCCU201900818.

(2) 謝辭終於來到本篇論文最期待的謝辭部分，對於大學只會做數據分析實驗報告的理工背景人來說，長篇寫作實為一大罩門，如果沒有遇到貴人，本篇論文將無法順利產出。首先要感謝我的指導教授沈宗倫老師，從問題意識的形成、大綱研擬、文獻蒐集到著手撰寫後的陸續遇到的困難，感謝沈老師適時指點卻保留空間讓我們自己探索發揮，並且在最後階段點醒了我，讓我發現論述上的致命問題，得以及時改進，非常感謝。感謝二位口試委員—王立達教授及陳龍昇教授，立達教授是我. 政治大究的專家，二位教授在百忙中閱讀我的論文並在口試中提供寶貴建議，使我的論立. 在大學時期智財法的啟蒙恩師，陳龍昇教授則是近年來皆致力於人工智慧相關研. ‧ 國. 學. 文能夠更加完善，在此再次感謝。. 感謝科管所的馮震宇教授及陳秉訓教授，讓我能夠從商學院的角度看待智慧. ‧. 財產，學習不同面向的思考，受益良多；亦感謝在大學時期教導我第一門法律學. sit. y. Nat. 分的陳俊元教授，開啟了我對法律的興趣，在後來生涯規劃上的給予寶貴建議與. al. er. io. 鼓勵，並幫助我能夠進入政大學習。. v. n. 特別感謝我的男友兼最佳顧問，謝謝你不顧自己的工作繁忙，在整個論文撰. Ch. engchi. i n U. 寫過程中成為我專屬的技術顧問，不厭其煩為我講述人工智慧的運作細節，也謝謝你陪伴我度過每個挫折低谷。感謝我的父母從小到大的栽培，支持我能夠一路念到研究所畢業，之後終於不用再當米蟲啦，我會好好努力的。最後，感謝所有幫助過我的同學、學長姐，以及許多無法一一提及卻曾默默伸出援手的小天使們，你們的一句話、一個擁抱都是我的成長養分和力量，要感謝的人真的太多太多，如有遺漏還請包涵。鄭禕寧謹誌一○八年八月. I. DOI:10.6814/NCCU201900818.

(3) 摘要從人臉、語音識別到自動駕駛汽車，人工智慧已經跳脫科幻電影的虛構，逐漸走入並且遍佈我們的生活。雖然就目前已知的技術來說，人工智慧尚未具備思考能力，然而科學家不斷地希望能夠突破限制，讓人工智慧不僅能夠成為生活上的輔助、協助人類進行研究發明，甚至是由人工智慧獨立完成發明。為了鼓勵創作與發明，我國制定了智慧財產權相關法律如專利法、商標法及著作權法，惟因其保護之前提為精神上創作，目前的保護對象即權利歸屬主體，皆僅限於自然人。隨著人工智慧越來越接近人類，開始能夠進行創作甚至. 政治大範，將會面臨包含權利主體、專利要件等適用上之困境，。立. 思考，進而可能成為真正有貢獻之發明人時，現有的智慧財產權相關法制規. ‧ 國. 學. 事實上，人工智慧之本質與電腦軟體極為相似，其對於現行法制造成的衝擊，除了上述權利歸屬即要件認定問題外，另一方面則再次喚起了電腦軟體於. ‧. 智慧財產法上的適格性議題。就此，本文將討論範圍限縮在專利法，先從技術. sit. y. Nat. 角度剖析介紹人工智慧之內涵與發展，再從專利法立法目的切入，綜合各國規. al. er. io. 範見解與近期發布之相關審查指南分析其發明適格性，進一步討論當由人工智. v. n. 慧產生衍生之發明時，應如何進行權利主體之認定，以及其對於相關產業造成之利弊影響。. Ch. engchi. i n U. 關鍵字：人工智慧、軟體專利、專利適格性、權利主體、先前技術、進步性. II. DOI:10.6814/NCCU201900818.

(4) Abstract Artificial intelligence (A.I.) such as face recognition, voice recognition, autopilot, etc., has become not only the sci-fi movie plots but been all over our lives. Although A.I. hasn’t been capable of thinking like a real human-being yet according to the technology known so far, scientists still keep working on breaking through the restrictions, making the artificial intelligence become an important assistant role in human life. It helps people during the research process, and can even become the independent inventor.. 政治大 enacted to encourage creation and invention. While the premise of the law protection 立 Intellectual property law such as patent law, trademark law, and copyright law are. above currently should be mental activity of human, in other words, “natural person”. ‧ 國. 學. is the only subject of rights of creator and inventor. It may cause problems when A.I.. ‧. starts to act like human and even be able to make the substantive features of the. sit. y. Nat. invention. Thus, it is essential to decide whether to enable the eligibility of subject of. io. er. right of artificial intelligence in advance.. In fact, the essence of A.I. is very similar to computer software. Besides the problems. al. n. v i n C hthe impact of A.I.Uon the current law system also of subject of right mentioned above, engchi evoked the issue of eligibility of computer software on intellectual property law once again. In this regard, this article limits the scope of discussion to the patent law, and introduce the connotation and development of A.I. from the technical point of view. After that, it will cut through the legislative purpose of the patent law, analyze the opinions and guidelines issued recently in different countries, and also the identification of the subject of rights and the pros and cons of related industries. Keywords: artificial intelligence, software patent, patent eligibility, subject of rights, prior art, inventive step, non-obviousness. III. DOI:10.6814/NCCU201900818.

(5) 目次第一章緒論 ............................................................................... 1 第一節研究動機與目的.............................................................................. 1 第二節研究範圍與方法.............................................................................. 2 第一項研究範圍.................................................................................. 2 第二項研究方法.................................................................................. 3 第三節研究架構.......................................................................................... 4. 第二章. 治政大人工智慧技術背景介紹 ............................................... 6 立 ‧ 國. 學. 第一節歷史發展.......................................................................................... 6 第一項導論.......................................................................................... 6. ‧. 第二項演進........................................................................................ 10. y. Nat. er. io. sit. 第三項小結........................................................................................ 22 第二節技術領域........................................................................................ 23. al. n. v i n Ch 第一項神經網路簡介........................................................................ 23 engchi U 第二項神經網路分支領域................................................................ 26 第三項小結........................................................................................ 31. 第三節現今應用........................................................................................ 31 第一項資訊安全................................................................................ 32 第二項醫療與照護............................................................................ 33 第三項資料分析與決策.................................................................... 35 第四項小結........................................................................................ 37. IV. DOI:10.6814/NCCU201900818.

(6) 第四節人工智慧專利申請現況分析........................................................ 37 第一項檢索方式與對象.................................................................... 37 第二項資料分析................................................................................ 38 第三項小結........................................................................................ 51. 第三章人工智慧相關發明之專利適格性判斷 ..................... 53 第一節美國人工智慧發明專利適格性.................................................... 53 第一項美國專利法與專利審查基準相關規範................................ 53. 政治大. 第二項美國專利適格性之相關判決介紹........................................ 54. 立. 第三項近期司法實務發展................................................................ 68. ‧ 國. 學. 第四項小結........................................................................................ 81. ‧. 第二節歐洲人工智慧發明專利適格性.................................................... 82. sit. y. Nat. 第一項歐洲專利公約與專利審查基準相關規範............................ 82. n. al. er. io. 第二項近期司法實務發展................................................................ 84. i n U. v. 第三節我國人工智慧發明專利適格性.................................................... 89. Ch. engchi. 第一項我國專利法與專利審查基準相關規範................................ 89 第二項近期司法實務發展................................................................ 90 第四節小結................................................................................................ 94. 第四章人工智慧衍生發明之專利權權利歸屬 ..................... 97 第一節現行專利法之權利歸屬認定........................................................ 97 第一項專利法立法意旨.................................................................... 97 第二項權利主體................................................................................ 97. V. DOI:10.6814/NCCU201900818.

(7) 第二節人工智慧衍生發明之權利歸屬認定.......................................... 102 第一項人工智慧衍生發明之類型.................................................. 102 第二項人工智慧對現行法制之衝擊.............................................. 106 第三項權利歸屬認定之可能因應方案與建議.............................. 109 第四項小結...................................................................................... 128. 第五章人工智慧衍生發明之專利要件判斷 ....................... 132 第一節現行專利制度之專利要件判斷.................................................. 132. 政治大. 第一項產業利用性.......................................................................... 132. 立. 第二項新穎性.................................................................................. 134. ‧ 國. 學. 第三項進步性.................................................................................. 135. ‧. 第二節人工智慧衍生發明之專利要件判斷.......................................... 138. sit. y. Nat. 第一項先前技術與新穎性.............................................................. 139. er. io. 第二項進步性.................................................................................. 141. n. a. v. l C 第六章結論 ........................................................................... 145 ni. hengchi U. 參考文獻…………………………………………………….149. VI. DOI:10.6814/NCCU201900818.

(8) 表次表一各國歷年專利申請件數表…………………………………………………..39 表二各分類號歷年專利申請件數量表……………………………………………42 表三各關鍵字歷年專利申請件數表………………………………………………44 表四 WIPO 所列之前十大人工智慧專利申請企業…………………………….....48 表五 Nikkei 所列之前二十大人工智慧專利申請企業……………………………49 表六前十大人工智慧專利申請大學…………………………...………………….50. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. VII. i n U. v. DOI:10.6814/NCCU201900818.

(9) 圖次圖一醫療 AI 和我有什麼關係？…………………………………………………...35 圖二美國人工智慧年會歷年全文投稿件數圖……………………………………40 圖三人工智慧專利申請件數圖……………………………………………………41 圖四各國歷年專利申請件數圖……………………………………………………42 圖五各分類號歷年申請專利數量趨勢分析圖……………………………………43 圖六各關鍵字歷年專利申請件數圖………………………………………………45. 政治大. 圖七人工智慧技術方法之專利家族趨勢圖………………………………………46. 立. 圖八人工智慧功能應用之專利家族趨勢圖………………………………………46. ‧ 國. 學. 圖九美國人工智慧相關專利申請人分佈圖………………………………………47. ‧. 圖十 IAM 所列之前二十大人工智慧專利申請企業………………………………48. Nat. sit. y. 圖十一前三十大人工智慧專利申請人……………………………………………50. n. al. er. io. 圖十二 Alice/Mayo Test…………………………………………………………. 63. Ch. i n U. v. 圖十三新二步驟測試法……………………………………………………………79. engchi. VIII. DOI:10.6814/NCCU201900818.

(10) 第一章緒論第一節研究動機與目的人工智慧相關技術之研究，雖已有數十年的發展歷史，然而因近年來隨著硬體技術的突破，使得人工智慧發展日趨成熟 1，從實驗室裡單純的研究漸漸走入社會，應用至自動駕駛、新藥開發等不同領域，屢次創造佳績，陸續超越了人類的人臉辨識準確率 2、下棋勝過人類等 3，各國企業亦持續投入大量資金與人力，希望在人工智慧技術上產生更多突破。雖然就目前已知的技術來說，人工智慧仍然停留在僅能扮演人類輔助工具的. 政治大. 階段，然而當科技不斷發展，人工智慧發展至如科幻電影一般，能夠自行思考時. 立. 將對現行各項法律規範產生很強烈的衝擊，其中在專利法方面，若人工智慧擁有. ‧ 國. 學. 獨立思考及研發能力時，將衍生諸多法律問題。. 首先是權利歸屬之主體適格性問題。專利法有關之權利主體主要有三：發明. ‧. 人、申請權人及專利權人。其中發明人為對創作成果有實質貢獻之人 4，主要享. Nat. sit. y. 有姓名表示權；申請權人及專利權人則分別享有該創作成果於專利法中程式上與. al. er. io. 實體上之相關權利 5。現行專利法之發明人僅限於自然人，申請權人及專利權人. n. 則可能為發明人本身，亦可為依法律規定或契約特別約定之相關自然人或法人。. Ch. engchi. i n U. v. 1 Ana Ramalho, Patentability of AI-Generated Inventions: Is a Reform of the Patent Syste m Needed? (February 15, 2018), available at http://dx.doi.org/10.2139/ssrn.3168703. 2 Chaochao Lu & Xiaoou Tang, Surpassing Human-Level Face Verification Performance on LFW with GaussianFace, Proceedings of the 29th AAAI Conference on Artificial Intelligenc e (2014). 3 Google's AlphaGo clinches series win over Chinese Go master, REUTERS (May 25, 201 7), available at https://www.reuters.com/article/us-science-intelligence-go/googles-alphago-clinchesseries-win-over-chinese-go-master-idUSKBN18L0LH.. 智慧財產法院 106 年度民專訴字第 60 號民事判決：「發明人係指實際進行研究發明之人，須對申請專利範圍所記載之技術特徵具有實質貢獻之人，所謂『實質貢獻之人』，則指為完成發明而進行精神創作之人，其需就發明所欲解決之問題或達成之功效產生構想。並進而提出具體而可達成該構想之技術手段。」 4. 專利法第 7 條第 4 項：「依第一項、前項之規定，專利申請權及專利權歸屬於雇用人或出資人者，發明人、新型創作人或設計人享有姓名表示權。」 5. 1. DOI:10.6814/NCCU201900818.

(11) 然而，人工智慧僅為一無形的電腦軟體程式，即便使其有體化為一「機器人」，受限於民法僅承認自然人與法人為可以享受權利、負擔義務之權利歸屬主體 6，人工智慧即便有獨立自主的研發能力，仍不得作為適格的發明人，進一步於申請權與專利權方面，亦會有權利歸屬之主體不適格的問題產生。此外，當人工智慧與自然人共同研發時，發明人應如何認定，又其權利如何分配等問題，皆為現行專利法所無法解套。其次是專利法要件認定之問題。我國現行專利法之三大要件分別為新穎性、進步性及產業利用性，目前之認定標準及範圍皆單純地限於自然人。然而當人工智慧加入研發過程之後，除了其本身之認定標準建立外，可能對現行之自然人認定標準產生影響。舉例而言，在新穎性之認定上，人工智慧無意義的大量產出，. 政治大. 是否得以作為自然人發明之先前技術？又在進步性之認定上，人工智慧之「所屬. 立. 領域具有通常知識者」的知識水準應如何界定？自然人原有之「所屬領域具有通. 學. ‧ 國. 常知識者」標準是否須因人工智慧的加入做出相應調整？自然人與人工智慧究應採取共同之統一標準，還是區分為兩個系統分別認定？. ‧. 由上述可知，當人工智慧有能力創作並進而產生發明之後，許多現行專利法. Nat. sit. y. 之規定可能將無法適用，不論對於研發者或是整體市場發展皆會產生相當程度的. er. io. 衝擊。綜合上述，本文將由人工智慧的技術層面本身談起，從過去至今的發展過. al. 程，深入探討其現階段運作模式及未來可能之發展走向；其次，討論人工智慧發. n. v i n Ch 明本身之適格性問題，以及其與電腦軟體發明之間的關係；最後，則提出由人工 engchi U 智慧創作之發明於現行專利法下所不能解決之問題、其可能之解決方案，並於最後試圖找出最為適當之建議。. 第二節研究範圍與方法第一項研究範圍. 專利法第 5 條第 1 項：「專利申請權，指得依本法申請專利之權利。」；2013 年版專利審查基準彙編第一篇/第三章/1-3-1。 6. 2. DOI:10.6814/NCCU201900818.

(12) 當人工智慧技術日趨進步，能夠呈現與自然人一般之各種行為時，將對現今法制造成衝擊，其中包含民事侵權責任歸屬問題（如：自駕車肇事的損害賠償）、與刑事犯罪責任歸屬（如：自駕車肇事的損害賠償），以及專利權、著作權等智慧財產權法相關問題（如：發明人及創作人之認定）等。因本文研究目的係為解決人工智慧在具備自主研發與創作能力後，在智慧財產權法上所面臨之法律適用問題。其中，著作權法係保護著作人心智活動之表達結果 7，討論權利歸屬時將涉及人工智慧是否能表現出人類心智之心理學、社會學等相關議題，非作者背景所長，而不在本文的討論範圍當中。相對於著作權，專利權法保護之研發成果，主要目的為促進產業發展 8，至於其是否屬於「心智活動」並非其所問，在討論上較為單純，為本文討論之標的。此外，我國專利權. 政治大. 法以保護標的之不同，將專利區分為發明專利、新型專利及設計專利，因發明專. 立. 利為三種專利中最為嚴謹且通常最具商業價值之專利，故本文在討論專利要件、. 學. ‧. ‧ 國. 適格性等相關問題時，皆以發明專利為主要討論對象，在此合先敘明。. 第二項研究方法. sit. y. Nat. io. er. 本文將採用「文獻分析法」作為貫穿全文之研究方法，首先會參考國內外涉及人工智慧的期刊、會議論文，其中將主要聚焦於專利權保護要件、專利權權利. n. al. Ch. i n U. v. 歸屬之相關論著，並以人工智慧衍生發明、人工智慧/電腦可否成為發明人作為. engchi. 重點，進行文獻回顧。另因議題較為新穎，亦將以新聞或報章雜誌報導做為參考資料，藉此輔助建構本文，使文獻更加完整。第二章中，為完整勾勒出人工智慧演化進程，將使用「歷史分析法」，從人工智慧的萌芽、迅速發展到逐漸成熟等不同時期，逐一回顧說明。此外，本章中亦會以人工智慧於我國與海外之申請專利情形作為對象，以「統計分析法」呈現其領域分佈趨勢與現況。. 7. 認識著作權（二版），經濟部智慧財產局，頁 143，2011 年 11 月。. 8. 專利法第 1 條：「為鼓勵、保護、利用發明與創作，以促進產業發展，特制定本法。」. 3. DOI:10.6814/NCCU201900818.

(13) 此外，因我國的智慧財產意識發展較晚，不論是法規方面抑或是司法實務判決，皆尚不及歐美國家成熟。因此，在進行本文研究時，特別是在第三章有關適格性議題中，有必要使用「比較法」的方式，納入美國專利審查基準、歐洲專利公約與我國進行比較，並以他國有限之既有判決實務，綜合學者理論，研擬出我國未來之修法走向參考。. 第三節研究架構本文之研究目的為解決以人工智慧為發明人所衍生發明之專利法議題研究，主要係研究其權利歸屬問題，並輔以前階段之人工智慧發明「本身」之專利適格. 政治大. 問題，以及解決權利歸屬後之專利要件認定探討。惟在從法律體制面切入前，勢. 立. 必需要從技術層面瞭解，先釐清人工智慧技術之原理及運作過程，方能使二者精. ‧ 國. 學. 確的結合，形成有效的規範建議。. 有鑑於此，本文於第二章「人工智慧技術背景介紹」中，首先會從人工智慧. ‧. 之技術發展演進過程開始，從技術端揭開其核心內容，深入淺出地介紹包含機器. Nat. sit. y. 學習、深度學習，以及最廣為人知的卷積神經網路（Convolutional Neural Network,. er. io. CNN）及生成對抗網路（Generative Adversarial Networks, GANs）等近年來與人. al. 工智慧相關且最為流行之技術，與其多元面向之運用；接著，再由應用端，即一. n. v i n Ch 般人生活可見之臉部辨識、自動駕駛系統等，使讀者更全面地瞭解人工智慧。於 engchi U 此章最後，將進一步以直觀之統計數字，將人工智慧技術進行量化分析，包含申請案之所屬國分析、歷年以運用領域做為區分之趨勢分析等，讓讀者以宏觀的角度綜覽人工智慧。接著，為了完善本文之體系架構，第三章的「人工智慧相關專利之適格性判斷」，係針對由人類發明出來之人工智慧技術是否具專利適格進行討論。本文將以比較法角度，綜觀美國、歐洲及我國對於人工智慧態度之不同，從專利審查標準到已有的司法實務見解發展，探討由人類發明出來的人工智慧相關技術，是否具專利適格性，有別於第三章僅探討人類發明出來之人工智慧技術「本身」之適格性判斷，. 4. DOI:10.6814/NCCU201900818.

(14) 第四章及第五章將探討以人工智慧做為發明主體時，其「衍生」發明之權利歸屬，以及其是否符合專利法要件問題。第四章的「利用人工智慧衍生發明之專利權權利歸屬」，為本文最為核心之章節。本章將先定義人工智慧衍生發明之類型，將以其對發明之貢獻度區分為僅為人類之工具、與人類協力完成、由人工智慧獨立完成三種，並針對三種不同態樣之發明過程，分析在現行法下可能遇到的障礙與造成之衝擊，更進一步地，本文將試圖對於上述三種態樣，分別提出權利主體認定之立法建議，包含究竟應否給予專利權，及若給予專利權後應認定何者為專利權人。第五章「人工智慧衍生發明之專利要件判斷」中，將先介紹現行專利法之專. 政治大之在專利要件適用上的問題，包含判斷新穎性時的先前技術認定、用以判斷進步立. 利要件，並延續前一章節，討論當人工智慧有能力產出發明時，除了權利歸屬外. 性之所屬技術領域中具有通常知識者（Person Having Ordinary Skill In The Art，. ‧ 國. 學. PHOSITA）之選擇，以及人工智慧參與發明後對現行之自然人發明所造成的影響與可能解決方式。. ‧. 最後，作者將於第六章之結論中，綜合上述章節，參考各國目前的修法提案. y. Nat. sit. 方向，同時考量經濟發展與法律規範，提出人工智慧衍生發明之完整配套，作為. n. al. er. io. 未來可能之修法建議。. Ch. engchi. 5. i n U. v. DOI:10.6814/NCCU201900818.

(15) 第二章人工智慧技術背景介紹第一節歷史發展第一項導論所謂人工智慧（Artificial Intelligence），可以看作是「人工」和「智慧」的結合，即由人類所製造的機器所表現出來的智慧 9。其中，「人工」的定義比較容易理解，通常指人為創造的具有資訊處理功能的非生命體，例如：電腦、手機、機器人等；而「智慧」的定義則較為複雜，因為人類的智慧有各種各樣的表現形式，比如對數理定律的推演，音樂繪畫的創作，藥物配方的發明，甚至科幻電影中天. 政治大. 馬星空的想像力。儘管人類的智慧滲透到了科學、藝術、醫療、娛樂等眾多領域，. 立. 其根源來自於人類強大的思考能力：數理定律是對自然的思考與總結，音樂繪畫. ‧ 國. 學. 是對生活的思考與抽象，藥物配方是對生命的思考與探索，科幻電影則是對未來的思考與憧憬。因此，人工智慧的研究主要係致力於讓機器能夠模擬人類思考的. ‧. 過程，並進而實現人類的智慧行為。. sit. y. Nat. 關於人類的思考方式，生命科學、神經科學以及哲學等其他領域，都已經對. io. er. 人類的思維模式和意識形態做了很詳細的研究，又本文之研究聚焦在專利權，對於人類「心智活動」之形成及其本質，相對於著作權而言並非著墨重點，故在此. n. al. Ch. i n U. v. 不做深入探討，只對相關內容進行簡要描述。大體而言，人類的思考可以理解為. engchi. 是對外界既有資訊的接收，處理，並最終給出相應回饋的過程，而此過程，根據思考程度的不同，可以大致分為感知記憶、推理以及創造三個階段 10。在第一個階段的感知記憶中，其實尚未具備真正的思考能力，而是藉由獲取前人總結的知識經驗或既有客觀事實，達到對某個領域或某項特定目標之熟悉和瞭解。這一階段的人類常常採取「機械式輸入訊息」的記憶手段，將外部資訊儲存起來，並無任何加工處理。經過了第一個階段的不斷累積，人類漸漸進入到第二階段的推理. 曲建仲，機器是如何學習與進步？人工智慧的核心技術與未來，科學月刊，580 期，201 8 年 4 月。 9. 10 Gerald F. Smith, Beyond critical thinking and decision making: teaching business studen ts how to think, 27 journal of management education 24, 25 (2003).. 6. DOI:10.6814/NCCU201900818.

(16) 部分。這一階段的人類，設法從已經儲存的資訊中提取出某種特徵，從而在面對之前未接觸過的新資訊時，能夠表現出一定程度的判斷，即達到能夠「舉一反三」的水準。就此，人類處理外部資訊的方式，從簡單的記憶存儲，調整為適當的加工抽象。在這一過程中，不同人可能採取不同的抽象方法，也因此表現出思考的差異性。隨著思考程度的不斷加深且複雜化，人類開始進入第三個階段的創造部分。在經過了前兩個階段的學習之後，這一階段的人類發現了蘊含在資訊特徵背後的某種共有模式，並能夠依照這種模式，創造出帶有不同特徵的新資訊，也因此從資訊的接收者轉變為資訊的締造者，從而表現出更高層次的智慧行為。對於人類思考程度之演進過程，可以以繪畫領域做為理解範例。以畫家為例，處於思考程度第一階段的初級畫家，會觀察大量著名畫作，並通過臨摹的方式提. 政治大. 升自己的繪畫能力。這時的繪畫學習者，會模仿前人作品的細節，進行類似記憶. 立. 儲存，整個過程相對機械，所涉及的學習技巧亦較為單一。思考程度第二階段之. 學. ‧ 國. 中級畫家，在進行了足夠數量的臨摹之後，對於每件作品的困難點和精華之處（即為特徵抽象）有了更加清晰的認知，能夠識別不同的繪畫風格，比如印象派與抽. ‧. 象派，甚至判斷出一件作品究竟是出自哪位大師之手，比如一件印象派作品是源. y. Nat. 於莫內還是塞尚。基於這種判斷，畫家可以針對某些特定的風格進行模仿描繪。. io. sit. 與前階段之臨摹不同之處在於，此階段中的中級畫家在描繪物件時，不再侷限於. n. al. er. 前人完成過之已經存在的作品，而是根據畫風「推測」出同一人在面對其他場景. i n U. v. 時會有怎樣的創作，舉例而言，中級畫家可以透過莫內的《日出·印象》，推測出. Ch. engchi. 莫內會如何對「月落」進行創作。然而，這種模仿並沒有明確的標準答案，不同畫家仍可能會對於同一場景，給出不同的模仿方式並產生不同的結果。最後，第三階段中的高級畫家，在理解了多種繪畫風格之後，發現其背後的共同特點（即為共有模式），並在這種特點上加以變化，逐漸形成屬於自己的畫風。比如印象派的特色在於補捉光影與色彩的改變瞬間之際所感受之印象 11，梵古在此基礎上，加入了自己對客觀事物的主觀感受，由此形成了後印象畫派。. 印象派繪畫，國立台灣大學網路教學課程，http://vr.theatre.ntu.edu.tw/fineart/th9_1000/ope n-34-broadcast.htm（最後造訪日：2019/06/05）。 11. 7. DOI:10.6814/NCCU201900818.

(17) 與前段所述之人類思考方式相類似，目前的人工智慧也可以大致分為記憶、推理以及創造三個階段。最基礎的人工智慧係指能夠按照人類預先設計好的指令完成相應任務的機器，如可程式化電腦（Programmable Computer）12。該階段的人工智慧的重點仍然放在「人工」上面而非「智慧」，其倚靠高效的處理器和大型儲存裝置以具備強大的計算能力及記憶能力，幫助人類完成一些重複的機械性操作，如大規模資料庫內的資訊檢索。此時的人工智慧，只能按照固定的流程並在特定範圍內運作，並不具備真正的思考和解決問題的能力。第二階段的人工智慧是指能夠通過「學習」的方式，從既有資訊中獲取知識，並擁有一定程度的推理能力的機器。這是目前使用最為廣泛的「人工智慧」，目前的人臉辨識即為此種型態 13。人臉辨識演算法並非單純將世界上的所有人臉都記錄下來，而是透過. 政治大再藉由提取到的特徵對人臉進行區分，從而達到辨識的目的。與人類辨識人臉的立. 對部分人臉的辨識，學習到提取人臉特徵的方法，如面部輪廓、皮膚顏色等等，. ‧ 國. 學. 過程相類似，這一階段的機器對未曾見過的人臉也能夠做出判斷 14，並不需要事先見過全部的人臉，因此表現出與人類更為接近的智慧行為。然而，將特徵抽象. ‧. 出來的行為及其推理過程，僅僅是對現有知識的歸納總結，並不能創造出新的知識，這與實現真正意義上的「智慧」還有一定的距離。第三階段的人工智慧是指. y. Nat. sit. 具有一定的創造能力和決策能力的機器，如圍棋大師 AlphaGo Zero 15。在此需要. n. al. er. io. 說明的是，早期的 AlphaGo 仍然屬於第二階段的人工智慧 16，它通過學習大量人. v. 類玩家的棋譜，掌握人類數千年來總結的經驗，並將之運用在實戰中，與其他玩. Ch. engchi. i n U. 12. Definition of: programmable computer (“A redundant term, because what makes a comp uter a computer is that it follows a set of instructions. Many electronic devices are computers that perform only one operation, but they are still following instructions that reside permanentl y in the unit”), available at https://www.pcmag.com/encyclopedia/term/63683/programmable-comp uter (Last visited: 2019/06/05). 13 Face Recognition, available at https://www.eff.org/pages/face-recognition (Last visited: 20 19/06/05); How does facial recognition work?, available at https://us.norton.com/internetsecurityiot-how-facial-recognition-software-works.html (Last visited: 2019/06/05). 14. Face Recognition: An Introduction for Beginners (Apr. 16, 2019), available at https://w ww.learnopencv.com/face-recognition-an-introduction-for-beginners/ (Last visited: 2019/06/05). 15. AlphaGo Zero: Learning from scratch, available at https://deepmind.com/blog/alphago-zer o-learning-scratch/ (Last visited: 2019/04/17). 16. The story of AlphaGo so far, available at https://deepmind.com/research/alphago/ (Last v isited: 2019/04/17).. 8. DOI:10.6814/NCCU201900818.

(18) 家進行對弈。與之不同的是，AlphaGo Zero 完全沒有借鑒任何既有的棋譜，在僅僅知道圍棋規則的情況下，通過自己和自己對弈的方式 17，探索出了一套特有的下棋風格。有趣的是，人們發現 AlphaGo Zero 在開局和收官階段的走法與人類的經驗不謀而合，盤中的棋風卻與人類有較大的差異，這兩點恰恰體現了其「智慧」的正確性與獨立性。與人類擁有的智慧相比，目前的人工智慧仍然存在很大的侷限性，通常被稱作弱人工智慧（Weak AI, 又稱 Artificial Narrow Intelligence）18。弱人工智慧處理問題的能力非常單一，如：人臉辨識的程式無法與他人對弈，AlphaGo Zero 也不能在資料庫中進行資訊檢索。此類人工智慧需要人為針對不同的使用目的設計不同的演算法，機器只是依照演算法進行一定程度的學習並解決特定問題，而其本. 政治大. 身並不具備自覺能力與認知能力，無法根據不同的任務選取不同的學習方式，仍. 立. 然表現出對「人工」的高度依賴性。更高階的人工智慧，即強人工智慧（Strong. ‧ 國. 學. AI）或通用人工智慧（Artificial General Intelligence, AGI）19，即為預設機器能夠具備與人類同等的智慧，並表現出人類所有的智慧行為。依照強人工智慧假說，. ‧. 這樣的機器擁有知覺和自我意識，可以獨立思考問題並針對不同問題制定相應的. y. Nat. 解決方案。正如 John Searle 所說：「電腦不僅是用來研究人類思維方式的工具，. er. io. sit. 更確切地說，編寫有適當程式的電腦本身就是一種思維模式 20。」. al. 目前為止，普遍的人工智慧技術仍以弱人工智慧為主 21，機器只能夠按照人. n. v i n Ch 類的設計來類比人類的思維方式，然這種類比是否可以稱作機器本身的「思考」 engchi U 或「智慧」仍飽受爭議，強人工智慧最終能否實現，即是否能夠達到真正的自主思考甚至獨立研發，目前為止亦尚未可知。即便如此，由於近幾年來軟體與硬體. 17. supra note 15. (“Previous versions of AlphaGo initially trained on thousands of human amateur and professional games to learn how to play Go. AlphaGo Zero skips this step and le arns to play simply by playing games against itself, starting from completely random play.”) 18. ELA KUMAR, ARTIFICIAL INTELLIGENCE, 13-14 (2008).. 19. Id.. 20. John Searle, Minds, Brains, and Programs, 3 Behavioral and Brain Sciences 417 (1980) (“But according to strong AI, the computer is not merely a tool in the study of the mind; ra ther, the appropriately programmed computer really is a mind.”). 目前技術進展仍以「弱人工智慧」為主，資策會產業經濟研究所，2017 年 10 月 24 日， http://mic.iii.org.tw/scholar/GraphDtl.aspx?docid=128178 （最後造訪日：2019/05/18）。 21. 9. DOI:10.6814/NCCU201900818.

(19) 設備技術進步，使人工智慧有著飛躍性的發展，並逐漸充斥於現今生活的各種面向當中，成為了學術界與工業界重要的研究議題之一。. 第二項演進如前文所述，人工智慧的目標是希望機器可以類比人類，甚至超越人類的思維方式，並以此來實現人類的智慧行為。事實上，其原理並不複雜，總結來說就是將人類的思考過程符號化，並透過計算的方式由機器完成此過程。早在 1308 年，哲學家 Ramón Llull 就提出了「邏輯機」的概念. 22. ，試圖透過機械式的方法. 將一些基本的真理進行簡單的邏輯組合及計算，以生成所有可能的知識 23。1936. 政治大. 年，英國數學家 Alan Turing 提出了一種可以模擬任何有限邏輯過程的抽象計算. 立. 模型--圖靈機（Turing machine） 24，激發了科學家對於「讓機器思考」的探索。. ‧ 國. 學. 1946 年，第一台通用電腦 ENIAC 的問世 25，使得機器可以按照人類的設計完成特定的任務，這為人工智慧的實現提供了重要的技術支援。然而，人工智慧的發. ‧. 展並非如想像般一帆風順，自 1956 年正式被提出至今，有關人工智慧的研究共經歷了三次熱潮與兩次低谷 26。接下來，本文將按照時間順序，對人工智慧在不. y. Nat. n. er. io. al. sit. 同時期的發展狀況進行簡要描述。. 一、人工智慧的誕生. Ch. engchi. i n U. v. 在 20 世紀 30 年代末期，許多科學領域，包括神經學，資訊學，電子學，數學等等，都有了劃時代的突破。當時的神經學研究發現，人類的大腦是由大量的. 22. MARTIN GARDENER, LOGIC MACHINES AND DIAGRAMS, 1-2 (1958).. 23. ANTHONY BONNER, THE ART AND LOGIC OF RAMON LLULL: A USER’S GU IDE, 22-25 (2007). 24. PAMELA MCCORDUCK, MACHINES WHO THINK, 63-64 (2ed. 2004).. 25. HERMAN H. GOLDSTEIN, THE COMPUTER FROM PASCAL TO VON NEUMAN N, 148-150 (1972). 26. 李友專，AI 醫療大未來：台灣第一本智慧醫療關鍵報告，頁 34，2018 年 9 月。. 10. DOI:10.6814/NCCU201900818.

(20) 神經元（neuron）所建構起來的複雜網路，神經元之間依靠電流傳遞資訊，而電流強度只分為「有」和「無」兩種狀態，並不存在中間狀態 27。1937 年，Claude Shannon 提出用二進位信號（即數位信號）來模擬布林邏輯運算（Boolean algebra） 28. ，這成為了現代電子電腦的理論基礎。前段所述之圖靈機，則證明瞭數位信號. 足以模擬任何有限邏輯的計算 29。這些科學發現的密切關聯為「電子大腦」的設計指出了一條可行的方向。 1943 年，Warren McCulloch 和 Walter Pitts 發表了重要論文《A Logical Calculus of the Ideas Immanent in Nervous Activity》 30，該論文分析了理想化和簡化的神經網路（Neuron Net），並指出該網路該如何進行簡單的邏輯運算 31，此研究為日後深度神經網路（Deep Neural Network）的誕生奠定了基礎。1951 年，他們的學生. 政治大. Marvin Minsky 設計並建造了第一台能夠自我學習的神經網路機器 SNARC，而. 立. 在同一時期，神經科學也有了重大的突破。1949 年，Donald Hebb 揭示了人類在. ‧ 國. 學. 學習過程中腦部神經元所發生的變化 32，這一發現成為了深度學習的重要理論基礎之一 33。除了神經網路，電腦科學也隨著電子電腦的誕生迅速發展。1951 年，. ‧. Christopher Strachey 設計了一個西洋跳棋（checkers）程式，Dietrich Prinz 則寫出. y. Nat. 了一個國際象棋（chess）程式 34，使得電腦可以直接與人類玩家進行對弈。儘管. er. io. sit. 當時的程式並不具備學習的能力，只是按照設計者預先給定的策略進行遊戲，但. al. n. v i n C hAction potentials recorded A. L. Hodgkin & A .F. Huxley, from Inside a nerve fibre, 1 engchi U 44 Nature 710, 710–711 (1939). 27. 28. Claude E. Shannon, A Symbolic Analysis of Relay and Switching Circuits, 57 Electrical Engineering 471 (1937). 29. Alan Turing, On Computable Numbers, with an Application to the Entscheidungsproble m, 42 Proceedings of the London Mathematical Society 230 (1937). 30. Warren S. McCulloch & Walter Pitts, A Logical Calculus of the Ideas Immanent in Ner vous Activity. 5 Bulletin of Mathematical Biophysics 115, 120-122 (1943). 31. MCCORDUCK, supra note 24 at 88-94.. 32. D. O. HEBB, THE ORGANIZATION OF BEHAVIOR: A NEUROPSYCHOLOGICAL THEORY, 10-11 (2002). 33. PEDRO DOMINGOS, THE MASTER ALGORITHM: HOW THE QUEST FOR THE U LTIMATE LEARNING MACHINE WILL REMAKE OUR WORLD (2018). 34. The Modern History of Computing (June 9, 2006), available at https://plato.stanford.edu/ entries/computing-history/ (Last visited: 2019/04/23).. 11. DOI:10.6814/NCCU201900818.

(21) 是在 1950 年代中期，電腦程式就已經可以挑戰較高水準的業餘玩家. 35. ，相當於. 實現了人類的智慧行為。除此之外，當時的科學家認為，電腦不僅僅可以進行數位運算，應該也可以進行符號操作，而後者在一定程度上代表了人類的思考過程。為此，Herbert Simon 和 Allen Newell 共同開發了智慧程式「Logic Theorist」，值得說明的是，當時的 Logic Theorist 已經可以證明數學著作《Principia Mathematica》前 52 個定理中的 38 個 36，有些證明甚至比原著更加巧妙。據此，Simon 斷言他們已經「解決了可敬的心靈與身體的問題，解釋了一個由物質構成的系統應該如何獲得心靈的性質」 37. ，這一觀點後來被 John Searle 稱為強人工智慧（Strong AI） 38。. 政治大像人類一樣進行「思考」。一台擁有強大計算能力及儲存容量的電腦，可以運行立. 對於強人工智慧能否真正實現，一個不容忽視的問題就是機器是否真的可以. 智慧化程式又能夠按照固定的指令完成特定的任務，這樣的機器是否就可以稱作. ‧ 國. 學. 是擁有「智慧」？這個問題非常難以回答，因為「智慧」這個概念本身就很難給出準確的定義。1950 年，Alan Turing 提出著名的圖靈測試（Turing Test） 39，又. ‧. 稱作模仿遊戲（Imitation Game），用來判斷機器是否能夠表現出與人類無法區分. Nat. sit. y. 的智慧。這一測試直到今天仍然是人工智慧領域的重要評價標準之一 40。其測試. er. io. 內容本身並不難理解，其為：假設有一台可以對任意問題給出回答的機器和一個. al. 思維正常的人類作為測試對象，另外有一個人遠端對這兩個測試對象提出任意一. n. v i n Ch 系列問題。如果測試者在經過若干提問後，無法判斷被測試者是人還是機器，就 engchi U 35. JONATHAN SCHAEFFER, ONE JUMP AHEAD: CHALLENGING HUMAN SUPREM ACY IN CHECKERS, 14-16 (2ed. 2008). 36. Logic Theorist, available at https://en.wikipedia.org/wiki/Logic_Theorist#cite_note-FOOTN OTEMcCorduck2004167-3 (Last visited: 2019/04/28). 37. MCCORDUCK, supra note 24 at 46. (“solved the venerable mind/body problem, explai ning how a system composed of matter can have the properties of mind.”) 38. STUART RUSSELL & PETER NORVIG, ARTIFICIAL INTELLIGENCE: A MODERN APPROACH, 21-23 (3ed. 2018). 39. Alan Turing, Computing Machinery and Intelligence, 49 Mind 435 (1950).. 40. Turing Test Success Marks Milestone in Computing History (June 8, 2014), http://www. reading.ac.uk/news-and-events/releases/PR583836.aspx (Last visited: 2019/04/23).. 12. DOI:10.6814/NCCU201900818.

(22) 認為參加測試的機器是擁有思考能力的。換句話說，判斷機器是否能夠「思考」的困難之處，在於區分一個想法究竟是機器「獨立創造」還是對人類行為的「精心模仿」，前者代表了機器的知覺和自我意識，而後者只是對特定演算法的機械執行。圖靈測試沒有直接對一個「思考」的行為進行判定，而是透過與人類互動的方式，觀測機器的反應是否與有意識的個體表現一致，如果一致，就認為該機器是有「智慧」的。於此過程中，機器需要模仿人類的回答方式、情緒、甚至延遲回答的時機，並且能夠對提問的問題給出雖然未必正確但是合適的答案。 Alan Turing 本人認為，機器本身可以思考，只是思考的方式與人類不同而已，但這並不能否定機器能夠思考的事實. 41. 。他甚至預言在 2000 年時，電腦的. 存儲單元將達到 10GB，那時將會出現能與人類進行 5 分鐘問答，並有超過百分. 政治大. 之三十的機率被認為是人類的人工智慧。儘管有些學者對此觀點持反對態度，如. 立. John Searle 在 1980 年提出的中文房間（Chinese Room）實驗就是對「機器能夠. ‧ 國. 學. 思考」強有力的反駁 42，但是圖靈測試的提出在人工智慧的發展史上依然起著不可忽視的作用。. ‧. 經過了十幾年成果的累積，人工智慧（Artificial Intelligence）一詞於 1956 年. Nat. sit. y. 8 月 31 日召開的達特茅斯夏季人工智慧研究計畫（The Dartmouth Summer. er. io. Research Project On Artificial Intelligence）上第一次被正式提出 43。該會議由“人. al. 工智慧之父 John McCarthy、MIT 人工智慧實驗室的聯合創始人 Marvin Minsky、. n. v i n C h IBM 的研究經理資訊理論之父 Claude Shannon，以及 Nathaniel Rochester 共同發 engchi U 起，會議彙集了大量人工智慧領域的先驅，經過了長達一個月的討論，確定了以「人工智慧」一詞作為此領功能變數名稱稱，並確定了該領域所研究的任務目標。這一事件被大多數學者看作是人工智慧誕生的標誌 44。. 41. Turing, supra note 39.. 42. Searle, supra note 20.. 43 J. MCCARTHY, et al., A PROPOSAL FOR THE DARTMOUTH SUMMER RESEARC H PROJECTON ARTIFICIAL INTELLIGENCE (1955). 44 Gil Press, Artificial Intelligence Defined as A New Research Discipline: This Week In Tech History (Aug. 28, 2016), available at https://www.forbes.com/sites/gilpress/2016/08/28/artifi cial-intelligence-defined-as-a-new-research-discipline-this-week-in-tech-history/#5fad89646dd1 (Last. 13. DOI:10.6814/NCCU201900818.

(23) 二、人工智慧的第一次熱潮在 1956 年達特茅斯夏季研討會召開後的 20 年裡，出現了人工智慧的第一次熱潮。當時的人們被機器表現出來的「智慧」所震撼 45，幾乎不敢相信人工智慧可以下棋、證明定理、甚至與人類進行交流 46。學者們也表現出對人工智慧極高的研究熱情和樂觀的態度，一度認為不超過 20 年人工智慧就將擁有與人類相當的思考能力。正如 Herbert Simon 在 1965 年時表示：「在二十年內，機器將能夠完成人類所能做到的任何工作 47。」Marvin Minsky 亦於 1970 年斷言：「在未來的三到八年時間裡，我們將擁有一台和人類平均智慧水準相當的機器 48。」. 政治大計算能力解決一些特定的問題，其中最為廣泛使用的演算法就是暴力攻擊法立. 即便學者們對人工智慧領域充滿信心，當時的人工智慧仍侷限於利用電腦的. ‧ 國. 學. （Brute-force Search）。暴力攻擊演算法模擬了人類解決問題時最直觀的想法，亦即將所有可能的解法進行逐一嘗試，直到找到符合條件的解決方案。這一演算法. ‧. 中，機器完全無需擁有智慧，只需要按照問題的定義對每種可能的情況進行驗證即可。考慮到待搜索方案的數目會隨著問題難度的加深而產生指數增長，亦即所. y. Nat. sit. 謂指數爆炸（Exponential Explosion）49，學者基於這一方法提出了一些改進，比. n. al. er. io. 如回溯法（Backtracking），又稱作深度優先搜索（Depth First Search）50，和啟發. visited: 2019/04/23).. Ch. engchi. i n U. v. 45 RUSSEL & NORVIG, supra note 38 at 18 (“it was astonishing whenever a computer d id anything remotely clever.”) 46 DANIEL CREVIER, AI: THE TUMULTUOUS SEARCH FOR ARTIFICIAL INTELLIG ENCE, 52 (1993). 47 HERBERT. A. SIMON, THE SHAPE OF AUTOMATION FOR MAN AND MANAGE MENT (1965) (“Machines will be capable, within twenty years, of doing any work a man can do.”). 48. Darrach, Brad, Meet Shakey, the First Electronic Person, Life Magazine, 58 (1970) (“In from three to eight years we will have a machine with the general intelligence of an average human being.”). 49. DURBADAL MANDAL et al., INTELLIGENT COMPUTING AND APPLICATION: PROCEEDINGS OF THE INTERNATIONAL CONFERENCE ON ICA, 22-24 (2015). 50. Id.. 14. DOI:10.6814/NCCU201900818.

(24) 式演算法（Heuristics）51，利用人類的一些經驗，提前排除掉不可能正確的答案，從而縮小機器搜索的範圍，加快解決問題的效率。然而這些依然是對人類智慧的總結，而非機器本身「思考」的結果。儘管科學家們並沒有真正賦予機器思考的能力，這一階段的人工智慧依舊憑藉著「搜索」的演算法幫助人類解決了許多重要的問題，如：Alan Turing 在第二次世界大戰期間設計並改進了能夠破譯德軍 Enigma 密碼的機器 Bombe 52，幫助盟軍贏得了戰爭的勝利；Herbert Simon 和 Allen Newell 開發的通用解決方案（General Problem Solver）採用手段目的分析（Means-Ends Analysis）的搜索方法，將複雜的符號問題拆分成若干簡單的子問題再逐一解決 53；Herbert Gelernter 發明的幾何定理證明機（Geometry Machine）54，以及 James Slagle 發明的符號自. 政治大. 動積分器（Symbolic Automatic Integrator，SAINT）55，可以利用搜索的方法解決. 立. 簡單的數學問題；Arthur Samuel 開發的國際象棋程式可以通過競賽樹（Game Tree）. ‧ 國. 學. 搜索的方式與人類玩家進行對弈 56。. 當時的人工智慧研究並不完全局限在搜索演算法，還包括了對自然語言. ‧. （National Language），機器視覺（Machine Vision），機器人科學（Robotics）等. Nat. sit. y. 領域的探索，這些領域直至目前為止仍然是人工智慧研究的主要方向。對於自然. n. al. er. io. 語言的研究，當時的學者提出了語義網路（Semantic Net），説明機器理解人類的. Ch. 51. engchi. i n U. v. JUDEA PEARL, HEURISTICS: INTELLIGENT SEARCH STRATEGIES FOR COMPU TER PROBLEM SOLVING, 3-4 (1984). 52 Alan Turing: The codebreaker who saved 'millions of lives' (June 19, 2012), available at https://www.bbc.com/news/technology-18419691 (Last visited: 2019/04/23). 53. General Problem Solver, http://www.instructionaldesign.org/theories/general-problem-solve. r.html (Last visited: 2019/04/23). 54. H. L. Gelernter & N. Rochester, Intelligent behavior in problem-solving machines, 2 I. BM Journal of Research and Development 336, 338-339 (1958). 55. James R. Slagle, A heuristic program that solves symbolic integration problems in fres. hman calculus: symbolic automatic integrator, 10 Journal of the ACM 507 (1963). 56. SCHAEFFER, supra note 35.. 15. DOI:10.6814/NCCU201900818.

(25) 語言。其具體做法為利用節點（如：人、書）表示概念，，同時利用連線（Link）來表示關係（如：閱讀），通過這種方式，機器便可以從語義的角度理解一句話的內容。近幾年人工智慧在場景圖（Scene Graph）方向的研究正是借鑒了這一表示方法。Daniel Bobrow 還開發了可以求解文字問題（Word Problem）的程式「STUDENT」 57，Joseph Weizenbaum 設計的聊天程式「ELIZA」則可以與人類進行簡單的對話，不過對話方式僅僅是一些固定模式的答案或者對問題的簡單重複 58。在機器視覺和機器人科學方面，Frank Rosenblatt 提出了機器感知（Perceptron）的演算法 59，説明機器認識這個世界；斯坦福大學研發出了第一個可以自主採取行動的機器人 Shakey 60，對於給定的任務，Shakey 不需要人為設計好完成任務的每一步，而是可以自己將任務拆分成子任務；Marvin Minsky 和 Seymour Papert. 政治大行對話並在微世界（Micro-worlds）中做決策的人工智慧程式 SHRDLU 立. 搭建了一個可以搭積木的機械手臂；Terry Winograd 開發了可以與人類用英文進 61. ；John. ‧ 國. 學. McCarchy 提出了建議採納者（Advice Taker）的程式構想，希望人工智慧可以擁有邏輯並像人類一樣可以學習，透過從外界獲取建議的方式改善其自身性能 62。. ‧. 總而言之，第一次熱潮中的人工智慧遍地開花，研究者們殫精竭慮、各顯神. y. Nat. 通，試圖把人工智慧的想法應用到各個領域，將機器的作用發揮得淋漓盡致，此. io. sit. 外，當時的美國進階研究計劃署（Advanced Research Projects Agency, ARPA）和. n. al. er. 國家研究委員會（National Research Council, NRC）也對此領域提供了大量的經. Ch. engchi. i n U. v. 57. MCCORDUCK, supra note 24 at 286.. 58. Joseph Weizenbaum, ELIZA--A Computer Program For the Study of Natural Language. Communication Between Man and Machine, 9 Communications of the ACM 36, 36-37 (1966). 59. Frank Rosenblatt, The perceptron: A probabilistic model for information storage and o. rganization in the brain, 65 Psychological Review 386, 386–390 (1958). 60. MCCORDUCK, supra note 24 at 268-271.. 61. MCCORDUCK, supra note 24 at 268-271.. 62. John McCarthy, Programs with Common Sense, in COMPUTATION & INTELLIGENCE 479 (1995).. 16. DOI:10.6814/NCCU201900818.

(26) 濟支援，甚至允許學者們對該領域進行“漫無目的”的自由探索 63，使整個社會對人工智慧的前景充滿了期待。然而，如前文所述，這一時期的人工智慧並不具本真正意義上的智慧，甚至可以說是對於這個世界一無所知，僅僅是利用機器代替人類解決一些需要大量重複工作的任務，此外由於受到計算能力和儲存空間的限制，機器幾乎只能完成問題中最簡單的一類 64，距離研究者盲目樂觀的期待相距甚遠。至於讓機器可以獨立思考的一些設想，如感知器（Perceptron）和建議採納者（Advice Taker），也由於計算複雜度過高而石沉大海。就連人工智慧的發起人之一 Marvin Minsky 都在其作品《Perceptrons》中公開表示了機器能夠通過感知系統而自主學習的局限性 65。美國政府和英國政府紛紛停止對該領域的資助 66，人工智慧的研究一度陷入低谷。. 立. 政治大. 三、人工智慧的第二次熱潮. ‧ 國. 學. 到了 1980 年代，專家系統（Expert System）的興起使得人工智慧重新成為. ‧. 研究的熱門領域，形成了人工智慧的第二次熱潮。所謂的「專家系統」，實為儲存了某個領域的專業知識，並能夠藉由一定的邏輯推理，解決該領域的特定問題. y. Nat. sit. 的一種智慧程式 67。相較於第一次熱潮下的通用人工智慧，專家系統不再執著於. er. io. 追求「擁有像人類一樣思考能力的機器」，而是將「智慧」具體化，把人工智慧. al. n. v i n Ch 未來的幻想，而是真正可以應用到生活中的工具，而其具體做法為將把系統的應 engchi U. 的研究重心轉變為對實際問題的處理和解決 68，使得人工智慧不再是科學家們對. 63. CREVIER, supra note 46 at 64-65.. 64. Id. at 146.. 65. MARVIN MINSKY & SEYMOUR A. PAPERT, PERCEPTRONS: AN INTRODUCTIO. N TO COMPUTATIONAL GEOMETRY, 249-250 (2017). （感知系統是聯結主義（Connection ism）的一種，亦是神經網路（Neural Network）的先驅。） 66. CREVIER, supra note 46 at 110.. 67. DONALD A. WATERMAN, A GUIDE TO EXPERT SYSTEM, 3-7 (1985).. 68. Id. at 158-159.. 17. DOI:10.6814/NCCU201900818.

(27) 用場景縮小至某一特定領域 69，減少人工智慧對於常識的依賴，僅將該領域的知識儲存在程式中，使專家系統可以對該領域的問題給出專家般的建議。於此時期，機器所掌握的知識並非由其自主學習所得到，而是透過人工參與的方式，將人類已經掌握的知識寫入程式中，幫助專家系統建立知識庫（Knowledge Base），以此來程現一定程度的「智慧」。值得注意的是，建立知識庫與基於知識的邏輯推理是相互獨立的兩個部分，這使得專家系統之使用得以更加靈活，可以隨時擴充或者修正知識庫，亦得根據實際需求最佳化推理規則，並且因此風靡一時，廣泛應用在電腦科學、化學、醫療、商業等各個領域。儘管這一做法仍然以推理為主，機器仍不具備自主學習知識的能力，但知識系統的引入確實讓機器在處理實際問題時表現更為出色，基於. 政治大. 知識庫和知識工程（Knowledge Engineering）的人工智慧研究亦成為當時研究的. 立. 主流 70。. ‧ 國. 學. 事實上，早在 1960 年代，專家系統的研究已經初具規模。1965 年，史丹佛大學（Stanford University）開始設計名為 Dendral 的專家系統 71，將學者所具備. ‧. 的專業知識，透過一定的規則記錄在程式中，藉由讀取分光計的讀數，幫助有機. Nat. sit. y. 化學家辨別未知的有機分子。Dendral 的大獲成功激發了科學家們對專家系統的. er. io. 研發熱情，很多具備不同功能的系統相繼出現，如：1972 年問世的血液傳染病分. al. 析系統 MYCIN，根據相關知識建立了約 600 條規則，可以藉由詢問醫生一系列. n. v i n Ch 有關症狀的簡單問題，最終給出基於機率分析出的疾病診斷；1980 年由美國 engchi U 的卡內基美隆大學（Carnegie Mellon University）為美國迪吉多公司（Digital 72. Equipment Corporation, DEC）設計的 XCON 系統，可以根據使用者的需求，自動為其購買的電腦選擇合適的系統元件（Syetem Component），該系統每年為 DEC. 69. MCCORDUCK, supra note 24 at 299.. 70. Id. at 314.. 71 Joshua Lederberg, How Dendral Was Conceived and Born, A History of Medical Infor matics 14 (1987). 72 BRUCE G. BUCHANAN & EDWARD H. SHORTLIFFE, RULE BASED EXPERT SY STEM- THE MYCIN EXPERIMENTS OF THE STANFORD HEURISTIC PROGRAMMING P ROJECT, 3-6 (1984).. 18. DOI:10.6814/NCCU201900818.

(28) 公司節省近四千萬美元 73，導致工業界紛紛效仿，許多公司都開始建立屬於自己的人工智慧研發團隊 74，日本、英國、美國等政府也投入大量資金，重新開始資助人工智慧相關產業的研發. 75. 。人工智慧領域知名的研究計畫 Cyc 也在此期間. 應運而生，試圖建立通用知識庫，使得專家系統不再只是針對特定領域的問題提出解決方案，而是擁有和普通人類可以比擬的常識。不過由於人類掌握的知識庫過於龐大，此項目至今尚未完成 76。除了專家系統之外，聯結主義（Connectionism）亦於此時期重新被學者重視，並取得了重大進步 77。John Hopfield 證明瞭某種神經網路（後來被稱為 Hopfield Net）可以以一種全新的方式學習並處理資訊 78，David Rumelhart 和深度學習之父 Geoffrey Hinton 則提出了一種可以用來訓練神經網路的反向傳播（Back. 政治大. propagation，又稱「反向傳遞」）演算法 79，這些方法的提出為現在深度神經網路. 立. （Deep Neural Network）的繁榮奠定了基礎。. ‧ 國. 學. 自 1980 年代至 1990 年代，人工智慧與產業密切結合，創造了極高的商業價值。這是自 1956 年人工智慧提出以來，第一次將之應用到實際場景中，人們也. ‧. 因此重拾對人工智慧的信心。然而好景不長，由於專家系統的研發成本及維護成. Nat. sit. y. 本居高不下，其性能相較於當時興起的桌上電腦出現明顯差距 80，系統因為升級. al. er. io. 困難而變得難以使用，多國政府及投資人為了縮減經費，以應用範圍過於局限及. n. 無法在短期內看到成果為由，大幅縮減對相關研究的資助 81，人工智慧再次陷入. Ch. engchi. 73. CREVIER, supra note 46 at 198.. 74. CREVIER, supra note 46 at 197-203.. 75. CREVIER, supra note 46 at 240.. i n U. v. 76. THE EDITORS OF TIME-LIFE BOOKS, ARTIFICIAL INTELLIGENCE (UNDERSTA NDING COMPUTERS) (1986). 77. CREVIER, supra note 46 at 214-215.. 78 John Hopfield, Neural networks and physical systems with emergent collective computati onal abilities, 79 Proc. Nat’l Acad. Sci. U. S. A. 2554, 2554-2558 (1982). 79 D.E. Rumelhart & G.E. Hinton, & R.J. Williams, Learning internal representations by e rror propagation, in Parallel distributed processing: explorations in the microstructure of cogniti on 318, 322-325 (1985). 80. CREVIER, supra note 46 at 209-210.. 81. MCCORDUCK, supra note 24 at 430-431.. 19. DOI:10.6814/NCCU201900818.

(29) 寒冬。. 四、人工智慧的第三次熱潮 1990 年代初期，經過了前兩次失敗的研究者們對人工智慧的態度變得更加謹慎，不再盲目追求人工智慧可以直接達到人類水準的智慧，而是從實際應用的角度出發，利用人工智慧説明人類解決現實中的問題，這也使得人工智慧的研究取得了前所未有的成功，進入了人工智慧的第三次熱潮。具體而言，目前人工智慧的研究被劃分為數種子領域，如電腦視覺（Computer Vision）可以説明機器像人類一樣觀察世界；自然語言處理（Natural Language Processing）可以幫助機器. 政治大件檢測（Object Detection），語義分割（Semantic Segmentation），圖像分類（Image 立與外界進行溝通等等。每個領域又分別包含了不同的面向，如電腦視覺包括了物. ‧ 國. 82. ，幫助機器從人類的視角來理解圖像或者影. 學. Classification）等視覺相關的任務. 音資料，藉由這種方式，人工智慧這個遠大的目標被拆分成為眾多小目標進行探. ‧. 索，使得這一領域的研究更加紮實可靠。此外，學者們意識到數學對於人工智慧開發的重要性，不再單純利用專家系統時代所使用的簡單邏輯推理，而是將複雜. y. Nat. sit. 的、有理論基礎的數學工具或模型與人工智慧相互結合 83，使人工智慧成為了一. n. al. er. io. 門更加系統化的學問 84，對於其研究成果也可以從數學的角度給出更為精確的評估。. Ch. engchi. i n U. v. 其中，Judea Pearl 於 1988 年將機率模型和決策理論引入到智慧系統當中 85； Yann LeCun 於 1989 年提出卷積神經網路（Convolutional Neural Network）以及隨機梯度下降（Stochastic Gradient Descent，SGD）的訓練方式 86，使得機器學習. 中央研究院，人工智慧再進化，開啟電腦新「視」界，研之有物，http://research.sinica.e du.tw/computer-vision-liao-hong-yuan/ （最後造訪日:2019/06/06）。 82. 83. MCCORDUCK, supra note 24 at 486-487.. 84. RUSSELL & NORVIG, supra note 38 at 25-26.. 85. JUDEA PEARL, PROBABILISTIC REASONING IN INTELLIGENT SYSTEMS: NET WORKS OF PLAUSIBLE INFERENCE, 1-3 (1988). 86. Y. LeCun, et al., Backpropagation applied to handwritten zip code recognition, 1 NEUR. 20. DOI:10.6814/NCCU201900818.

(30) （Machine Learning）在電腦視覺領域有了突破性進展；在這之後，貝氏網路（Bayesian Network）、馬可夫模型（Markov Model）以及資訊理論（Information Theory）等工具先後被應用到人工智慧的研究當中，造就了現今人工智慧的非凡成就。於此同時，電腦的性能應證了摩爾定律（Moore’s law）而呈現指數增長 87， 21 世紀初期的電腦運算速度已經比 50 年前快了一千萬倍，這為早期因計算複雜度過高而被迫放棄的項目重新提供了可能，也讓人工智慧得以走出實驗室，廣泛應用到生產當中。另一方面，隨著各行各業的不斷發展，大數據（Big Data）成為了資訊時代的重要產物之一，截至 2012 年，世界每天產生 2.5x1018 位元組的資料 88，遠遠超過人類的處理和學習能力。面對如此龐大的資訊量，目前人工智. 政治大. 慧最熱門的分支之一——機器學習，成為了突破的契機，並發展成為 21 世紀的. 立. 技術主流。. ‧ 國. 學. 與前兩次熱潮中的人工智慧不同的是，本階段的人工智慧不再依賴於人為預先定義的知識或邏輯進行推理，而是通過「學習」的方式從資料中歸納並總結成. ‧. 新的資訊。這些資訊未必與人類已經掌握的經驗完全相符，卻可以取得與人類相. Nat. sit. y. 近甚至超越人類的效果。2014 年，以深度學習為主體的人臉識別演算法首次在. er. io. 準確率方面超越人眼 89；2015 年，DeepMind 開發的圍棋程式 AlphaGo 第一次與. al. 真人對弈便以 5:0 的戰績完勝當時曾衛冕三次歐洲比賽冠軍的棋手樊麾 90，成為. n. v i n C年，Google AI 歷史上的重要里程碑；2018 BERT 在機器閱讀 h e n g cAIh開發的語言模型 i U. 理解頂級水準測試 SQuAD 上超越人類 91，開創自然語言理解領域的新時代。除. AL COMPUTATION 541 (1989). 87 Gordon E. Moore, Progress in Digital Integrated Electronics, International Electron Devi ces Meeting, 11-13 (1975). 88 Johann Evans, Data is everywhere, but not where it should be, available at https://ww w.itweb.co.za/content/WPmxVE7KRzyvQY85 (Last visited: 2019/05/19). 89. Lu & Tang, supra note 2.. 90 David Silver, et al., Mastering the game of Go with deep neural networks and tree sea rch, 529 Nature 484, 484–489 (2016).. 自然語言處理頂會 NAACL 最佳論文出爐！谷歌 BERT 獲最佳長論文，2019 年 4 月 12 日，available at https://kknews.cc/tech/yvpzxgb.html （最後造訪日: 2019/05/13）。 91. 21. DOI:10.6814/NCCU201900818.

(31) 此之外，近年來產業界加大對人工智慧技術的投入，如：Apple 於 2010 年併購當時初創六個月的新創公司 Siri 92、Facebook 在 2013 年成立了人工智慧實驗室 (Facebook Artificial Intelligence Research, FAIR) 93、Google 則分別於 2013 及 2014 年併購了新創公司 DNNresearch 和 DeepMind 94、阿裡巴巴隨後在 2017 年成立達摩院 95、Waymo 及 Tesla 等公司亦持續大力投入對自動駕駛的開發……等 96。雖然以上技術尚非完全能夠精準無誤地應用於生活中 97，然而由此可見，人工智慧已經滲透到人類日常生活的各個角落，成為了當今產業的最為重要的發展領域之一。. 政治大. 第三項小結. 立. 人工智慧旨在賦予機器思考的能力，使其可以表現出與人類相似的智慧行為，. ‧ 國. 學. 其研究過程融合了電腦科學、數學、神經科學等諸多領域的知識。從人工智慧最初第一次熱潮期間為避免重複人力勞動而設計的搜索演算法，到第二次熱潮期間. ‧. 建立在特定知識領域內的邏輯推理，再到第三次熱潮期間能夠從既有資料中自主獲取新知識的機器學習，人工智慧從指令的執行者，進步為人類思考方式的模仿. n. al. er. io. sit. y. Nat. 92. i n U. v. Apple Buys a Start-Up for Its Voice Technology (Apr. 2010), available at https://www.n ytimes.com/2010/04/29/technology/29apple.html (Last visited: 2019/05/19). 93. Ch. engchi. Facebook taps 'deep learning' giant for new AI lab (Dec. 2013), available at https://ww w.wired.com/2013/12/facebook-yann-lecun/ (Last visited: 2019/05/19). 94. Google buys UK artificial intelligence start-up DeepMind (Jan. 2014), available at http s://www.bbc.com/news/technology-25908379; Google Has Bought A Startup To Help It Recogniz e Voices And Objects (Mar. 2014), available at https://www.businessinsider.com/google-buys-dnn research-2013-3 (Last visited: 2019/05/19). 阿里巴巴成立全球科研項目「達摩院」投逾千億元人民幣於科技創新，2017 年 10 月 1 1 日，available at https://www.alibabanews.com/alibabachengliquanqiukeyanxiangmudamoyuan-tou yuqianyiyuanrenminbiyukejichuangxin/ （最後造訪日：2019/05/19）。 95. 96 A Robocar Specialist Reviews The Tesla Autopilot (Feb. 2019), available at https://ww w.forbes.com/sites/bradtempleton/2019/02/27/a-robocar-specialist-reviews-the-tesla-autopilot/#156f7cc 6542a (Last visited: 2019/05/19).. 別再誤會了，特斯拉根本無法全自動駕駛，2018 年 10 月 22 日，available at https://ww w.bnext.com.tw/article/50994/tesla-full-self-driving-option-gone-musk-autopilot （最後造訪日：201 9/05/19）。 97. 22. DOI:10.6814/NCCU201900818.

(32) 者，最終演變為如今可以獨立思考的學習者。儘管目前的人工智慧距離真正的意義上的「智慧」也就是所謂「強人工智慧」的終極目標還有一定程度的差距，但其已經可以完成人臉辨識、語音辨識、桌上遊戲等諸多複雜的任務，甚至可以在經過一定時間的訓練後進行音樂或者繪畫的創作，並持續以完成更多元化目的、降低人工依賴性為目標邁進當中。至於未來的人工智慧是否能夠真正達到自主獨立進行發明之程度，學術界目前仍處於眾說紛紜的階段，然為了在嶄新時代來臨之前做足充分討論與因應準備，本文欲討論之專利法關於人工智慧衍生發明議題，仍有其存在必要。. 治. 政技術領域大第二節. 立. 近 20 年來，機器學習（Machine Learning）係屬人工智慧技術最熱門的訓練. ‧ 國. 學. 方式。所謂機器學習，就是利用大量的資料訓練電腦，讓機器自行學習資料中的某些特性，並利用學習到的資訊完成特定的任務。具體的機器學習演算法種類繁. ‧. 多，包括決策樹（Decision Tree）、支持向量機（Support Vector Machine）、聚類分. Nat. sit. y. 析（Cluster Analysis）、迴歸分析（Regression Analysis）、圖模型（Graphical Model）、. er. io. 蒙特卡羅方法（Monte Carlo Method）、神經網路（Neural Network）等 98。其中，. al. 深度學習（Deep Learning）則為機器學習的一種，其主要利用電腦模擬人類的神. n. v i n Ch 經網路運作，藉此加深學習深度、增強演算法能力。目前人工智慧研究中使用最 engchi U 為廣泛且取得最大進展的當屬神經網路，故本節將先對神經網路進行介紹，再從技術端角度，分析人類在利用神經網路於各分支領域之現況。. 第一項神經網路簡介神經網路的提出受到了神經科學的啟發，其係以人類或動物的神經元結構作. 98 Shadab Hussain, Use cases of Different Machine Learning Algorithms, available at http s://blog.usejournal.com/machine-learning-algorithms-use-cases-72646df1245f (Last visited: 2019/05/ 19).. 23. DOI:10.6814/NCCU201900818.

(33) 為模型的人工智慧 99，其藉由建構大量的人工神經元，每個神經元對輸入給出一定程度的刺激（Activation），然後將其傳遞給下一個神經元，最終輸出某種抽象資訊並且做出判斷. 100. ，作為模擬動物神經網路的模型。從數學的角度來看，眾. 多神經元組成了一個非線性函數（Non-linear Function），可以從輸入的資料中提取出相應的特徵（Feature），並基於該特徵給出合理的輸出 101。與早期人工智慧的區別在於，特徵提取（又稱「特徵萃取」）的過程不再是人為設計的，而是由機器透過統計大量資料而自主學習而來。因此可以認為，表徵學習（Representation Learning）是當今人工智慧的關鍵所在 102。儘管神經網路可以自主學習特徵，但目前的人工智慧仍然需要由人類事先協助設定才能達成。簡單來說，一個神經網路的設計和訓練過程主要包含三個部分：. 政治。首先為「網路結構（Network 大. 網路結構、損失函數及學習策略的設計. 立. 103. Architecture）」的設計，此部分決定了神經元的數目與連接方式，通常在學習尚. 學. ‧ 國. 未開始時已由研究者定義完成。儘管近兩年有研究者試圖通過自動搜索的方式由機器自主搭建網路結構. 104. ，然而網路結構的搜尋空間、搭建網路所用的基本模. ‧. 組以及基本連接方式等仍需由設計者進行預設，機器尚未能完全自主地進行設計，. y. Nat. 依然存在對人類智慧的依賴。其次為「損失函數（Loss Function）」的設計，損失. n. al. er. io. sit. 函數其實是對神經網路性能的一種量化評價指標，往往需要根據目標任務的不同. Ch. engchi. i n U. v. 三宅陽一郎、森川幸人，從人到人工智慧：破解 AI 革命的 68 個核心概念，頁 94，2017 年 5 月。 99. 100 LAURENE FAUSETT, FUNDAMENTALS OF NEURAL NETWORKS: ARCHITECTU RES, ALGORITHMS, AND APPLICATIONS, 3-4 (1994). 101. Id. at 11-19.. 102. Yoshua Bengio & Aaron Courville & Pascal Vincent, Representation Learning: A Revie w and New Perspectives, IEEE Transactions on Pattern Analysis and Machine Intelligence (201 3). 103 IAN GOODFELLOW & YOSHUA BENGIO & AARON COURVILLE, DEEP LEARN ING, 166-167 (2016) (“First, training a feedforward network requires making many of the sam e design decisions as are necessary for a linear model: choosing the optimizer, the cost functio n, and the form of the output units.”). 104. Barret Zoph & Quoc V. Le, Neural Architecture Search with Reinforcement Learning, I nternational Conference on Learning Representations (2017).. 24. DOI:10.6814/NCCU201900818.