論人工智慧創作與發明之法律保護－以著作權與專利權權利主體為中心 - 政大學術集成

全文

(1)國立政治大學科技管理與智慧財產研究所碩士學位論文. 論人工智慧創作與發明之法律保護— 以著作權與專利權權利主體為中心政治. 大. 立. ‧ 國. 學. Legal Protection of Artificial Intelligence Generated Works— Centering on Authorship and Inventorship. ‧. n. er. io. sit. y. Nat. al. Ch. engchi. i Un. v. 指導教授：馮震宇博士. 研究生：陳昭妤撰. 中華民國 106 年 1 月.

(2) 謝辭本文撰寫過程就像是一場漫長的旅行，須獨自一人在學術之前虔心專研，而有幸這一路上受到許多貴人的協助，為我指點迷津，讓我不至於迷失前行的方向，在此表達深深的感謝。首先感謝我的指導教授—馮震宇老師，兩次參與老師的計畫過程中，培養我研究基本能力。拙著撰寫期間，老師不吝提供書籍、文章、研討會參與機會，給予我研究的方向與建議，對於本文撰寫上深有助益，感謝之情溢於言表。此外，感謝兩位口試委員—謝銘洋以及宋皇志老師，在口試時對於拙著給予詳細且深入的評論與建議，指出其中的盲點與不足之處，使本文論述上可更為完整與嚴謹。. 治政大題目。謝謝奕之以及廖大，對於我這個純法律人，不厭其煩與我討論人工智慧技立術以及相關延伸的法律問題，為我解惑。謝謝承芳，同樣寫新科技領域的法律問其次，感謝幫助我的好友與學弟妹們。謝謝小仙女士捷，沒有你也沒有這個. ‧ 國. 學. 題，在大綱編排上以及心靈輔導上給我很大的支持。謝謝師兄以哲，我們是一起口試的好夥伴。謝謝宇迪、莉莉、兒璇、晏寧、昀廷、Sherry、家瑜，還有各位. ‧. 同學，研究所生活因為有你們而充實、豐富。謝謝口試時幫忙錄音的雅婷。謝謝. Nat. sit. y. 大學學伴蘇煥文，給予許多論文撰寫技巧以及經驗分享，以及時不時的關心。謝. er. 的我鼓勵與打氣。. io. 謝大學以及高中的好友們，特別是哈利以及阿璞，忙碌之餘還是不忘給論文海裡. al. n. iv n C 號稱第四口委的亞達，謝謝你的陪伴還有支持，在我迷失時與我一起面對尋 hengchi U. 找出路，也謝謝阿姨和叔叔的關心還有鼓勵！最後感謝親愛的家人—爸爸、媽媽、嘉敏、奶奶以及瓦西，你們永遠是我最大、最有力的後盾，因為有你們我才能無後顧之憂的往前走，你們的付出點滴都在我心上。感謝的人太多無法盡數，但是一一我都謹記在心，自己一個人是無法走這麼遠的，在此深深一鞠躬，謝謝你們。. ii.

(3) 論人工智慧創作與發明之法律保護— 以著作權與專利權權利主體為中心中文摘要在機器學習與深度學習技術帶動第三次人工智慧熱潮，特別是與機器人、大數據、3D 列印等結合，「人工智慧」成為各大科技企業重點發展技術，無論是透過成立研究小組或是併購的方式，在 2016 年即有 40 多家人工智慧技術公司被併購，同時這些技術也被應用在各式產品與服務中。此外不同產業中也陸續引進人工智慧，從事需要耗時費力的基礎工作，節省成本，也引發人類被取代的恐. 政治大. 慌。世界各國除著力投資發展人工智慧之外，也重視人工智慧為社會及經濟產生的影響與現行法制的衝擊。. 立. 人工智慧技術也應用於創作與發明過程中，且在機器學習技術下，人類僅需. ‧ 國. 學. 輸入指示與限制，人工智慧完成內容創作所產出作品，與人類創作成果並無二致。或是像是神燈精靈一般，人類只要以人工智慧可理解的方式定義問題、要件分析、. ‧. 功能設計，人工智慧即能完成最重要的物理設計，解決人類之問題，其產出物可. Nat. sit. y. 能是符合產業利用性、新穎性與進步性等專利要件。這些人工智慧創作與發明物. al. 文將以文獻研究以及比較法的方式深入研究。. er. io. 是否符合我國現行著作權法與專利法之規定而受到保護，將是本文探討重點，本. n. iv n C 智慧財產權制度設立的主旨是為保護人類精神活動成果，以人類為創作主體 hengchi U. 為前提，人工智慧參與創作之成果對於現行制度而言自然有所扞格。然而人工智慧創作力對於未來創作與發明而言，都是有所助益，可豐富文化的多樣性並加快技術的發展。而日本知識產權戰略本部也於 2016 年四月時也將針對人工智慧創作物之法律保護，擬修訂智慧財產權法。如我國未來亦研擬將人工智慧創作物納入法律保護，本文參考日本立法相關討論以及美國學者之見解，提出立法時應考量的權利歸屬以及衍生的相關問題。關鍵字：人工智慧、A.I.、人工智慧創作力、電腦產生之著作、著作權、專利權. iii.

(4) Legal Protection of Artificial Intelligence Generated Works— centering on Authorship and Inventorship Abstract Machine Learning and Deep Learning are leading the new artificial intelligence era, especially when integrated with technologies of robot, big data, and 3D printing. As A.I. gradually became the one of the most popular technologies, corporate giants, such as Google, IBM, Facebook, and Apple, have been setting up research labs and acquiring A.I. startups to improve the quality of their services and products. Meanwhile, through using their service and products, our daily life is filled with A.I. Moreover, in many different industries, companies are using A.I. to reduce their cost by replacing. 政治大 A.I. technology, but also response to the impact A.I. brings to the society, economic 立. labors from time-consuming jobs. Governments not only invest in the development of and Law.. ‧ 國. 學. Artificial creativity is a new way for creation and invention. With machine learning, human only need to input the indication and limitation for A.I. to generate the. ‧. outcome which is almost the same as what human can do. A.I. is also being described. y. Nat. as a “genie in the machine”. Human input the description of their problems, functional. io. sit. analysis, and functional design, then A.I. will do the physical design to solve the. n. al. er. problems and generate inventions which are useful, novelty and un-obviousness.. i Un. v. Whether these creations and inventions are copyrightable and patentable is the core of this essay.. Ch. engchi. Intellectual property system is aimed to protect the result from human’s mind activity, so the author or inventor must be human beings. When A.I. is not just a creation tool, but a creative subject, that’s where a conflict occurs. However, A.I. creativity is beneficial to human creative and inventing activity, because it can quicken the progress of technologies and improve culture diversity. Legislators in Japan are planning to protect A.I. creation through modification of intellectual property law. If we also expect to protect A.I. creation and invention in Taiwan in the future, with Japan legislative discussion and America scholars’ theories, this essay might offer some useful indications on the right attribution and other derivation problems. Key words: Artificial Intelligence, A.I., Artificial creativity, computer-generated work, copyright, patent iv.

(5) 目次第一章. 緒論 .................................................................................................... 1. 第一節. 研究動機與目的 ............................................................................................ 1. 第二節. 研究方法與研究限制 .................................................................................... 2. 第一項. 研究方法 ......................................................................................................... 2. 第二項. 人工智慧範圍限制以及研究限制 ................................................................. 3. 第三節. 第二章第一節. 研究架構 ....................................................................................................... 4. 人工智慧之技術與產業發展 ............................................................... 7 人工智慧之技術發展歷程 ............................................................................. 7. 第一項. 人工智慧的起源與定義 ................................................................................. 7. 第二項. 圖靈測試（Turing Test） ............................................................................... 9. 政治大第三項近代人工智慧技術發展史 ........................................................................... 12 立人工智慧孕育期 .................................................................................................. 13. 第一次人工智慧熱潮 ........................................................................................... 13 第二次人工智慧熱潮 ........................................................................................... 16. 第三次人工智慧熱潮 ........................................................................................... 19. ‧. ‧ 國. 學. 產業界對人工智慧技術之投入 ........................................................................... 22. y. Nat. 第三節. 小結 ............................................................................................................. 33. 第一節第一項. er. iv n C 人工智慧創作物之定義 h ............................................................................... 35 engchi U. 著作權法下人工智慧創作物之地位 .................................................. 35 人工智慧創作 ............................................................................................... 35. 第二項第二節. al. n. 第三章. sit. 人工智慧之產業應用、趨勢與原因 ............................................................ 25. io. 第二節. 人工智慧創作物 ........................................................................................... 36 電腦與人工智慧參與創作實例 ................................................................... 37. 第一項. 音樂創作 ....................................................................................................... 37. 第二項. 文學創作 ....................................................................................................... 41. 詩 .......................................................................................................................... 41. 小說 ...................................................................................................................... 42. 劇本 ...................................................................................................................... 44. 音樂劇 .................................................................................................................. 45. 第三項. 視覺與藝術創作 ........................................................................................... 46. 第四項. 日本歸納三種人工智慧創作物利用以及人類參與態樣 ........................... 48. 第五項. 小結 ............................................................................................................... 49 v.

(6) 第三節. 非人類作者作品之著作權保護及問題 ........................................................ 50. 第一項. 著作權立法目的與非人類創作者 ............................................................... 50. 第二項. 猴子自拍案 ................................................................................................... 52. 案例事實 .............................................................................................................. 52. 與 Wikipedia Commons 間之著作權爭議 ........................................................... 53. 與善待動物組織代表 Naruto 間之著作權爭議 .................................................. 53. 法律分析 .............................................................................................................. 55. 第三項. 可著作權性 .......................................................................................................... 60. 作者之爭議與著作權的歸屬 ............................................................................... 60. 著作財產權存續期間之長短 ............................................................................... 61. 作品保護之範圍 .................................................................................................. 61. 人工智慧所採用學習資料與創作作品之著作權侵權問題 ............................... 62. 各國著作權要件比較與電腦產生作品立法討論 ......................................... 62 各國著作權法下作者（著作人）與著作權保護要件 ............................... 63. 美國法 .................................................................................................................. 65. 英國法 .................................................................................................................. 70 日本法 .................................................................................................................. 71. 我國法 .................................................................................................................. 73. sit. y. Nat. al. iv n C hengchi U 歐盟 ...................................................................................................................... 78 n. er. 國際上針對電腦產出之作品之立法討論 ................................................... 75. io. 第二項. 第五節. 德國法 .................................................................................................................. 64. ‧. 學. 第一項. 第三項. 立. 政治大. ‧ 國. 第四節. 著作權法下人工智慧創作物所面臨之問題 ............................................... 59. 美國 ...................................................................................................................... 75. WIPO .................................................................................................................... 79. 日本 ...................................................................................................................... 81. 人工智慧創作物於各國法下保護適格綜合比較 ....................................... 83 我國法下人工智慧創作物之可著作權性 .................................................... 85. 第一項. 人類著作人 ................................................................................................... 86. 第二項. 原創性 ........................................................................................................... 86. 第三項. 人類精神上之創作 ....................................................................................... 87. 第四項. 具有一定之表現形式 ................................................................................... 88. 第五項. 足以表現出作者之個別性 ........................................................................... 88. 第六項. 小結 ............................................................................................................... 89. 第六節. 小結 ............................................................................................................. 89. vi.

(7) 第四章. 專利法下人工智慧發明物之地位 ..................................................... 92. 第一節. 人工智慧發明物之定義 ............................................................................... 92. 第二節. 電腦與人工智慧參與發明實例 ................................................................... 93. 第一項. 創作機器（The Creativity Machine） .......................................................... 93. 第二項. 發明機器（The Invention Machine） .......................................................... 94. 第三項. 遺傳規劃（Genetic Programming）發明機器 ............................................ 96. 第四項. Watson .......................................................................................................... 98. 第五項. Cloem ............................................................................................................ 99. 第六項. 本文分析 ..................................................................................................... 100 非人類發明人發明與專利權制度適用問題 ............................................... 101. 第一項. 專利權立法目的與非人類發明主體 ......................................................... 101. 專利制度理論 .................................................................................................... 101. 本文見解 ............................................................................................................ 102. 第二項. 專利權法下人工智慧創作發明所面臨之問題 ......................................... 103. 發明人以及專利申請權人為誰 ......................................................................... 103 保護必要性與其他保護選擇 ............................................................................. 104. ‧. 專利性客觀要件（patentability）與發明主體要件比較法分析 ................ 104 美國法 ......................................................................................................... 105. y. Nat. 第一項. 發明主體要件 .................................................................................................... 106. er. sit. 可專利性要件 .................................................................................................... 105. io. al. iv n C hengchi U 可專利性要件 .................................................................................................... 108 n. 第二項. 日本法 ......................................................................................................... 108. 第三項. 第五節. 可專利性（patentability） ................................................................................. 103. 學. 第四節. 立. 政治大. ‧ 國. 第三節. 發明主體要件 .................................................................................................... 109. 我國法 ......................................................................................................... 109. 可專利性要件 .................................................................................................... 109. 發明主體要件 .................................................................................................... 110. 人工智慧創作發明之專利法保護分析 ...................................................... 111. 第一項. 我國法與日本法 ......................................................................................... 111. 第二項. 美國法 ......................................................................................................... 112. 第三項. 一概不予保護抑或是設立新制度的選擇 ................................................. 112. 第四項. 本文見解 ..................................................................................................... 114. 第六節. 人工智慧創作發明作為「先前技術」—以 Cloem 為例 ............................ 115. 第一項. 我國法先前技術要件 ................................................................................. 115. 第二項. 人工智慧創作發明在我國法下符合先前技術之要件 ............................. 116 vii.

(8) 第三項第七節. 第五章第一節. 本文意見 ..................................................................................................... 117 小結 ........................................................................................................... 117. 人工智慧創作與發明主體立法上建議 ............................................ 119 人工智慧創作物 ........................................................................................ 119. 第一項. 創作主體與權利歸屬 ................................................................................. 120. 美國學者學說比較 ............................................................................................. 120. 本文分析 ............................................................................................................ 128. 第二項. 權利存續期間 ............................................................................................. 130. 第三項. 權利發生要件 ............................................................................................. 131. 第四項. 使用學習資料之所涉及侵權問題 ............................................................. 131. 第五項. 侵權責任主體 ............................................................................................. 132. 第一項. 美國學者學說比較 ............................................................................................. 133. 本文見解 ............................................................................................................ 135. 對於進步性判斷影響 ................................................................................. 138 小結 ........................................................................................................... 138. 結論與建議 ..................................................................................... 141. Nat. y. 第六章. 立. ‧. 第三節. 發明主體與權利歸屬 ................................................................................. 133. 學. 第二項. 政治大. 人工智慧發明物 ........................................................................................ 132. ‧ 國. 第二節. 第二節. 建議 ........................................................................................................... 143. n. al. er. sit. 結論 ........................................................................................................... 141. io. 第一節. Ch. engchi. viii. i Un. v.

(9) 圖次圖一 Push Button Bertha 樂譜. 39. 圖二 GCHQ. 48. 圖三 Monkey Selife. 53. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. ix. i Un. v.

(10) 第一章緒論第一節. 研究動機與目的. 早在 AlphaGo 打敗人類圍棋棋士之前，人工智慧技術已在不知不覺間達到可以模仿甚至超越人類智慧的程度。歷史上人工智慧技術發展曾幾度受到世界的關注與期待，然而卻因部分無法突破的瓶頸而又沈寂。隨著機器學習的興起，各大科技公司，無論是透過自行研發亦或是企業併購的方式，將人工智慧技術應用於各項產品與服務當中，特別是與機器人、大數據、3D 列印等技術結合，人工智慧儼然是最新的科技發展趨勢。此外，各項產業也利用人工智慧達成企業經營. 政治大人記者可以自行搜集數據資料撰寫報導等，這些具有與人類創作相同外觀的作品立上人力與時間的節省，且人工智慧亦可以完成如人類一般的創作行為，例如機器. ‧ 國. 學. 相關法律保護的依據為何，以及如受到法律保護則相關權利歸屬分配，此兩點是本文思考的出發點。. ‧. 日本於 2016 年提出的「知的財産推進計画２０１６」中表示將針對人工智慧創作物如音樂、小說、發明與設計相關權利保護進行討論。我國與日本同樣採. y. Nat. sit. 大陸法系，在智慧財產權法修訂時多參酌日本法，日本最新的立法動向值得我國. n. al. er. io. 注意與參考。在世界各國都致力透入資金研發人工智慧技術，相關法律保護議題. i Un. v. 將會越來越受各國重視，事實上在電腦出現之後於各國曾引發「電腦創作」著作. Ch. engchi. 權討論，而在自主性更高的人工智慧創作可能將引發另一波立法爭議，因此本文的目標在於比較各國相關立法討論，並針對人工智慧創作發展，探討我國現行法下人工智慧產出創作作品之法律保護地位為何，以及未來可能的修法方向。在世界各國致力投入發展人工智慧技術以及相關產業的同時，我國也無法置身事外，可惜目前我國針對人工智慧所涉及法制面問題研究並不多，期許本文可達拋磚引玉之效，並得對於產業界、未來立法研擬以及後續研究論著有所助益。人工智慧可產出具有與人類創作類似之作品或技術性之發明（以下簡稱為人工智慧創作與發明），在外觀上與人類創作結果難以區分，針對這些人工智慧創作與發明之法律保護地位，本文擬從美國、日本等國之著作權法以及專利法角度切入比較。特別在著作權法部分，早在 20 世紀電腦風行之後逐漸成為人類創作之工具，包含美國、歐盟、WIPO 以及日本等國都曾對於「電腦產生之作品」著 1.

(11) 作權議題提出報告，多認為電腦僅是人類創作之工具，傳達人類精神、情感與思想，故電腦所產生之作品已規範於著作權法中。然而人工智慧技術發展下，人工智慧創作已具有更高度的自主性，反而是人類貢獻程度降低，由人工智慧為內容創作，故本文擬從各國立法討論之立論基礎之上，更進一步討論人工智慧創作之法律保護。立法者最初設計著作權與專利權制度時，是以保護人類精神創作為前提，故預設的創作主體為人類，故相關法條與要件是否適用於人工智慧創作，容有疑義。此外，人工智慧縱然通過圖靈測試被認為具有「思考能力」，目前在世界各國人工智慧都不具有法律人格，亦不具有任何權利能力，因此縱然實際上完成創作與發明行為，人工智慧是否可擔任著作人／發明人，以及著作財產權人／專利權人，. 政治大作與發明實為「人類與機器連續創作的過程」，在整體的創作過程中事實上並非立學術界也有相當大的爭議。另外考量人工智慧創作與發明的特殊性，人工智慧創. ‧ 國. 學. 完全無人類貢獻，例如人類開發者研發技術、撰寫程式、投入訓練資料，使用者輸入指示、創作方向、提供種子請求項亦或僅是按下啟動紐等，這些人類開發者. ‧. 與使用者的「創作或發明前行為」（本文稱之為廣義創作／發明行為）應如何評價。若是認定人工智慧不得成為著作人／發明人，或是著作財產權人／專利權人. y. Nat. n. al. er. io. 認定，及相關權利歸屬為何，都將是本文探討的重點。. sit. 時，這些人類所為廣義創作或發明行為是否影響人工智慧創作與發明之法律保護. i Un. v. 本文將從我國法的角度，分析於我國著作權法以及專利法下人工智慧創作與. Ch. engchi. 發明之法律保護地位。若是在現行法下，人工智慧創作與發明不屬於著作權或專利權保護之範圍，則需思考有無立法保護之必要性。如未來要立法保護，則需進一步分析創作、發明主體和權利歸屬分配，以及可能衍生的法律問題，為未來立法上建議。. 第二節. 研究方法與研究限制. 第一項研究方法本文主要採用「文獻分析法」，整理分析國內外著作權法下以及專利法下，對於作者以及著作權要件、發明人與專利要件等相關論著與文章，並著重 2.

(12) 於以「人工智慧創作與發明所涉及之法律保護」為題之國外期刊文章，經由文獻回顧與系統性分析以建構本文架構。在第二章中另輔以「歷史分析法」，藉由整理人工智慧技術發展脈絡以及不同時期產業利用情形，分析對於社會以及整體經濟環境所產生的影響，以利於釐清並凸顯人工智慧技術之重要性，並建立後續人工智慧創作與發明之歷史背景以及問題意識。在第三章、第四章中則輔以「比較法」以及「質性研究法」，經由透過比較其他國家法律保護範圍以及要件，進一步於第五章中將學者文獻正反論點為系統性分析，並評析各項理論適用上之合理性以及妥適性，最後再與我國法作比較並綜合比較法以及學者理論作為未來修法研擬參考方向。. 立. 政治大. 第二項人工智慧範圍限制以及研究限制. ‧ 國. 學. 一、人工智慧創作與發明範圍. ‧. 人工智慧技術範圍甚廣，本質上為電腦軟體，若符合電腦程式著作要件，包含其文字部分以及非文字部分，皆為著作權保護範圍。文字部分為「文字、數字、. Nat. sit. y. 符號或標記等陳述（statement）或指令（ instruction）所組成」；所謂非文字部. er. io. 分包含「非文字之結構（structure）、次序（sequence）及組織（organization ）、. al. n. iv n C h e n 、使用者介面（user prompts）、巨集指令（marco instruction） interface）、外觀及感 gchi U. 功能表之指令結構（menucommand structure）、次級功能表或輔助描述（long. 覺（look and feel ）。1」. 而本文研究主題為「人工智慧創作與發明」，即是人工智慧軟體產生之作品，意即並非是人工智慧程式本身內含之表達，而是由人工智慧所「產生」的表達，雖然是按照電腦程式著作內容產生的作品，但是電腦程式著作人無法預測內容為何，並非電腦程式著作人之表達。換言之，本文研究的主題並非是人工智慧本身之智慧財產權問題，而是針對人工智慧之「產生物」之法律保護，並從著作權以及專利權的角度切入。二、研究限制. 1. 最高法院 98 年度台上字第 868 號判決。 3.

(13) 首先是技術限制部分，人工智慧技術於創作與發明領域之應用，礙於篇幅以及技術內容的資料取得困難，因此偏向介紹應用的現況為主。另外由於本文作者背景知識侷限，加上本文重點是建立人工智慧創作與發明所牽涉法律層面探討，故在技術方面相對無法深入，同時也避免模糊焦點。因此在法律層面，是以普遍人工智慧創作與發明共通的過程為相關法律議題討論對象，無法更細緻化或就個案狀況深入分析。其次在於比較法的選擇上，在第三章著作權法部分針對作者（著作人）以及著作權保護要件選擇比較的國家為美國、英國、德國與日本，選擇的標準考量我國著作權法沿襲大陸法體系同時也受美國法之影響，因此援引美國法以及德國法作為對比。英國法是少數將「電腦產生之作品」納入著作權體系保護國. 政治大布研擬將人工智慧創作物納入法律保護，未來可能對我國法產生引導性影響，立. 家，其立法方式值得參酌；而日本則是同樣採大陸法體系國家，且在 2016 年宣. ‧ 國. 學. 故一併比較之。在第四章專利法部分，考量專利制度在法體系間並無明顯的差異，且國際間訂有 TRIPS 等國際條約在保護標準以及審查手續都更趨於一致而. ‧. 具有國際性，故在比較法的國家挑選上，考量文獻資料較多以美國法背景為主，另外日本最近的立法研擬中亦有包含人工智慧發明，故在針對發明人以及. y. Nat. sit. 專利保護要件選擇比較的國家中，以美國以及日本兩國為主。. n. al. er. io. 第三，本文選擇「人工智慧創作與發明」在智慧財產權法下，即涉及著作. i Un. v. 權法、專利法、商標法、公平競爭法、營業秘密甚至是民法等，但礙於篇幅以. Ch. engchi. 及作者能力有限之故，僅選擇國外爭議較大的著作權以及專利權作為本文討論的主軸。最後是文獻限制，由於我國對於人工智慧相關法治的文章數量稀少，人工智慧創作與發明也是相對較新的技術發展，因此本文所使用之參考文獻以美國學者為主，再佐以少數其他國外學者文章。部分文獻時間發表較早且主要是探討「電腦產出之作品」之著作權議題，雖然人工智慧技術發展至今，自主程度越來越高，在整體創作過程貢獻光譜上越來越傾向機器之一端，然而與「電腦產出之作品」在基本原理上是相同的，因此本文擬在這些早期文獻之立論基礎上為更深度的分析。. 第三節. 研究架構 4.

(14) 為理解人工智慧之創作與發明過程，勢必必須從人工智慧之技術以及發展史開始說明，故本文於第二章「人工智慧之技術與產業發展」中首先介紹人工智慧之定義以及決定人工智慧是否可以「思考」之圖靈測驗，再從人工智慧近代發展史中的三次熱潮觀察技術的演變，最後則舉例說明現代的機器學習以及深度學習技術對於各個產業活動與服務產生重大改變與影響。人工智慧技術在各產業中，不僅擔任專家學者的角色給予分析與建議，同時也節省大量人力與時間，甚至可以從事過去認為需要人類智慧的「創作行為」，包含創作與技術性的發明，所涉及之法律保護制度不同，故分別於第三章與第四中為討論。在第三章「著作權法下人工智慧創作物之地位」中，將介紹在音樂、文. 政治大案，延伸討論非人類之作者參與甚至主導完成之創作，所涉及之著作權保護爭立. 學、藝術各領域人工智慧應用創作之範例，法律保護層面則從 Naruto 猴子自拍. ‧ 國. 學. 議與相關法律議題。無論是「是否受著作權保護」或是「著作權歸屬」，主要的法律爭點都是圍繞作者（authorship）之認定，因此透過比較法，與我國著作. ‧. 權要件以及著作人定義為分析比較。接下來，由於美國、歐盟、WIPO、日本都曾對於電腦參與創作所衍生「電腦產生之作品」著作權議題為立法上討論，故. y. Nat. sit. 基於這些立論基礎之上，延伸至人工智慧創作是否受著作權保護。. n. al. er. io. 第四章「專利法下人工智慧發明物之地位」中，則是現有的人工智慧參與發. i Un. v. 明的案例出發。目前已有數個人工智慧發明物取得專利權，然而皆非以人工智慧. Ch. engchi. 之名義為申請。從專利制度理論與目的分析，「非人類發明人」所為之發明是否影響係爭發明之可專利性，雖然專利制度實質要件雖然不像著作權一般，強調人類精神上之創作，更著重於發明本身是否具有進步性、新穎性以及產業利用性，但是美、日以及我國法下，發明主體皆以自然人為限，而原則上也只有發明人有專利申請權，此時也面臨如同第三章人工智慧創作同樣的問題，需要認定在整體的創作過程中誰有資格作為人工智慧發明之發明人。此外，另有如 Cloem 新創公司專門替客戶之子請求項「再發明」出數以萬計之潛在請求項，並聲稱可作為客戶種子請求項技術領域或競爭對手技術領域之「先前技術」（prior art），因此同樣衍生人工智慧發明是否適合作為阻擋人類平行發明之先前技術之疑問，本文於第四章最後獨立一節討論之。. 5.

(15) 第五章「人工智慧創作與發明立法建議」中，由於我國現行法下人工智慧創作物與發明物皆不受保護，但本文認為基於功利主義、激勵政策，對於社會與經濟產生的影響，以及未來科技發展趨勢，應考慮針對人工智慧創作與發明物納入法律規範，不僅有助於權利歸屬確定，與人類的創作與發明之間關係調和也更明確，例如的侵權行為發生時責任歸屬等。立法可選擇仍在現行制度下立專章，仍適用著作權與專利法部分規定；或是建立新的智財制度。本文較傾向前者，並針對立法提出幾項建議與注意要點，如權利歸屬、權利存續期間、權利取得方式、人工智慧發明技術對於進步性的影響等，並引用美國學者之見解以及日本立法討論之內容，作為未來我國立法上之參考。最後一章為本文之結論，將綜合上述第三章以及第四章中各國與我國法對於. 政治大術的發展，未來可能的修法方向與建議，並強調人工智慧於未來人類創作與發明立人工智慧創作與發明是否適用之探討；以及第五章中針對人工智慧創作與發明技. ‧. ‧ 國. 學. 過程中的重要性。. n. er. io. sit. y. Nat. al. Ch. engchi. 6. i Un. v.

(16) 第二章. 人工智慧之技術與產業發展. 第一節. 人工智慧之技術發展歷程. 第一項人工智慧的起源與定義人工智慧（Artificial Intelligence）的發展，一般認為緣起於西元 1956 年由 John McCarthy 以及其他九位學者所舉辦的「達特茅斯夏季人工智慧研討會」（The Dartmouth Summer Research Project On Artificial Intelligence），與會者包含 Claude Shannon、Marvin Minsky 以及 Nathan Rochester 等多位當代人工智慧研究領域學者。上開會議被認為是人工智慧發展史上重要的里程碑2，所討論之議題包含當. 政治大. 代人工智慧的各項問題，如自動電腦、程式語言、神經網絡、自我改進（機器學. 立. 習）以及隨機性與創造性等3。這場會議雖無實際的成果與突破，然而之後人工. ‧ 國. 學. 智慧二十年的發展，都是由這些參與的學者以及他們的學生與同事所支配4。John McCarthy 是否為創造「人工智慧」一詞之人，尚存有爭議，然而「人工智慧」一. ‧. 詞是於上開會議中第一次被正式使用5。. y. Nat. 「人工智慧」的定義，McCarthy 於其文章《What is Artificial Intelligence?》. io. sit. 中認為人工智慧「為製造智慧機器的科學與工程，特別是智能電腦程式。此與使. n. al. er. 用電腦以理解人類智慧的類似任務相關，但是人工智慧所使用之方法並不限於生. i Un. v. 物學上可觀察者。6」而另一位學者 Marvin Minsky7，於 1968 年將人工智慧詮釋. Ch. engchi. 為「一門『使機械從事人類必須靠智能完成的工作』之科學8。」而近代人工智慧學者 Joseph Feigenbaum 則認為人工智慧是「如果我們可以想像：一個人工製品. 2. David Levy, Robots Unlimited Life in a Virtual Age 65 (2005). Id. 4 謝政勳、廖珗洲、李聯旺譯，Michael Negnevitsky 著, 人工智慧：智慧型系統導論（第三版），頁 1—6，2012 年 3 月；另參殷建平、祝恩、劉越、陳躍新、王挺譯，Stuart J. Russell and Peter Norvig 著, 人工智慧：一種現代的方法（第三版），頁 17—18，2013 年 11 月 1 版。 5 雷鋒網，從馬文．閔斯基到 AlaphGo，人工智慧走過了怎樣的 70 年？，TechNews 科技新報，2016 年 2 月 11 日，http://technews.tw/2016/02/11/ai-history/（最後瀏覽日：2017/1/5）。 6 “It is the science and engineering of making intelligent machines, especially intelligent computer programs. It is related to the similar task of using computers to understand human intelligence, but AI does not have to confine itself to methods that are biologically observable.” 7 與 McCarthy 同為達特茅斯夏季人工智慧研究會議主辦人，日後亦一同為麻省理工學院人工智慧計劃的共同創辦人。 8 Levy, supra note 2.“Artificial Intelligence is the science of making machines do things that would require intelligence if done by man.” 3. 7.

(17) 可以搜集、彙編、選擇、理解、感知以及知悉，如此我們就擁有一個人工智慧。 9. 」日本人工智慧聖地—公立函館未來大學的校長中島孝之，則定義人工智慧為. 「以人工方式創造出來、擁有智慧的實體。或是為了創造出這樣的東西而研究智慧本身的學位。10」而日本人工智慧學會前理事長、京都大學教授西田豐明，則將人工智慧定義為「擁有智慧的機器」或「擁有心的機器。11」由此可見，學者們對於人工智慧的定義、範圍理解各有不同，並無統一的定論。簡而言之，人工智慧屬於電腦科學之一環，是指人造的機器具有實現人類智慧行為的能力，並同樣以此指稱創造它的技術以及學問。上述 McCarthy 以及 Marvin 的見解為早期對於人工智慧之定義，多以機器模仿人類智慧行為為出發點。然而，隨著人工智慧、電腦的發展，今日人工智慧的發展甚至可能超越人類所能完成之事，不只是單純. 政治大人工智慧一詞，在現今社會上使用上充斥於各項產品的行銷宣傳中，學者立. 模仿行為而已。. ‧ 國. 學. 松尾豐將社會上使用人工智慧一詞的情況分為四種等級12：第一級僅是將純粹的「控制程式」稱之為人工智慧，例如將許多家用電器具有「智慧」的外觀，會視. ‧. 環境（輸入）的不同改變行為（輸出），此類技術應該較屬於「控制工學」、「系統工學」之範疇；第二類是典型的人工智慧，行動較為多元，透過加入推論探索. y. Nat. sit. 能力或是知識基礎，擅長在輸入與輸出間牽上關係而產生極為大量的組合，例如. n. al. er. io. 西洋棋機器人、回答問題機器人等；第三類為加入機器學習的人工智慧，係指內. i Un. v. 建搜尋引擎或是能運用大數據自行作出判斷的人工智慧，依據這些資料學習找出. Ch. engchi. 輸入與輸出間的關聯性，因此大多數運用機器學習的演算法則，近年來發展的人工智慧多數屬於第三類型；第四類為加入深入學習的人工智慧，係指人工智慧進一步學會機器學習時所使用的表達資料變數，即特徵量，不需要人類設計特徵量，而是人工智慧自創造特徵量13。深入學習領域是機器學習領域中正在發展中且備. 9. R. Thiagarajan, Fifth Generation Computers and Beyond, in THEMATIC CARTOGRAPHY AND REMOTE SENSING 187,190 (Prithvish Nag et al eds., 1992). (If we can imagine an artefact that can collect, assemble, choose among, understand, perceive, and know, then we have an artificial intelligence.) 10 江裕真譯，松尾豐著，了解人工智慧的第一本書：機器人和人工智慧能否取代人類？，頁 51，2016 年 8 月。 11 同上註。 12 同上註，頁 57—60。 13 同上註，頁 159。 8.

(18) 受矚目的領域，透過多層次神經網路模型14，模擬人類的大腦學習模式，加強機器的辨識能力，於本節第三部分會再更深入介紹。人工智慧有兩大思想主題，分別為「強人工智慧」（strong A.I.）以及「弱人工智慧」（weak A.I.）15。「強人工智慧」假說認為電腦擁有智慧及思考能力與一般人類無異，且意識到自己的存在16。強人工智慧理論假設人工智慧可以理解並解決問題、做出決斷、計劃、學習以及溝通，電腦是睿智的且具有自我意識。依照「強人工智慧」提出者 John Searle 的說法，「依據強人工智慧假說，電腦不僅是心靈研究的工具而已，不如說擁有適切程式的電腦是一個心靈17。」相對的，「弱人工智慧」假說則對於人工智慧的成果沒有如此高的熱情，只是增加電腦部分的思維特徵使其成為更有用的工具18，電腦並無法與人. 政治大的軟體，並無包含（部分狀況下完全無關）任何人類認知能力。有別於強人工立類的智慧並駕齊驅，弱人工智慧僅是研究或是完成特定問題解決或是推理任務. ‧ 國. 學. 智慧，弱人工智慧比起「智慧」，更接近於特定的問題解決者，其不具有自覺與認知能力，人工智慧並不需要擁有心靈，只要能運用類似於智慧的知性手法. ‧. 解決問題即可19。部分評論認為弱人工智慧並不能被稱之為「智慧」，因為其不能真的「思考」20。強人工智慧假說目前尚未實現，然而它的出現，顯示出. y. Nat. n. al. er. io. 的議題。. sit. 人類對於機器是否可以自主「思考」的疑問，這也是長久以來學者們爭辯不休. Ch. e. 第二項圖靈測試（Turing Test）n g c h. i. i Un. v. 如何判斷機器是否會思考、具有「智慧」，必然需談及 Alan Turing （19121954）所提出的「圖靈測試」（Turing Test），該測驗建立一個標準以測試機器. 14. 林守德，深度學習的深度，科學人，155 期，頁 24，2015 年 1 月, http://www.csie.ntu.edu.tw/~sdlin/novel/deep_learning.pdf （最後瀏覽日：2017/1/5）。 15 Ela Kumar, Artificial Intelligence 13-14 (2008) 16 Id. 17 John Searle, Minds, Brains, and Programs, 3(3) THE BEHAVIORAL AND BRAIN SCIENCES 417, 417(1980) (But according to strong AI, the computer is not merely a tool in the study of the mind; rather, the appropriately programmed computer really is a mind….). 18 Kumar, supra note 15. 19 松尾豐，同註 10。 20 Kumar, supra note 15. 9.

(19) 是否具有智能，以及對於自身存在的自覺21。Alan Turing 為一卓越的英國數學家且同時也是電腦科學之父之一，電影《模仿遊戲》演出 Turing 於第二次世界大戰時期協助英國軍隊破譯德國軍隊的 Enigma 機密碼的故事，而事實上 Turing 偉大的成就不僅於此，其於 1949 年加入曼徹斯特大學計算機實驗室擔任副主任職位，從事的工作與當時最早的電腦之一—曼徹斯特馬克一號軟體有關。於這段期間中， Turing 於 Mind 雜誌上發表一篇對該時代而言深具開創性且對後世影響最為深遠的文章《計算機與智慧（Computing Machinery and Intelligence）》，於該文章中 Turing 討論人工智慧（該名詞於當時尚未被發明）以及至今仍使用於各式機器人測試中的「模仿遊戲」。於文章中，Turing 首先討論「機器能否思考」的問題，然而此問題的解答將. 政治大險的，因此 Turing 選擇以「模仿遊戲」（Imitation Game）來解決這個難題。模立. 侷限於「機器」以及「思考」於當代普遍使用的定義之上，這樣的態度是十分危. ‧ 國. 學. 仿遊戲由三個人來進行，一位男子、一位女子以及一位可為任何性別的詢問者，詢問者與另外兩位隔離於不同房間，而詢問者透過提問的方式，區別另外兩位誰. ‧. 是女子、誰是男子。其中只能透過如終端機似的媒介來進行交流，而男子的目標是誤導詢問者，而女子的目標則是幫助詢問者確定真實性別。如將男子改由機器. y. Nat. sit. 所取代，機器是否可順利混肴、蒙蔽詢問者之視聽，模仿人類常犯的錯誤，甚至. n. al. er. io. 回答如真人一般模稜兩可的答案22？Turing 以此作為判斷機器是否可以思考的依. i Un. v. 據。Turing 針對自己所提出的問題，認為答案是肯定的，他相信在西元 2000 年. Ch. engchi. 時，電腦將有 109 的容量可進行 5 分鐘的模仿遊戲問答，且一般的詢問者將只有不到 70%的機率能作出正確判斷是否在與真人進行對談23，代表有 30%以上的詢問者誤以為電腦為真人，當電腦成功欺騙 30%以上的評審，即通過圖靈測試。模仿遊戲成為日後圖靈測試的基礎，圖靈測試廣泛地被使用作為「證明某些呈現智能行為機器實體具有心靈、思想或智慧的行為測試」的代稱24。以羅布納獎（Loebner Prize）比賽所採用的現代的圖靈測試為例，係採用人類評審透過電腦終端機與通訊另一端實體互動，可能是真人或是電腦程式。在十分鐘的時間內，裁判可以以任何的方式進行互動，包含問任何問題或是做出任何評論。比賽結束 21 22 23 24. Id. at 40. Negnevitsky, 同註 4，頁 1-3—1-4。 Levy, supra note 2, at 41-42. Id. at 44. 10.

(20) 之後，每位評審將評比「最像人類」以及「最不像人類」，而獲得最高評價的電腦程式即為贏家。此外，每位評審亦會於其評分單上畫出一條線，該線之上是評審認為在終端機另一頭的是真人，而如果電腦程式可以說服 30%以上的評審其為人類而被歸類於該條線之上，則該電腦程式通過圖靈測試。透過終端機以進行詢問者與電腦之間的溝通，可避免受到外型以及聲音的影響，提供客觀的標準模式，既避開人類智慧特性的辯論，亦排除人為的喜好與偏見。詢問者在問問題的過程中，可能以各式問題來確定對方是否為機器，如以複雜的數學運算題測試是否可以快速提供正確解答，因此電腦必須了解適當給予錯誤解答，或是延遲回答的時機；亦或是可發現情緒特徵性的問題，例如對於詩畫、小說的想法，因而電腦可能還必須具備對於類似於人類的情緒、情感理解功能25。. 政治大到西元 2014 年，在英國倫敦皇家學會（Royal Society）所舉辦紀念 Turing 去世立. Turing 相信在西元 2000 年時的電腦發展將可完成模仿遊戲，然而事實上直. ‧ 國. 學. 六十週年的競賽中，英國雷丁大學宣佈來自俄國的聊天程式尤金．古斯曼（Eugene Goostman）首次通過圖靈測試，也成為人工智慧史上第一位26。其扮演十三歲非. ‧. 英文母語的烏克蘭男孩，成功讓 33%的評審認為他是真人27。然而這個結果卻遭受來自四面八方的批評聲浪，首先尤金並非是超級電腦，而是具有角色設計的聊. Nat. sit. y. 天機器人28，不具有智慧。使用聊天機器人有違圖靈測試本身的原意，且「非英. n. al. er. io. 文母語」的「小孩」設定亦有違反規定的嫌疑，讓測試更容易通過29；其次，尤. i Un. v. 金是否為「第一個」通過測試的機器人尚存有爭議，如於西元 2011 年 Cleverbot. Ch. engchi. 於一場印度技術管理節所舉辦的而圖靈測試中，經現場評審投票評價 59.3%認為其為人類；此外，圖靈測試是西元 1950 年代的科學家所想像的電腦以及人工智. 25. Negnevitsky，同註 4，頁 1-3—1-4。 Turing Test Success Marks Milestone in Computing History, UNIVERSITY OF READING (Jun. 8, 2014), http://www.reading.ac.uk/news-and-events/releases/PR583836.aspx (Last visited: 2017/1/5). 27 郭和杰，電腦首次通過圖靈測試，人工智慧大突破？，iThome，2014 年 6 月 10 日， http://www.ithome.com.tw/news/88507（最後瀏覽日：2017/1/5）。 28 Mike Masnick, No, A 'Supercomputer' Did NOT Pass The Turing Test For The First Time And Everyone Should Know Better, TECH DIRT (Jun. 9, 2014), https://www.techdirt.com/articles/20140609/07284327524/no-computer-did-not-pass-turing-test-firsttime-everyone-should-know-better.shtml (Last visited: 2017/1/5). 29 Adam Mann, That Computer Actually Got An F On The Turing Test, WIRED (Jun.9, 2014), http://www.wired.com/2014/06/turing-test-not-so-fast/ (Last visited: 2017/1/5); See also Matthew Sparkes, Computer passes the Turing Test? I’m not convinced, THE TELEGRAPH (Jun.9, 2014), http://www.telegraph.co.uk/technology/news/10886389/Computer-passes-the-Turing-Test-Im-notconvinced.html (Last visited: 2017/1/5). 26. 11.

(21) 慧，無法與現今的科技發展相吻合30，現今的人工智慧早已超越 Turing 那個時代的理解，機器人領域也不僅僅是往「聊天機器人」的方向發展。如前所述，圖靈測試於不同的競賽與場合中都有些許變形，評審與評價的方式也有所不同，是否可以相提並論尚有斟酌之餘地，現代的圖靈測試與 Turing 所提出的「模仿遊戲」也有所出入。學者 Stevan Harnad 認為不論是尤金還是 Cleverbot 都沒有通過圖靈測試31，因為探究「Turing 的觀點，是以解釋人類的大腦如何運作的方法來設計一個能做到任何大腦能做的事的系統」，包含人類所有的語言詞彙庫，如同其基礎能力一般，不是僅存在五分鐘而已，而是一生32。回歸 Turing 所提「機器能否思考」的問題本身觀之，本文認為 Harnad 之見解較符合當初 Turing 的真意。. 政治大慧的模仿人類行為的評估標準，且透過與人類專家的比對，亦驗證部分專業領域立. 圖靈測試雖然是距今 67 年前科學家的觀察，但這些年來也提供關於人工智. ‧ 國. 學. 的智慧型程式33。然而，人工智慧研究並非僅致力於通過圖靈測驗，而是透過各項子領域的研究，特別是機器學習，而在生活中各層面的運用都有令人耳目一新. ‧. 的成果。. sit. y. Nat. 第三項近代人工智慧技術發展史. n. al. er. io. 人工智慧研究領域十分廣泛且多元，各個議題可區分為不同的子領域，如演. i Un. v. 繹、推理與解決問題、自動規劃、專家系統、機器學習（神經網路、深度學習）、. Ch. engchi. 自然語言處理、機器人學（操縱與移動）、機器感知（機器人視覺）、倫理管理等34，其研究成果也以生活中不同型態的機器人以及人工智慧技術呈現，如 IBM 萬能機器人 Watson、創作音樂的機器人 Magenta、機器詩人 Cybernetic Poet、表達情感的機器人 pepper 以及打敗韓國圍棋棋手的 AlaphGo 等，相關產業應用將於本章第二節中更詳盡的介紹。人工智慧的發展史因研究領域的不同，且長時間下來累積的研究成果十分豐碩但也繁雜，並非短短一章節可以盡數，故本文以下 30. Mann, supra note 29; 郭和杰，同註 27。 Ian Sample and Alex Hern, Scientists dispute whether computer ‘Eugene Goostman’ passed Turing test, THEGUARDIN ( Jun.9, 2014), https://www.theguardian.com/technology/2014/jun/09/scientistsdisagree-over-whether-turing-test-has-been-passed (Last visited: 2017/1/5). 32 "That includes all of our verbal capacity, as well as the sensorimotor, or robotic, capacity in which it is grounded. Not for five minutes, but for a lifetime." 33 Negnevitsky，同註 4，頁 1-5。 34 Russell and Norvig，同註 4，頁 4。 31. 12.

(22) 將採用日本學者松尾豐分類方式以歷史上三次人工智慧熱潮以簡述不同時期人工智慧技術的發展歷程以及重大事件35。. 人工智慧孕育期在前述達特茅斯夏季研討會之前有一段人工智慧的孕育期， Warren McCulloch 以及 Walter Pitts 於 1943 年所發表的研究報告中提出一個人工神經網路模型36，其被設定為二進位（即開或關）狀態，他們所提出的神經網路模型，證實任何函數都可透過相連神經元網路進行運算，且所有的邏輯連接詞（與、或、非等）都可用簡單的網路結構來呈現37，此份報告被公認為人工智慧領域最早的研究。神經網路模型在理論以及實驗兩大方面都推動實驗室大腦模型的研究38，. 政治大 networks, ANN）領域奠定基礎。此外，1949 年 Donald Hebb 於其著作中揭示神立. 雖被證實是不正確的，然而卻為神經計算以及人工神經網路（Artificial neutral. 經元之間連結關係，稱之為「赫布定律」，（Hebb’s rule）其亦人工神經網路理. ‧ 國. 學. 論的基石39，至今仍有相當影響力40。人工神經網路理論雖沈寂一時，然而在 1980. ‧. 年代之後神經網路成為機器學習十分重要的發展領域。此外，Marvin Minsky 以及 Dean Edmonds 於 1950 年建造第一台神經網路計算機 SNARC（Stochastic neural. Nat. er. io. sit. y. analog reinforcement calculator）。. al. iv n C 第一次的人工智慧熱潮出現在西元年代後半至 1960 年代41，剛結束達 U h e n g1950 i h c n. 第一次人工智慧熱潮. 特茅斯夏季研討會，學者對於人工智慧的發展充滿熱情與信心，大膽預測未來，這個時代的人工智慧以「推論」以及「探索」為主，研究偏重於運用電腦解決特定問題。所謂的「推論」是指模擬人類複雜思考的過程以符號來呈現並執行，類似「探索」的過程，一步步將所有的可能性羅列後向下排列的圖像稱之為「探索樹」（searching tree），亦即為狀況區分，而電腦參照這樣邏輯不斷為狀況區分 35. 松尾豐為現任東京大學工學研究所副教授，專長研究領域為人工智慧與大數據分析等。松尾豐，同註 10，頁 68—71。 36 Negnevitsky，同註 4，頁 1-5—1-6。 37 Russell and Norvig，同註 4，頁 17。 38 同上註。 39 張正苓、胡玉城譯，Pedro Domingos 著，大數據，頁 182，2016 年 8 月 5 日。 40 Negnevitsky，同註 4，頁 1-17。 41 松尾豐，同註 10，頁 68—92。 13.

(23) 最後即能找到解答。探索樹在人工智慧適用的領域，除了迷宮、河內塔之外，亦可作為機器人的行為規劃，此種「規劃」（planning）的技術是針對各種狀況，設定「前提要件」、「行動」以及「結果」，機器人即可達到預期的結果。探索樹在棋藝類型人工智慧運用上特別顯著，將對手可能的棋步依狀況區分列舉出來，運用評價函數（evaluation function）演算法評估其優缺點後，再決定自己的下一個棋步42，因為尚須考量對手的棋步，因此探索組合數量極為龐大，搭配評價機制則電腦則以達成最高分為目標進行探索，而整體盤面的預估則是採用「最小最大法43」，這也是持續至今棋藝機器人的基礎模型。隨著規則、勝敗計算的難易度，可能棋步組合數量，對於電腦而言從易至難分別是黑白棋、西洋棋、圍棋44。於 1951 年 Arthur Samuel 發表的黑白棋程式受到相當. 政治大並使 IBM 的股價上升 15 點，三年後的更新版本增加兩個學習機制，使程式可立. 矚目45，搭配的電腦為 IBM701，是第一台能將程式儲存於其記憶體中的電腦，. ‧ 國. 學. 以從經驗學習並精進自己的評價函數，最終發展至業餘選手的能力。而西洋棋程式的發展從 1951 年 Claude Shannon 第一次發表的西洋棋殘局計算機（Chess. ‧. endgames computer）到 IBM 的 Deep Blue 於 1997 年第一次打敗當時的世界冠軍 Garry Kasparov，花了將近 50 年的時間46。而不同於西洋棋平均於一個位置. y. Nat. sit. 需思考 37 個棋步，而圍棋於一個位置需思考 240 個棋步，因此於 20 回的搜索. n. al. er. io. 樹將擁有 4Ｘ1047 個組合數47，可見其需要更長遠的策略以及更優化的評價機. i Un. v. 制，而在 2016 年隨著 AlaphGo 成功打敗職業棋士，也為遊戲領域機器人發展立下里程碑。. Ch. engchi. AlphaGo 為 Google Deep Mind 所發展的人工智慧圍棋程式，其採用其他棋類遊戲時常採用的蒙地卡羅樹狀搜尋（Monte Carlo Tree Search）以及兩個深度神經網路—策略網路（policy network）以及價值網路（value network），透過策略網路判斷對手最可能落子的位置，價值網路評價則是預估每個落子位置在整體棋局中的勝率，兩個深度的神經網路經由訓練的方式是結合輸入大量人類. 42. Levy, supra note 2, at 73. 最小最大法（minimax），即一方選擇對自己最有利的下棋原則，另一方亦選擇對自己最有利原則意即使對手優勢最小化，如此一來即能預測未來的最佳棋步。松尾豐，同註 10，頁 83。 44 Levy, supra note 2, at 89-94；另參松尾豐，同註 10，頁 82。 45 Levy, supra note 2, at 89. 46 Id. at 81、88. 47 Id. at 95。 43. 14.

(24) 專家對弈棋譜的監督式學習以及大量自我演繹對弈的強化學習，並透過新式的搜尋演算法將蒙地卡羅樹狀搜尋、策略網路以及價值網路結合，利用「深度學習」技術反覆訓練提升 AlphaGo 的網路權重48。早期電腦最大的用途是定理的證明以及解決問題，而真正的目標是能對於常識問題自動化推論解決方案，這正是 John McCarthy 對於早期人工智慧發展的夢想49。McCarthy 於 1958 年發表的論文《基於常識的程式（Programs with Common Sense）》中，提出「建議的採納者」（Advice Taker），可以透過操作邏輯語言尋找解決生活難題的方案，特別的是，「建議的採納者」允許使用者透過給予建議（正確的陳述）的方式即時改善其表現，等於其可以接受新公理、不同領域的專業知識，而無須重新設計，如同人類一般有效地從經驗中學習，可以說「建議. 政治大，時至今日，這篇論文仍是非常重要。另一個問題解決程式的早期嘗試是立. 的採納者」是第一個完全基於知識，且集知識表達與推理的核心定律於一身的系統50. 51. ‧ 國. 學. 「通用解決方案」（General Problem Solver，GPS）於 1960 年代由 Allen Newell 以及 Herbert Simon 開發，其採用一種稱為手段—目的（means-ends）分析法，將. ‧. 問題的目標狀態拆解成數個子目標再分別解決，如問題的目前狀態與目標狀態間存有差異，則是透過子目標予以最小化或是消除最大的差異52。然而 GPS 無法處. y. Nat. sit. 理複雜的問題，由於其採用正規邏輯，必然導致探索樹中的子目標以及創造新子. n. al. er. io. 目標的可能性增加，導致需要大量的運算時間以及記憶體空間，而在有限的電腦. v. 時間以及記憶體容量資源之下，最後 GPS 計劃目標無法實現53。這亦顯示從特定. Ch. engchi. i Un. 問題解決走向通用問題解決，對於 GPS 的困難性，其需要具備相關問題範疇的大量知識以解決不同的問題，並無一個通用的策略可以自動導向每個問題的解決方案，而這也是第一次人工智慧熱潮中許多研究共同遇到的困境。許多現在重要的技術研究，例如神經網路、機器學習、對話系統、機器翻譯等研究的理論與概念在這段期間被提出，然而卻分別遇到困境與難題。僅管在證明難解的定理或是解決遊戲問題方面，人工智慧證明其機器智慧的存在，然而卻 48. David Silver ET AL, Mastering the game of Go with deep neural networks and tree, NATURE (Jan. 27, 2016), http://www.nature.com/nature/journal/v529/n7587/full/nature16961.html (Last visited: 2017/1/5). 49 Levy, supra note 2, at 194. 50 Negnevitsky，同註 4，頁 1-7。 51 Russell and Norvig，同註 4，頁 19。 52 Levy, supra note 2, at 199-200. 53 Negnevitsky，同註 4，頁 1-8。 15.

(25) 無法解決更廣泛的現實需求或是複雜問題，在欠缺相關範疇知識之下僅能透過每一步驟的不同組合直到找到正確解答，在遊戲機器人雖可行，然而在通用問題上卻面臨組合數量龐大，欠缺效率而無法解決現實問題。在早期的機器翻譯則面臨機器主題理解問題，明顯的例子是，1957 年美國國家研究會所資助蘇聯科學論文翻譯，起初借助電子辭典進行俄文與英文的單字替換。然而，因欠缺對於主題以及背景知識理解，而無法選擇正確的翻譯詞彙，最後在 1966 年的諮詢委員會報告書中（ALPAC 報告）中認為「尚不存在通用科學文本的機器翻譯，短期也不會出現」，使得學術翻譯研究所有美國政府資助全部中斷54。同樣在英國政府在 1971 年 James Lighthill 所提出的報告中，批評人工智慧未能解決前述透過不同組合探索求解，所造成「組合爆炸」的問題55，且未能發現重大甚至是明顯的. 政治大留獨立「人工智慧」學科的必要。除了上述研究上的限制之外，在產生智慧行立. 研究成果，因此停止對兩所大學以外其他大學人工智慧研究的支持，認為沒有保 56. ‧ 國. 學. 為的基本結構上亦存在某些限制，如 Marvin Minsky 於其著作《感知器》（Perceptrons）中提及，人工神經網路在特定狀況下所出現的侷限性57，也導致. ‧. 神經網路研究資助的減少58。1970 年代開始熱潮消退，直到 1980 年代專家系統於產業上的應用才又重新興起熱潮。. sit. y. Nat. er. io. 第二次人工智慧熱潮. al. iv n C hengchi U 潮期間所採用的一種通用的探索演算法，是以一連串的推理步驟解決問題，這樣 n. 雖然人工智慧於 1970 年代較為沉寂，然而不少研究仍持續進行。第一次熱. 的方法稱之為「弱方法」（weak method），並無法解決日常的複雜問題。而有效. 的替代方案即是使用強而有力的的相關範疇知識，透過執行更大量的推理步驟來解決狹窄專業領域的特殊問題 59 ，其中代表的典型就是「專家系統」（Expert systems）。. 54. Russell and Norvig，同註 4，頁 21。同上註。 56 Negnevitsky，同註 4, 頁 1-10。 57 針對感知器僅能針對線性邊界分類，而無法處理異或問題，而在 1980 年代後向傳遞學習演算法發明之後已克服，詳如後述。 58 Russell and Norvig，同註 4，頁 21。 59 同上註，頁 22。 55. 16.

(26) 所謂的專家系統係一種運用專業領域知識解決一般需要專家解決之問題的複雜程式，透過汲取專業領域知識，演算之後展現出如該領域專家般之言行，提供智慧的建議且可以解釋其決定背後的推理過程，讓使用者可以理解其「思維」 60. 。專家系統特意限縮其知識領域61，以便對於問題領域可以表現更高程度的理. 解，其系統採取以知識為基礎的規則庫（knowledge base），相較於傳統演算法更為靈活，其推理機制與知識庫相互分離，可以隨時增加、移除或是更改規則而不需改動演算法或是程式，因此規則庫可輕易的改進其知識。此外知識的運用也更活躍，可用來從問題中已知的部分推論新的資訊，或是增加規則表達的新知識後即可為新的應用。專家系統應用的領域極廣，包含醫療、數學、工程、地理、犯罪、電腦科學、商業、法律、政治以及防禦等62。. 政治大譜儀提供的光譜資料分析火星表面的土壤分子結構，由 Edward Feigenbaum、資立. DENDRAL 為專家系統的先驅，於 1969 年由史丹佛大學開發，作為藉由質. ‧ 國. 學. 訊科學家 Bruce Buchanan、基因領域諾貝爾得主 Joshua Lederberg 合作完成， Feigenbaum 的工作即是將 Lederberg 的專業知識，讓電腦程式來實施，使其具有. ‧. 人類專家學者的程度，所面臨的問題主要困難在於「知識獲取的瓶頸」，如何使電腦程式獲取人類的知識，是知識工程中公認的難題。而 DENDRAL 的重要性. y. Nat. sit. 在於代表人工智慧的發展，從 1960 年代流行的「弱方法」轉移至特定領域，以. n. al. er. io. 及知識密集的技術63。而且，該計畫是從人類專家身上萃取經驗法則等高品質規. i Un. v. 則，並使電腦程式在特定問題上達到與有經驗的人類專家相同的知識水準。此外，. Ch. engchi. DENDRAL 計畫開創專家系統的基本理論—「知識工程」（knowledge engineering） 64. ，包含知識的獲取、知識的表達以及知識的處理，透過數星期或更長期間與專. 家學者會晤訪問所得的知識，知識工程師再將這些知識轉化成 IF-THEN 規則儲存於程式的「知識庫」中，這在後續包含 MYCIN、PROSECTOR 等專家系統中發揚光大。在 DENDRAL 計畫成功並行銷於美國市場之後，1972 年 Feigenbaum 與史丹佛團隊開始發展醫療專家系統—MYCIN， MYCIN 為典型的專家系統，可以. 60 61 62 63 64. Levy, supra note 2, at 234-236. Id. Id. Negnevitsky，同註 4，頁 1-11—1-12。同上註。 17.

(27) 說是第一個大型展現人類專家水準且可以提供使用者推理解釋的大型專家系統，其透過與專家會晤訪問間獲取知識轉化為約 450 種相互獨立的規則，用以提供醫生診斷傳染性血液疾病以及腦膜炎建議。由於醫學診斷上時常面臨不確定性，然而早期的治療又是必要的，MYCIN 需對於醫生不完整的回答給予回應，故所有資訊會以「確定性因素」（certainty factors）來評價醫生回答的不確定性，此為 MYCIN 所引入的新的特徵65。經過改良標準後 MYCIN 的處方選擇的正確率高達 65%，相較於一般的人類專家只有 42.5%至 62.5%更為準確66，雖仍較細菌感染專業醫師 80%的正確率為低67，但就 1970 年代的軟體程式而言已是相當驚人的表現。專家系統的成功，將其從實驗室帶到各個領域產業應用之上。在 1980 年代. 政治大者能投入研發專家系統，各大公司亦得以成立自己的人工智慧研究小組開發，並立之後，隨著個人電腦（PC）以及簡單的專家系統開發工具的出現，使得各學科學. ‧ 國. 學. 使用專家系統於生產或是商業活動中68。早期以醫療產業應用為最大宗，而隨著專家系統發展愈發成熟，不只數量增加，應用產業也隨之擴展，至 20 世紀末時. ‧. 新興領域為商業與生產業，已佔應用總數 60%左右，人工智慧產值到 1988 年高達數十億美元69。除此之外，包含日本十年國家計畫「第五代電腦」在內，美國、. Nat. sit. y. 英國都重新展開對於人工智慧的研究70。. n. al. er. io. 專家系統雖看似發展十分成功，然而仍然有其局限性存在71。首先，成千上. i Un. v. 萬條規則有可能發生前後矛盾或是不一致的情況，難以核對或是進行驗證其中不. Ch. engchi. 正確、不完整或是不一致的規則，因而知識的維護管理十分重要；其次，專家系統僅擅長回答狹窄專業領域問題，一旦需要處理知識範圍較廣的問題，可能面臨無法界定領域的困境，主因在於對於常識層級知識的缺乏，顯露出記述知識的困難，其中的代表為 Cyc 計畫，由、Douglas Lenat 所發起，目標是建立常識知識的資料庫，透過人工的方式，將人類世界的基礎知識與定理輸入電腦中，這項計畫. 65 66 67 68 69 70 71. 同上註；另參 Levy, supra note 2, at 242. Levy, supra note 2, at 242 松尾豐，同註 10，頁 97—98。 Negnevitsky，同註 4，頁 1-13。同上註。松尾豐，同註 10，頁 118—119 頁；另參 Russell and Norvig，同註 4，頁 23—24。 Negnevitsky，同註 4，頁 1-14。 18.

(28) 進行至今已逾三十年，亦無法將人類無邊無際的知識編入完成72。這些專家系統的瓶頸，在日後透過網路以及機器學習等研究發展下，方才予以突破。不論是上述國家的計畫，或是公司開發小組皆沒有達到原先預期的成效，專家系統存在瓶頸，且在人工智慧領域學者亦有提出框架問題（frame problem）、符號接地問題（symbol grounding problem）等困境，在 1987 年左右，第二次人工智慧熱潮結束，迎來號稱「人工智慧寒冬」時期的到來73。. 第三次人工智慧熱潮隨著 1980 年代神經網路研究的復甦、1990 年代網路的出現，影響機器學習的發展，也連帶帶動第三次人工智慧熱潮。「機器學習（machine learning）」不. 政治大是讓人工智慧以經驗、實例以及模擬的方式自行學習，透過一邊處理範例組成「訓立同於知識工程，知識工程研究者認為知識是透過人類逐一輸入，然而機器學習則. 練集」資料，一邊學習建立「分類方式」（一種函數，即 learning model），學會. ‧ 國. 學. 之後便能使用該分類方式區分新的未知事物74。目前的機器學習可分為三種方法，. ‧. 第一種為「強化學習」，即透過大量資料輸入並給予獎勵回饋；第二種較常訓練神經網路的是「監督式學習」，人工智慧的訓練集需包含輸入（即特徵，features）. y. Nat. sit. 和預測目標（label），在監督式學習中目標是由人類所標註；第三種是「非監督. er. io. 式學習」，相對則無無人類標註預測目標，而是對於訓練資料進行分類以了解其. al. n. iv n C hengchi U 機器學習包含五個主要的思想學派，分別為符號理論學派（Symbolists）、. 內部結構75。. 人工神經網路學派（Connectionists）、演化論學派（Evolutionaries）、貝氏定理學派（Bayesians）以及類比推理學派（Analogizers）76。各學派擁有不同理念以及核心問題，且透過不同的演算法予以體現，例如人工神經理論學派是模擬大腦思考以及神經傳遞，透過調整神經元之間的連結強度進行學習，主流的演算法為. 72. 松尾豐，同註 10，頁 99—102。同上註，頁 114—117。 74 同上註，頁 126—127。這些演算法包含最鄰近演算法（nearest-neighbor algorithm）、簡單貝氏演算法（Naïve Bayes）、決策樹學習器（decision tree learners）等。 75 張庭瑜，Facebook 的 AI 入門課！用三段動畫講解人工智慧如何運作，數位時代，2016 年 12 月 6 日，http://www.bnext.com.tw/article/42204/facebook-artificial-intelligence-video（最後瀏覽日：2017/1/5）。 76 Domingos，同註 39，頁 121—125。 73. 19.

(29) 「倒傳遞學習演算法」（back propagation）；而演化論學派則是在電腦上模擬物競天擇的演化過程，模擬的結果是一系列最佳化演算法直到找到最佳化的解決方案，包含基因演算法（generic algorithm）、演化策略以及遺傳規劃（generic programming）等77。礙於篇幅以及重要性考量，以下將僅以將以機器學習最常見的方法人工神經網路為討論的主軸。人工神經網路，亦可簡稱為神經網路（natural network）或神經網（natural net），人工神經網路是模仿人類大腦思考推理模型，人類的大腦高度複雜、可同時進行大量的平行計算，大腦是由密集的神經細胞或神經元所足成，神經元包含細胞體、一些樹突、突觸以及一根細長的軸突，透過複雜的電化學反應傳遞訊號，而神經元又具有可塑性，因此正確的答案的神經元連結被加強，相對錯誤答案的. 政治大過程，其具有多數簡單又高度連結的處理器亦稱為神經元，每個神經元連結都設立. 連結被弱化，因此神經元可透過經驗學習。人工神經網路即是模擬這樣的學習的. ‧ 國. 學. 有權重並將訊號傳遞至其他神經元，權重代表神經元訊息輸入的強度或是每個神經元輸入的重要性，而人工神經網路透過調整權重進行學習78。. ‧. 如前「人工智慧孕育期」所提及 Warren McCulloch 以及 Walter Pitts 的人工神經網路模型，該模型被設定二進位（即開或關）狀態，當輸入訊號數量大於活. y. Nat. sit. 化門檻時，神經元即會切換至「開」的狀態，而於 1957 年 Frank Rosenblatt 發明. n. al. er. io. 「感知器」（perceptron）即加上「可變的權重」概念。感知器由多層組合而成，. i Un. v. 透過將每項輸入訊息加上重後加總再經過「激勵函數」（activation function）決. Ch. engchi. 定其輸出，如果加總分數高於特定門檻則該感知器被活化否則則被抑制，門檻設定的關鍵在於是否辨識（recognizing）個別輸入訊息態樣是否屬於特定態樣類別，如正類別（1）與負類別（0）而透過反覆調整權重即神經元之間的連結強度可以提升其分類的精準度79。多層感知器通常包含輸入層、隱含層以及輸出層，隱含層的神經元主要的功能在於發現特徵，神經元的權重代表隱含於輸入訊息態樣的特徵，而輸出層根據這些特徵決定輸出的型態80。多層神經網路主要的演算法為「倒傳遞學習演算法」，其由兩個階段組合而成。首先在「前饋階段」，透過將大量訓練輸入型態提供給人工神經網路的輸入 77 78 79 80. 同上註，頁 323—332 頁。 Negnevitsky，同註 4, 頁 6-2—6-3。 Levy, supra note 2, at 214-215. Negnevitsky，同註 4，頁 6-13。 20.