國立高雄大學財經法律學系研究所
碩士論文
人工智慧專利保護要件之研究
A Study on Requirements for Artificial Intelligence
Patents
研究生：黃雯琪撰
指導教授：謝國廉
i
謝辭
自開始構思論文主題到現在，大概過去了一年多的時間，這段埋首於研究的 日子，說長不長，說短不短，卻是我面臨最多挑戰的一段時光，很開心自己可以 堅持到最後，相信這會是我未來的人生旅途中，很重要的養分。 撰寫論文的過程難免煎熬，大量資料的蒐集、邏輯思考與文字組織能力等， 對我而言，都不算是駕輕就熟的事，所幸一路上獲得許多的幫助和支持。首先， 非常感謝我的指導教授，謝國廉博士。一開始，關於這個主題的未來發展及其相 關文獻是否充足，都還不是太肯定，但謝謝教授仍不辭辛勞地給予指導，提供我 思考方向，才能讓我在一團迷霧中，逐漸釐清自己的步伐，而每一次的討論，也 總讓我獲益良多、更加明確論文的架構安排。在最後的幾個月裡，正是教授事務 繁忙之時，謝謝教授百忙之中，仍撥冗仔細地閱讀我的論文，讓我可以順利完成 此篇論文，在此獻上最誠摯的謝意！還要感謝撥空擔任此篇論文口試委員的程法 彰教授及周伯翰教授，不僅悉心地給予我改善的建議、提出可多加探討的方向， 更啟發我許多不同面向的思考，真的非常感謝！另外，特別謝謝周伯翰教授，自 大學時擔任我的班導起，即對我不斷地關心與照顧，由衷感謝。 其次，謝謝研究所班導謝開平老師，給予我許多經驗分享與鼓勵；謝謝吳行 浩老師，啟發我拓寬國際視野的觀點；謝謝張麗卿老師，提供我學習研討會協助 的機會。也很感謝所有研究所的老師們，於就學期間對我的指教。另外，謝謝哲 敏，叮嚀我許多論文注意事項；謝謝翊菁、筑筠、沛蓁，伴我度過無數個趕論文 的夜晚；謝謝心茹學姊，協助我進行論文的相關流程；謝謝楠梓度假村成員，督 促我的論文進度；謝謝莉恩，幫我校對英文摘要翻譯。也很感謝研究所同學們、 女籃的大家以及所有支持我的朋友們。謝謝緣分讓我們相遇，謝謝你們出現在我 的生命裡。 最後，感謝我的父親黃世敏先生、母親陳秋琴女士及家人們。若不是您們無 私地奉獻與付出，我無法心無旁騖地逐步實踐國家考試與撰寫論文的計畫，謝謝 您們願意等待、願意相信、願意支持，未來希望自己可以如您們所期，於社會貢 獻一己之力。而最後的最後，感謝我的舅舅陳樹先生。記得一年多前剛結束律師 二試的那一夜，您向我提起應著手撰寫論文的事宜，並指出未來時代的走向與研 究趨勢，謝謝您的提點，開啟我尋求確切論文主題的動機，若不是您的指點迷津， 我無法如此順遂地找到方向，也因為有您一路上的無限支持，讓我得以擁有面對 未知、克服難題的決心，更讓我相信：凡事盡力而為，一切自有好的安排。衷心 感謝！ 此篇論文得以成就，承蒙許多人的幫助，謝謝幸運的自己，謝謝大家。 黃雯琪 謹誌 民國 109 年 01 月ii
人工智慧專利保護要件之研究
指導教授：謝國廉 博士 國立高雄大學財經法律研究所 學生：黃雯琪 國立高雄大學財經法律研究所 摘要 近年來，隨著機器學習與深度學習之發展，人工智慧之研究成果與相關之法 律保護，成為首要之全球議題。本論文爰以人工智慧相關發明之法律保護為中心， 分析營業秘密法、著作權法與專利法於人工智慧之優缺點，期能於智慧財產權法 制中，尋得較適宜人工智慧發明之保護模式。 經觀察，專利法應為相對適合之法制，因其具有強制公開之規定，可將人工 智慧核心本質之演算法、訓練模式予以揭露，於保障研發者之同時，使社會大眾 得對人工智慧有更多之認識，而有利於研發環境與整體經濟發展。然而，就現行 專利法之規定，人工智慧相關發明無法直接取得專利保護，必須尋求其他法律解 釋或法規修正。關於此爭議，歐洲、美國皆有專利審查基準之修正，討論專利標 的適格性與進步性之判斷標準，並說明可取得專利保護之人工智慧發明，可作為 我國未來專利發展之參考。此外，人工智慧與電腦軟體之間具密切關聯，而電腦 軟體過去亦有無法直接或得專利保護之爭議，則電腦軟體專利之沿革，對人工智 慧有重要之影響，有必要先行介紹電腦軟體專利之發展。 而不僅人工智慧，電腦軟體之專利保護爭議，也同樣發生於歐洲、美國，且 其解決方針，如專利標的適格性、進步性之審查，更為我國電腦軟體專利發展之 修正基礎。因此，歐洲、美國現行關於人工智慧之發展，尤其專利標的適格性與 進步性之討論，為本論文主要之研究內容。並於介紹歐洲、美國於電腦軟體中之 發展，及整合目前人工智慧專利之相關修正後，再將上述制度與我國進一步比較、 分析，就不足之處，提出可循之方向與建議。 關鍵字：人工智慧、AI、電腦軟體、專利標的適格性、進步性、專利保護要件iii
A Study on Requirements for Artificial Intelligence
Patents
Advisor: Professor Kuo-Lien Hsieh Institute of Economic and Financial Law
National University of Kaohsiung Student: Wen-Chi Huang
Institute of Economic and Financial Law National University of Kaohsiung
ABSTRACT
Recently, with the development of Machine Learning and Deep Learning, the research results of Artificial Intelligence (AI) and the related legal protection have become the top global issues. While the legal implications for AI are complex, by comparing the advantages and disadvantages of multiple intellectual property laws, such as trade secret law, copyright law, and patent law, this paper tried to find out a more appropriate form of protection for AI-related inventions in the intellectual property legal system.
Based on the analysis, this paper concludes that patent law may be the suitable solution for the legal protection of AI-related inventions because of its compulsory disclosure requirement, which discloses the core nature of AI, such as algorithms and training models. Due to the disclosure requirement, patent law can protect the inventors of AI-related inventions and make sure that the public have a better understanding of AI simultaneously, which contributes to the AI innovative environment and the overall economic developments of our society. However, the patents for the protection of AI-related inventions cannot be granted directly under the current Patent Act, so we need to seek other legal interpretations or some amendments of regulations to solve this problem. In Europe and the United States, there is some revised guidance on the examination of AI patents. Both of them discuss the criteria for examining the patent subject matter eligibility and the inventive step/non-obviousness; then indicate how to protect AI-related inventions in patent systems, which can be the reference to our patent law. In addition, since AI is similar to computer software, the two shares the same issues surrounding patenting of
iv
inventions. Hence, the evolution of computer software patents has a critical impact on AI. It is necessary to introduce the solution of computer software patents in advance.
Moreover, issues surrounding patent protection relating to computer software existed in Europe and the United States as well as to AI. The policies on how they addressed these issues, such as the examination of the patent subject matter eligibility and the inventive step/ non-obviousness, were also the basis for our amendment of computer software patents. Therefore, the current discussions on the development of AI in Europe and the United States, especially the patent subject matter eligibility and the inventive step/ non-obviousness, are the main point of this paper. After introducing the development of computer software patents in Europe and the United States, and integrating the relevant amendments of the current AI patents, we will further compare and analyze the above-mentioned patent systems with ours. Based upon the inadequacies, I propose a direction and some suggestions that can be followed on the issue of the legal protection for AI patents.
Keywords: Artificial Intelligence, AI, computer software, patent subject matter
v
目次
第一章 緒論... 1
第一節 前言 ... 1 第二節 研究動機與目的 ... 2 第三節 研究方法與範圍限制 ... 5 第一項 研究方法 ... 5 第二項 研究範圍與限制 ... 6 第四節 研究架構 ... 6第二章 人工智慧之技術發展與法律保護 ... 9
第一節 人工智慧之技術發展 ... 9 第一項 人工智慧之分類 ... 9 第一款 人工智慧之思想分類 ... 9 第二款 人工智慧之學習型態分類 ... 10 第三款 人工智慧之使用等級分類 ... 11 第四款 人工智慧之演算法分類 ... 12 第二項 人工智慧之技術種類 ... 13 第一款 早期人工神經網路 ... 13 第二款 專家系統 ... 14 第三款 機器學習 ... 16 第四款 現代人工神經網路 ... 17 第五款 深度學習 ... 18 第三項 人工智慧與電腦軟體之關聯 ... 20 第四項 小結 ... 21 第二節 人工智慧之法律保護 ... 23 第一項 我國智慧財產權法制之內涵 ... 23 第一款 營業秘密法 ... 24 第二款 著作權法 ... 24 第三款 專利法 ... 24 第四款 商標法 ... 25 第二項 最適保護模式爭議 ... 25 第一款 營業秘密法 ... 25vi 第二款 著作權法 ... 26 第三款 專利法 ... 26 第三項 專利法適用問題 ... 27 第四項 小結 ... 29
第三章 歐洲人工智慧之專利保護 ... 31
第一節 歐洲專利公約發明制度規範 ... 31 第一項 發明專利之範圍與專利標的適格性 ... 31 第一款 發明專利之範圍 ... 31第二款 專利標的適格性(Patent subject matter eligibility) ... 33
第二項 發明專利之保護要件 ... 34
第一款 新穎性(Novelty) ... 34
第二款 進步性、發明高度(Inventive step) ... 35
第三款 產業上可利用性(Capability of Industrial application) ... 36
第四款 充分揭露要件(Sufficient disclosure) ... 36
第三項 小結 ... 37
第二節 電腦軟體專利之認定標準 ... 39
第一項 電腦軟體專利標的適格性判斷基準之沿革 ... 39
第一款 技術貢獻測試法(technical contribution approach) ... 39
第二款 技術性測試法(technical character approach) ... 41
第三款 技術手段測試法(any technical means approach) ... 43
第二項 電腦軟體進步性判斷標準 ... 46
第一款 熟悉相關技術之人(Person skilled in the art) ... 47
第二款 顯而易見(Obviousness) ... 48 第三款 問題解決法(Problem-solution approach) ... 48 第三項 小結 ... 51 第三節 人工智慧專利之認定標準 ... 53 第一項 電腦軟體專利判斷標準於人工智慧之影響 ... 53 第一款 人工智慧之專利標的適格性 ... 53 第二款 人工智慧之進步性 ... 55 第三款 人工智慧之專利審查基準修正 ... 56 第二項 人工智慧相關發明之審查 ... 57 第一款 BDGB 案 ... 57 第二款 COMPTEL 案 ... 60 第三款 神經網路心電圖監測機(Neural network in a heart-monitoring apparatus) 63
vii 第三項 小結 ... 67
第四章 美國人工智慧之專利保護 ... 71
第一節 美國專利法發明制度規範 ... 71 第一項 發明專利之範圍與專利標的適格性 ... 71 第一款 發明專利之範圍 ... 71第二款 專利標的適格性(Patent subject matter eligibility) ... 73
第二項 發明專利之保護要件 ... 74 第一款 新穎性(Novelty) ... 74 第二款 產業上可利用性、實用性(Utility) ... 75 第三款 進步性、非顯而易見性(Non-obviousness) ... 76 第四款 充分揭露要件(Disclosure) ... 77 第三項 小結 ... 77 第二節 電腦軟體專利之認定標準 ... 79 第一項 電腦軟體專利標的適格性判斷基準之沿革 ... 79
第一款 FWA 之二步解析法(two steps analysis) ... 80
第二款 有用具體有形測試法(useful, concrete, and tangible test) ... 80
第三款 機器或轉換測試法(machine-or-transformation test) ... 81
第四款 Alice/Mayo 案之「兩部分析法」 ... 82
第二項 電腦軟體進步性判斷標準 ... 84
第一款 Graham v. John Deere Co.案 ... 85
第二款 教示、建議或啟發測試法(Teaching, suggestion, or motivation test) ... 85
第三款 KSR 案判決與顯而易見法則之原則 ... 85 第三項 小結 ... 87 第三節 人工智慧專利之認定標準 ... 88 第一項 專利標的適格性最新審查基準之修正 ... 88 第一款 修訂之 Step 2A ... 89 第二款 Step 2B：評估指向法定排除事項之請求項有無發明概念之提供 ... 91 第三款 符合抽象概念罕見特例之請求項限制 ... 91 第二項 人工智慧專利標的適格性之審查 ... 92
第一款 訓練神經網路應用於臉部偵測之方法(Method for Training a Neural Network for Facial Detection) ... 93
第二款 Pure Predictive, Inc. v. H2O.AI, Inc.案 ... 96
第三項 人工智慧之進步性與充分揭露 ... 100
viii
第五章 我國人工智慧之專利保護及其與國外法制之比較說明 ... 105
第一節 我國專利法發明制度規範 ... 106 第一項 發明專利之範圍與專利標的適格性 ... 106 第一款 發明專利之範圍 ... 106 第二款 專利標的適格性 ... 107 第二項 發明專利之保護要件 ... 108 第一款 產業上可利用性、產業利用性 ... 108 第二款 新穎性 ... 109 第三款 進步性 ... 109 第四款 充分揭露要件 ... 110 第三項 小結 ... 111 第二節 我國電腦軟體相關發明之專利保護 ... 112 第一項 電腦軟體相關發明之定義 ... 112 第二項 專利保護要件 ... 114 第一款 產業利用性 ... 114 第二款 進步性 ... 114 第三項 申請專利範圍 ... 116 第四項 小結 ... 117 第三節 人工智慧專利之認定標準與保護法制比較法分析 ... 118 第一項 歐洲法 ... 119 第二項 美國法 ... 121 第三項 我國法 ... 123 第四項 小結 ... 126 第四節 展望未來之立法趨勢 ... 127第六章 結論與建議 ... 131
參考資料
1
第一章 緒論
第一節 前言
近年來，人工智慧(Artificial Intelligence, 以下簡稱「AI」)的精緻運用及廣 泛導入，頻繁登上熱門搜尋之關鍵字排行榜，科技業、法律界、政府單位、產業 經濟專家等皆積極討論 AI 對社會、經濟的衝擊與活用，以及相關法律適用爭議。 同時，AI 亦出現在生活中各個角落，舉凡智慧型手機、智慧型機器人、機器化 自動學習，甚至人臉辨識系統、各種偵測儀器與網路程式等發明，均蘊含著人工 智慧，未來也將更廣泛運用於經濟、社會之各個層面。 儘管 AI 為近期熱烈議論之話題，其探討與運用卻非首次問世。事實上，AI 已被討論、研究近 50 年。AI 之出現，源於 1956 年達特茅斯夏季人工智慧研究 計劃(Dartmouth Summer Research Project on Artificial Intelligence)，並在 1960 年 代迎來第一波熱潮，但因為研究工程艱巨複雜，以致 AI 之發展起起伏伏，幾波 熱潮後很快又進入寒冬，一直到近年來採 AI 深度學習模式而有突破性進展，尤 其 AlphaGo 圍棋機器人擊敗了韓國九段圍棋棋王李世乭之關鍵一役1，向世人證 明了人工智慧領域之顛覆性創新，一瞬間各界研究與運用轉向，人工智慧發展席 捲全球2。 隨著半導體技術進步與成本下降，使得大量數據儲存與運算變得更為容易， 提供了 AI 極佳之發展環境。依照目前整個科技產業發展，我們不必擔心這一次 之人工智慧技術發展會再度冷卻3。於是，如何因應 AI 快速發展所引發之問題， 如何透過法律保障 AI、促使 AI 之進步成熟？成為當今社會最迫切要尋求之解 答。 基於上述背景，加上人工智慧技術落入發明範疇之考量，本文試圖自智慧財 產權法制中尋求 AI 之最適保護模式，而 AI 本身之核心內容為數學演算法，涉 及原始碼、目的碼之公開與否，其對於經濟利益未來性之影響又為何？本文經比 較營業秘密法、著作權法與專利法，認為依不同面向進行觀察，將有不同之結論， 究何為現行最適保護 AI 發展之法制？應有一討論空間，值得深入思考。而本文 擬將範圍限縮於專利法制，以人工智慧於專利法中之保護為重點，研究現行專利 保護要件於人工智慧之保護爭議及不足之處。蓋人工智慧技術牽涉數學演算法、 抽象概念，其保護爭議在於數學演算法、抽象概念是否符合專利申請資格？得否 受專利法保護？於現行法制中皆存有疑問。 1 呂紹玉 (2016)，〈最終一役 AlphaGo 再奪勝！人機世紀大戰最終比數 4：1 電腦勝〉，《科技新 報》，http://technews.tw/2016/03/15/google-alphago-vs-korea-champion-5/ (最後瀏覽日：01/19/2020) 2 翁書婷 (2016)，〈人工智慧經濟席捲全球〉，《數位時代》，270 期， https://www.bnext.com.tw/article/41533/ai-economy-is-sweeping-the-world(最後瀏覽日：01/19/2020) 3 曲建仲 (2018)，〈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 4 月號》， 580 期，頁 282-291。
2 或許與其針對上述疑問進行討論，不如退而求其次，尋求其他法制之保護亦 不失為一解決之道，然而，AI 之發展迅速加上其深深牽動著社會整體經濟發展 脈絡，經觀察專利法制保護制度與目的，本文認為確有以其保護 AI 之必要性。 據此，如何促使人工智慧得以納為專利法之保護客體，成為首要解決之問題。惟 因此部分於我國討論尚未周全，而歐洲、美國致力於 AI 智慧財產權保護之法制 研究，近年來更積極提出 AI 保護與發展之相關方針，故本文擬以歐洲、美國對 於 AI 之專利保護法制進行分析，進一步與我國專利法比較，期能給予未來法制 發展相關之建議。
第二節 研究動機與目的
2017 年 12 月，歐洲專利局(European Patent Office)公布「專利與第四次工業 革命」(“Patents and the Fourth Industrial Revolution”)4
研究報告，將 AI 科技產業 列為第四次工業革命中之核心科技產業。該報告除為新時代產業創新發展指出明 確方向，亦開啟法律界、政府單位、國際組織等對於人工智慧之討論：2018 年 5 月，歐洲專利局舉辦「人工智慧專利化」(“Patenting Artificial Intelligence”)5
研討 會，試圖為人工智慧專利之申請、審查、保護等問題提出解決方針，其內容中提 及人工智慧專利申請相關爭議，也成為本文探討之核心。
人工智慧之保護與智慧財產權關係密切，依自主化、自動化之程度，AI 科 技 大 致 可 分 為 以 下 種 類 ： 核 心 AI(Core AI) 、 訓 練 模 型 或 機 器 學 習 (Train models/machine learning)、AI 工具(AI tools)6。其中「AI 工具」係 AI 與硬體設備 結合而成，對於發明定義之認定較無爭議，本文爰將重點之一部分聚焦於 AI 科 技之核心內容。本文以為，所謂之「核心 AI」，實際上便是數學演算法(Mathematical algorithms)，數學演算法涉及抽象概念、自然法則本身是否具備專利標的適格性 (subject matter eligibility)之爭議問題，已經過電腦軟體專利多年討論，而由於 AI 科技近年來之高度發展，其與電腦軟體之間未有清楚之界線，甚至被視為「超級 軟體」(“supersoftware”)，並不難看出 AI 與電腦軟體間之密切關聯，然 AI 科技， 特別是「核心 AI」能否具備專利申請要件？其適用模式能否套用電腦軟體專利 當今發展之成果？成為人工智慧專利保護爭議之中心議題。
關於電腦軟體專利所引起之法律爭議，歐洲方面，肇因於歐洲專利公約 (European Patent Convention)第 52 條，明文將「純粹數學方法」(mathematical methods as such)、「電腦程式本身」(computer programs as such)排除在發明專利保 護範圍之外，其中電腦程式為電腦軟體之一種，電腦軟體之討論涉及數學方法， 且得出電腦軟體未必等同於純粹數學方法之論點。因此，判斷軟體是否為純粹數
4
The European Patent Office, Patents and the Fourth Industrial Revolution (2017).
5 The European Patent Office, Patenting Artificial Intelligence: Conference Summary (2018). 6 Id, at 5.
3 學方法之標準以及對應之判斷方式，便引起極大之爭議。隨著 AI 科技發展漸趨 成熟，軟體是否為純粹數學方法之討論，亦迅速延伸至 AI 科技領域7。依上開研 討會資料所述，「核心 AI」實為數學演算法，其與電腦軟體間，並無清楚之界線， 如何解決數學演算法抑或是抽象概念申請專利之難題？如何將電腦軟體判斷標 準及判斷方式應用於 AI ？值得進一步討論。 而為因應電腦軟體、人工智慧相關發明之新興專利爭議，歐洲實務針對專利 標的適格性、進步性等判斷標準進行演進。2018 年 11 月，歐洲專利局關於人工 智慧修訂歐洲專利審查基準(Guidelines for Examination)，並於 2019 年 11 月針對 相關內容再進行修正8。其中最受重視之內容，莫過於發明專利要件(patentability of inventions)專章中涉及 AI 與機器學習(machine learning)之增訂條款，及關於技 術手段(technical means)之闡述，此係歐洲當局對於 AI 科技專利申請因應之道。 美國方面，電腦軟體專利之議題，也有歷經二十多年發展歷史。美國專利法 第 101 條關於可專利標的(Inventions patentable)之規範，僅對發明定義存在形式 要求，於實務上另歸納出「抽象概念、自然法則與自然現象係屬科學及科技之基 本工具，不允許為專利適格標的」之見解9，使得電腦軟體得否取得專利法保護 之相關疑問，仍有待解決。 值得關注的是，人工智慧中「核心 AI」涉及演算法之爭議， 2018 年 4 月 18 日，美國專利商標局(United State Patent Trademark Office)新任局長 Andrei Iancu 在參議院司法委員會參加第一次監督聽證會，針對有關演算法已具有可專 利性(patentability)議題，其回答“Of course you can patent an algorithm.”10，似乎給 AI 技術應用點亮一盞明燈，令人引頸期盼其後續之發展。接著 2019 年 1 月底， 美國專利商標局公布專利標的適格性審查基準(2019 Revised Patent Subject Matter Eligibility Guidance)11，對於如何使用美國最高法院 Alice/Mayo 案「兩部 分析法」之內容進行修改，細緻化抽象概念、自然法則、自然現象之具體類型， 並就「實際應用」等提出例示，不禁讓人思索：此一測試法之修改，得否於人工 智慧專利審查有所適用？而無論如何，美國方面近年來致力於開創新局之觀點， 均有待未來進一步觀察12。 7 謝國廉 (2018)，〈如何以智慧財產權法保護人工智慧？─歐洲專利實務界的觀點〉，《2018 人工 智慧與法律國際學術研討會》，頁 135-147。
8 Guidelines for Examination, GII.3.3.1 Artificial Intelligence and Machine Learning (2019), available
at https://www.epo.org/law-practice/legal-texts/html/guidelines/e/g_ii_3_3_1.htm (Last visited: 01/19/2020)
9
趙慶泠 (2015)，〈電腦軟體專利標的適格性之測試法演進─從歐洲觀察美國〉，《智慧財產權月
刊》，201 期，頁 8。
10 Josh Landau, Iancu’s First Hearing Answers Questions, Leaves More Open. Patent Progress (April
19, 2018), available at
https://www.patentprogress.org/2018/04/19/iancus-first-hearing-answers-questions-leaves-more-open/
( Last visited: 01/19/2020)
11 The United State Patent Trademark Organization, 2019 Revised Patent Subject Matter Eligibility
Guidance (2019), available at
https://www.govinfo.gov/content/pkg/FR-2019-01-07/pdf/2018-28282.pdf (Last visited: 01/19/2020)
12
The United State Patent Trademark Organization, U.S. Patent and Trademark Office announces revised guidance for determining subject matter eligibility (2019), available at
4 我國專利法第 21 條對於發明專利之定義，係參考日本專利法之立法例，而 日本專利法對發明專利之定義則是從歐洲而來。因此歐洲專利公約第 52 條第二 項所排除之不予專利項目，雖未見於我國專利法條文中，但專利審查基準就第 21 條之解釋中，仍加以參考，列出不符發明定義之類型。另關於電腦軟體專利 之部分，我國現行專利審查基準要求判斷基準為發明必須具有「技術性 (technical character) 」，即採用歐洲專利局之審查基準與判決說明；且實務上對於美國法院 對專利相關判決之見解與態度，多有參酌，如我國現行「電腦軟體相關發明」審 查基準，所例示之不具技術性且不符發明之定義之「簡單利用電腦」，即傾向美 國 2012 年後採行之「兩部分析法」，又稱為「實質超越測試法(significantly more test)」，或稱「發明概念測試法(inventive concept test)」13。經由上述討論，可見 我國係綜合歐洲與美國之法制發展，加以規劃我國之制度設計，而我國目前關於 人工智慧之討論，國內學術研究與實務討論尚未如歐洲及美國如此盛行，則未來 是否應先比照先前電腦軟體專利議題之處理模式？得否沿用電腦軟體專利之發 展？抑或是修改相關審查基準或立法？本文認為於相關問題尚未有明確定論之 情況下，基於歐洲與美國對我國專利法制適用影響甚深，可自歐洲與美國對於 AI 採行之方針，進行比較研究，尋求適宜我國參考之正確途徑。 惟人工智慧之發展層面多元，涉及之法律制度保障亦非僅止於智慧財產權法 類別，即使本文將討論主題限縮於專利法制，但人工智慧專利之法律議題，仍大 致可分兩種：一為人工智慧創作發明之可專利性，另一則是人工智慧本身是否具 備可專利性之問題。前者主要探討人工智慧之發明主體要件與創作發明之可專利 性，涉及人工智慧本身是否有人格而具發明人資格、其所研發之作品得否受專利 保護等議題，相比之下，後者探討人工智慧技術本身之可專利性，牽涉到抽象概 念與演算法是否合於發明專利規範之爭議，似乎更強調專利法制內容之討論，更 接近本文所欲研究之關於人工智慧專利保護，故將以此為本論文之中心。然而， 因人工智慧此一技術尚處於研發階段，適例較少，未有足夠具體之議題討論，目 前國內較多仍以美國、歐洲甚至日本之政策走向、法律適用加以分析，此亦為本 文欲透過比較法進行研究之契機。 而 AI 技術發展係人工智慧領域之核心，倘能釐清 AI 技術申請專利之困難 點，指出 AI 之專利保護要件，自法律面加以保障 AI，有效處理 AI 所帶來之爭 議，其伴隨之經濟效益與社會價值將難以計數，故本文爰以人工智慧技術本身之 可專利性為研究主題，並以歐洲、美國等地之 AI 專利發展為核心加以探討。至 於前述 AI 科技申請專利之難題，主要係「核心 AI」實際上為數學演算法，有不 予專利保護之疑慮，則針對數學演算法之定位，究為抽象概念？抑或是自然法則？ 即有討論空間；再者不論是抽象概念還是自然法則，是否屬於各國專利法規範之 發明保護客體？是否具備專利標的適格性？甚至進步性要件符合與否？亦須進 https://www.uspto.gov/about-us/news-updates/us-patent-and-trademark-office-announces-revised-guid ance-determining-subject (Last visited: 01/19/2020)
13
5 一步研究與分析。 本文認為除釐清保護客體與專利標的適格，AI 是否符合可專利性之保護要 件，如進步性、充分揭露、明確性等都很重要，尤其進步性更被視為可專利性之 主要審查要件。因此擬就歐洲、美國對於「核心 AI」、「AI 工具」之研究進行分 析，透過比較歐洲、美國及我國先前於電腦軟體專利中，對專利保護要件之演進 與調和，輔以現今對人工智慧之保護適用提出之應對措施，如審查基準之修正等， 期能釐清屬於人工智慧之專利保護要件，並整理各國之最新發展，以利人工智慧 技術研發者於各國申請專利時，得獲知相關判斷基準，提升人工智慧專利於各國 核准之可能性。 最後，我國相較歐洲、美國，對於人工智慧法律議題之討論與發展時程較晚， 本文亦希望能於研究過程中，獲悉歐洲及美國對於人工智慧立法保護之思考脈絡， 以取得我國關於人工智慧保護之相關立法參考，探討適宜我國立法政策之建議走 向、找出適合我國於 AI 之專利法律保護模式，並給予相關建議，促使我國人工 智慧之專利法制發展方向盡早確立、保護層面更廣更多元。
第三節 研究方法與範圍限制
第一項 研究方法
經綜合考量法律學研究特性、其他對於相似主題所採研究方法、以及本研究 主題之探討。擬採以下方法為本研究之進行： 首先，以「文獻分析法」貫穿全文之研究。其為法學研究中相當具有重要性 的研究方法，可謂為法學研究之基石所在，因此，本研究第一階段主要以文獻蒐 集為主，廣泛蒐集並探索與本主題相關之文獻。以本文第二章之人工智慧技術發 展為例，即為深入人工智慧，著重於技術層面之資料蒐集，舉凡歐洲專利局舉辦 「人工智慧專利化」研討會文件，及 AlGopha、人工神經網路、機器學習、深度 學習等資料，希望藉此拓寬主題研究之框架，發掘更多元之探討。除此之外，為 進一步分析人工智慧專利保護法制之發展，再行蒐集專利法保護要件之相關文獻， 其中第三章、第四章關於歐洲、美國之專利法制說明，故主要以歐洲、美國之期 刊、歐洲專利局與美國專利商標局公布之資料為核心，如歐洲專利審查基準、美 國相關判決等，並於第五章介紹我國相關專利法制，輔以我國相關之成文法、實 務文獻、網路資料進行補充；第二階段，針對前一階段所蒐集之文獻進行分析。 本文第三章、第四章、第五章，分別為歐洲、美國、我國於人工智慧專利法制之 介紹，其中包含前述蒐集之成文法內容、實務判決、學術評析文獻，故本階段將 進行成文法分析，研究專利法規中發明制度之規範，探討其過去與現行之發展， 特別是近年來針對人工智慧所進行之增訂、修正內容，並輔以相關「法學方法研6 究法」，如立法目的解釋法、文義解釋法，釐清立法目的與文義適用上之本質關 聯。此外，本階段亦會針對專利標的適格性、進步性審查標準發展沿革中之案例 內容，套用文獻分析之概念，說明過去與現在發展之演進。 其次，採「案例分析法」，以歐洲、美國案例與判決分析之觀點出發，於探 討現行法制之最新發展中，進一步分析相關之案例與判決，觀察其是否得適用於 現行法制，以及對於人工智慧之專利保護有無具體影響。過程中運用前述之「法 學方法研究法」，如立法目的解釋法、邏輯論理解釋法等，將實際案例套入判斷 標準中，分析與立法目的間解釋之異同，以及邏輯論證運作程序之完整與否。 最後，採行「比較研究法」，於本文第五章後段，進行我國成文法分析及案 例分析後，探究、比較歐洲、美國現行對於人工智慧之因應措施，及其相關立法 例與解釋論之應用，並與本國目前之法律與實務界、學術界見解比較分析異同之 處，尋求值得借鑒之處，期能為我國之現狀尋找突破口，並找出最適宜平衡點， 進而有助於建立最完善之人工智慧專利保護法規與制度。
第二項 研究範圍與限制
本研究主題研究範圍較廣，擬先由人工智慧技術發展與法律保護之大概念進 行探索與分析，再加以細分，最後著重人工智慧如何以專利法進行保護之問題探 討。舉凡發明專利之定義、演算法與抽象概念之專利標的適格性、專利進步性之 判斷標準等專利保護要件，皆是本研究計畫研究之範圍，尤其著重歐洲、美國電 腦軟體專利發展之演進，及人工智慧近年來相關研討會報告、審查基準、審查基 準之修正，釐清電腦軟體專利於人工智慧是否具相關適用之疑問，並整理歐洲、 美國對於人工智慧立法方向之思考脈絡，與我國專利法進行結合。 人工智慧雖非新興技術，涉及演算法之相關爭議亦有電腦軟體專利討論已久 的歷史，惟其近期之迅速發展確實顛覆人類想像，已不宜再囫圇援引過去電腦軟 體專利之見解，逕下結論；此外，近年來人工智慧發展迅速，學術界雖多討論熱 絡、積極，但文獻仍略嫌不足，遑論實務判決分散各方，且有諸多案件動輒審理 數年始能審結，資料蒐集數量上，仍有相當限制。本文僅得就相對較有限可蒐集 到之現有文獻、案例做分析研究，期能達成本研究之目的，貢獻一己微薄之力。第四節 研究架構
本文論文架構，大體上可分為六個章節，其中： 第一章為緒論。主要說明本文之研究背景、研究動機、研究目的及研究方法 與範圍限制，並針對本文架構之編排順序及理由進行說明。 第二章為人工智慧之技術發展與法律保護。本文將其分為兩節作說明：第一7 節，主要介紹人工智慧技術種類之發展與產業應用狀況，首先是人工智慧的幾種 分類，分別是人工智慧之思想分類、學習型態分類、使用等級分類、演算法分類， 以精要說明人工智慧之內容；接著列舉出近年來熱門發展之幾項技術種類，如專 家系統、機器學習(人工神經網路、深度學習)等，皆屬當今人工智慧之核心技術， 並指出電腦軟體與人工智慧之間的關聯性。第二節，主要探討人工智慧技術之法 律保護，因人工智慧屬人類精神之創作與研發成果，故以智慧財產權法制進行說 明。又我國智慧財產權法制包含營業秘密法、著作權法、專利法及商標法，於簡 要介紹其內容後，接著比較與 AI 較為相關之營業秘密法、著作權法及專利法， 雖各有優缺，但專利法制應為較適宜 AI 科技相關發明之保護模式，而針對專利 法適用之問題與爭議作進一步討論，以釐清人工智慧專利保護法制之發展現況。 第三章為歐洲人工智慧之專利保護。主要係以歐洲相關立法例對於人工智慧 之保護為重心，藉此與我國專利法進行比較、分析。本文將其分為三節作說明： 第一節，主要介紹歐洲專利發明制度規範，關於發明保護客體之爭議及保護要件 內容。第二節，基於電腦軟體專利發展與人工智慧之關聯性，針對電腦軟體專利 審查基準，及專利標的適格性與進步性(發明高度)之發展沿革作說明，以利其後 人工智慧之適用與法制規劃探討。第三節，則以人工智慧科技為主軸，分析電腦 軟體審查基準內容，於人工智慧專利標的適格性、進步性認定之相關影響，並說 明歐洲專利局公布之最新修正內容。此外，本文尚著重探討人工智慧本質上數學 演算法得否取得專利保護之核心問題。更利用歐洲現行制度對於人工智慧相關案 例之審查，闡述歐洲當今人工智慧保護法制發展之狀況。 第四章為美國人工智慧之專利保護。主要係以美國相關立法例對於人工智慧 之保護為重心，藉此與我國專利法進行比較、分析。本文將其分為三節作說明： 第一節，主要介紹美國法專利發明制度規範，關於發明保護客體之爭議及保護要 件內容。第二節，基於電腦軟體專利發展與人工智慧之關聯性，針對電腦軟體專 利審查基準，及專利標的適格性與進步性(非顯而易見性)之發展沿革作說明，以 利其後人工智慧之適用與法制規劃探討。第三節，為人工智慧專利認定基準之討 論，以美國專利商標局最新公布之審查基準內容為重點介紹，分析其與人工智慧 間之關聯及適用可能，且著重探討人工智慧本質上數學演算法得否取得專利保護 之核心問題。並利用美國最新修正之制度，對於人工智慧相關案例為審查，闡述 美國當今人工智慧保護法制發展之狀況，尋求人工智慧科技相關發明得否取得專 利之解答。 第五章為我國人工智慧之專利保護及其與國外法制之比較說明。回歸我國專 利法之介紹，並以其與歐洲、美國法制之比較、分析為重心。本文將其分為四節 作說明：第一節，主要介紹我國專利發明制度規範，如發明專利之定義、發明專 利之保護要件等。第二節，基於電腦軟體專利發展與人工智慧之關聯性，針對電 腦軟體專利審查基準，及專利標的適格性與進步性之發展沿革為討論，除重申發 明定義之認定標準，更強調進步性要求與申請專利範圍之具體說明，以利其後人 工智慧之適用與法制規劃探討。第三節，則為歐洲、美國與我國，關於人工智慧
8 法制發展之比較、分析，內容包含專利標的適格性與進步性之考量。第四節，係 集結上述歐洲、美國人工智慧保護法制發展之異同，尋求適宜我國之立法模式， 展望我國未來之立法趨勢。 第六章為結論與建議。將前五章之內容進行整合說明，指出各國人工智慧保 護法制發展之現況與我國面臨之困境，進行專利標的適格性、進步性於歐洲、美 國審查標準之比較，整合成我國將來立法模式之建議，使得人工智慧於我國之法 制保護發展得以漸趨完善，並有利於人工智慧於我國實際應用之蓬勃。
9
第二章 人工智慧之技術發展與法律保護
第一節 人工智慧之技術發展
第一項 人工智慧之分類
人工智慧又稱機器智慧，屬於電腦科學之一環，為由人所製造出具有實現人 類智慧能力之機器，也有以此指稱創造它之技術以及學問。而人工智慧之概念深 廣且複雜，如何定義人工智慧即可單獨成立一篇論文進行討論，本文為簡要釐清 人工智慧之面貌，依據不同之角度進行分類，例如以思想分類可分為「強人工智 慧、弱人工智慧」，以學習型態分類可分為「監督型學習、非監督型學習及增強 學習」，並將人工智慧演算法實際應用之等級，套用社會實例，勾勒出一較為明 顯之輪廓，再進一步帶出人工智慧演算法分類，依發展歷程作排序，以迅速認識 當今生活中俯拾即是之熱門話題─AI。 第一款 人工智慧之思想分類 人工智慧依其思想成熟度分類，可分為「強人工智慧」(strong AI)與「弱人 工智慧」(weak AI)14。「強人工智慧」類別所欲發展之 AI 科技，強調電腦擁有與 人類無異之智慧及思考能力，且對自己的存在有所意識，其假設人工智慧可以理 解並解決問題、作出判斷、計畫、學習以及溝通，屬於睿智且具有自我意識之電 腦；相對地，「弱人工智慧」類別代表之 AI 科技，只專注於增加電腦部分思維特 徵，以使其成為更有用之工具15，認為電腦無法與人類智慧並駕齊驅，弱人工智 慧僅是研究、完成特定問題解決或是推理任務之軟體，未能包含人類之認知能 力。 有別於強人工智慧，弱人工智慧更接近特定問題解決者，其追求具有象徵人 類智慧之自覺與感知能力，亦不認為電腦具備擁有心靈之必要，只要能運用特定 智慧呈現出以知性手法解決問題即可16。部分評論認為弱人工智慧並不能被稱之 為「智慧」，因為其無法真正思考17。然而，現今普遍發展之科技大多為弱人工 智慧，強人工智慧假說目前尚未實現，但它是未來人工智慧發展之目標，亦顯示 出人類對於機器是否可以自主「思考」之疑問，而成為學者們長期爭論不休之議 14Ela Kumar, APTIFICIAL INTELLIGENCE, 13-14 (2008).
15 Id. 16
松尾豐著，江裕真譯 (2016)， 《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 63，台北：經濟新潮社。
10
題18。
如何判斷機器是否擁有智慧或有思考能力？著名之測驗為英國數學家 Alan Turing 提出圖靈測試(Turing test)，該測驗試圖建立一個標準，以測試機器是否具 有智能，以及對於自身存在之自覺19。1950 年，Turing 於 Mind 雜誌上發表「計 算機與智慧(Computing Machinery and Intelligence)」一文。於該文章中，Turing 討論人工智慧(該名詞當時尚未發明)，迄今仍使用於各式機器人中之「模仿遊戲」 20 。 儘管隨著時代演進，人工智慧之研究超越當時理解，完全只以機器模仿人類 之弱人工智慧，正漸漸蛻變，圖靈測試亦隨之更迭，而於不同競賽與場合採不同 評審及評價方式，但圖靈測試仍提供近年來關於人工智慧模仿人類行為之評估標 準，且透過與人類專家之比對，驗證部分專業領域之智慧型程式。惟人工智慧研 究並非僅致力於通過圖靈測驗，亦非僅是突破弱人工智慧之稱謂，而應是透過各 項子領域之研究、強人工智慧之發展，在生活中各層面之運用都有令人耳目一新 之成果21。 第二款 人工智慧之學習型態分類 各類人工智慧之演算法(algorithm)學習型態，依據「賦予計算機智慧之手段 之不同」，又可分為監督型學習(Supervised Learning)、非監督型學習(Unsupervised Learning)以及增強學習(Reinforcement Learning)。 監督型學習，係指機器透過人類專家針對現有數據所標記之資料，學習如何 將現有數據之輸出值逼近人類專家所標記之資料。現今業界因此一學習方法之簡 便而廣泛使用，且因數據資料已由人類專家所經手，較不易產生機器理解上之誤 差，但由於其需大量由人工對數據標記之資料，可謂真正體現「人工」智慧一語 之真意，而非機器具有人工智慧。 非監督型學習，則是指機器自主性針對現有數據間之差異，進行歸類、分類， 而無須人類專家逐一指導。此一學習方法，節省了人類專家之標記時間，顯示機 器之效率性，並體現出機器具有近似於人類之智慧，但於一些較具挑戰性之邊際 數據，單純非監督型學習較難達到應有標準，亦即於此學習方法下較無法完全掌 控機器自主學習可能產生之誤差。 而增強學習，與非監督型學習一樣，無須人類專家教導，然不同之處在於， 增強學習仍有導師存在，僅該導師之角色，由人類專家轉換為現實環境，亦即， 18 陳昭妤 (2017)，《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》， 頁 9，國立政治大學科技法律與智慧財產研究所碩士論文。
19 Kumar, supra note 14.
20 Michael Negnevitsky 著，李聯旺、廖珗洲、謝政勳譯 (2012)，《人工智慧：智慧型系統導論
( Artificial Intelligence：A Guide to Intelligent Systems)》，第三版，頁 1-3，新北市：全華圖書。
21
11
增強學習是直接透過與外在環境接觸及反饋之經驗而自我發展出一套有智慧之 系統22。此類近年較為突出者為 Deep Q Learning，利用 Deep Q Learning，可使機 器進行 Atari 系列之電子遊戲23，故增強學習，可能為邁向高人工智慧或強人工 智慧之途徑之一。
然而，上述分類亦非絕對24，事實上尚有混合型之學習方法存在，如近年發 展出之生成對抗網路 (Generative Adversarial Neural Network)，即採對抗型學習， 利用兩組不同層級之人工神經網路(Discriminator 及 Generator)相互對抗，藉由不 同目標下之倒傳遞法以相互訓練彼此之精準度，某程度上即混合監督型以及非監 督型學習。 是以，傳統機器學習演算法下，可能有監督型學習、非監督型學習或增強學 習之模型；深度學習演算法下，亦有監督型學習、非監督型學習以及增強型學習， 或甚至是混合型。因此，所謂監督型學習、非監督型學習及增強學習，只是依據 各類演算法下賦予機器智慧之手段不同所作出之區分，而並非針對演算法本身所 作出之區分25。總而言之，欲發展高效能之人工智慧，尚須逐步減少監督型學習 模型之比例，朝向非監督型甚至是增強學習，始能不斷寫下 AI 歷史之新篇章。 第三款 人工智慧之使用等級分類 人工智慧科技之運用，充斥於現今社會使用之各項產品中。依社會上一般人 對於人工智慧之認知，有學者將人工智慧一詞之使用情況分為四種等級26： 第一級人工智慧，係把純粹之控制程式稱為「人工智慧」。自行銷角度，將 加裝單純「控制程式」之產品稱為人工智慧，例如許多具有「智慧」外觀之家用 電器(空調、吸塵器、洗衣機等)，其視環境(輸入)之不同改變行為(輸出)，則此類 技術應屬於「控制工學」、「系統工學」領域，以人工智慧稱之尚非合適。 第二級人工智慧，是所謂典型之人工智慧，行動模式較為多元、變化多端， 例如將棋程式、掃地機器人、回答問題之 AI 等，基於推論探索能力或知識基礎 之加入，精於將輸入與輸出間牽上關係，而可產生極為大量的輸入與輸出間組合， 除前述釋例，典型的拼圖解析程式或是醫學診斷程式亦屬之。 第三級人工智慧，為加入機器學習之人工智慧。係指內建搜尋引擎或是根據 大數據自行作出判斷之人工智慧。其依據資料，學習如何將輸入與輸出間加以連 結，因此大多數運用機器學習的演算法則，根據充當樣本之資料，自行學習規則 22
Ian Goodfellow, Yoshua Bengio& Aaron Courville, DEEP LEARNING (2016).
23 Volodymyr Mnih, Koray Kavukcuoglu, David Silver& Alex Graves, Ioannis Antonoglou, Daan
Wierstra& Martin Riedmiller, Playing atari with deep reinforcement learning, NIPS Deep Learning Workshop, 1-9 (2013).
24 Goodfellow& Bengio& Courville, supra note 22.
25 王柏霳 (2019)，〈從美國國會立法觀察人工智慧的挑戰與變革〉，《科技法律透析》，第 31 卷第
3 期，頁 41-42。
26
12 或知識。而觀察最近發展之人工智慧，多數屬於此級分類類型，有些過去只是第 二級之人工智慧，在採納機器學習後，進階為第三級人工智慧。 第四級人工智慧，為加入深度學習之人工智慧。係指人工智慧懂得學會在機 器學習時用於表示資料之變數(特徵量)，以深度學習為代表之「特徵表達學習」 即屬此類，透過電腦自行取得高層次特徵量，再據以分類圖片，即由人工智慧自 行創造特徵量，而非經人類加以設計27。深度學習領域是機器學習領域中正在發 展中且備受矚目的領域，透過多層次神經網路模型28，模擬人類的大腦學習模式， 加強機器的辨識能力。 透過上述使用等級之分類，不難看出 AI 科技之產品運用，涉及機器學習、 深度學習與人工神經網路等，與演算法之發展息息相關，各類之演算法更藉由實 際產業之應用，使得技術發展逐漸邁向成熟。因此，欲了解何謂人工智慧？何謂 「核心 AI」？有必要對於演算法有初步之認識，而針對演算法之分類，於下一 項進行說明。 第四款 人工智慧之演算法分類 承上所述，人工智慧科技運用之演算法，為 AI 之核心本質。然而，演算法 技術種類多元，且非從一而終，基於不斷進化、改良，漸而形成日趨成熟之現代 AI 科技，以下即簡要說明人工智慧演算法之沿革與分類。 早期對於人工智慧之定義，多以機器模仿人類智慧行為作為出發點，但隨著 人工智慧、電腦之迅速發展，今日人工智慧甚至可能完成超越人類所能及之範疇， 不只是單純模仿行為而已。而如何讓機器不透過人類灌輸之既有知識，直接透過 與外在環境接觸及反饋之經驗，自我發展出一套有智慧之系統，即成為人工智慧 逐步蛻變之重要里程碑29。 早期之演算法，主要著重在人類專家所賦予之知識庫系統(knowledge base) 或專家知識系統，但由於此一方法於模仿人類思考面向上並無顯著功效，電腦科 學家便開始將注意力集中於研發其他演算法，因此發展至中期，機器學習 (Machine Learning)成為人工智慧領域之主流，然而此時之演算法，如邏輯回歸 (Logistic Regression)，仍仰賴人類專家對於資料之解讀，此一限制大幅限縮 AI 之應用性，為了解決問題，便更進一步發展出表徵學習(Representation Learning) 之方法，在該演算法下，計算機可自行針對原始資訊進行解讀，無須人類專家對 於資料之解釋，於是，近代人工智慧自此開始。 而表徵學習中，最重要者莫過於深度學習(Deep Learning)，深度學習為人工 神經網路學習之一類，其利用多層感知器(Multilayer Perceptron, MLP)、類神經網 27 松尾豐，同前註 16，頁 159。 28 林守德 (2015)，〈深度學習的深度〉，《科學人》，155 期，頁 24， https://www.csie.ntu.edu.tw/~sdlin/novel/deep_learning.pdf (最後瀏覽日：01/19/2020)
13
路(Neural Network)，將原始資料之資訊予以層級化、抽象化，透過倒傳遞法(Back Propagation)及微分連鎖法則(Chain Rule)和隨機梯度下降法(Stochastic Gradient Descent)，避開區域誤差最小值(Local Minimum)，並調整內部神經網路之個別類 神經之強弱，使此一多層人工神經網路，即便面對複雜且多元之原始資料，仍可 自動輸出令人滿意之結果30。據此，模仿人類腦部多層次辨識之深度學習，為「強 人工智慧」帶來一絲曙光，雖仍存有許多尚待解決之難題，亦未如同人類般精準 判斷因果關係與邏輯運算等，但深度學習對於人工智慧之突破性進展與 AI 未來 性之開創，均具有相當影響，成為當今最重要之發展指標。
第二項 人工智慧之技術種類
在簡要進行人工智慧分類說明後，將深入探究建構現代人工智慧科技之技術 種類，而人工智慧之技術種類其實就是由演算法之具體運用建構而來，並涉及演 算法發展歷史。 1943 年人工神經模型首次問世後，引發人工智慧之討論，此階段為人工智 慧之孕育期，發展僅止於機器工程層面概念之發現，技術未盡成熟。此後 AI 分 別於 1960 年代、1980 年代經歷過幾次熱潮，專家系統、機器學習等概念在此時 被提出，卻因研究上困難很快進入寒冬，直到深度學習在近年有了突破性進展， 加上半導體技術之進步與成本之下降，使得大量數據之儲存與運算變得容易，提 供了 AI 極佳之發展環境，引領人工智慧熱潮走向最高峰。 前幾次 AI 熱潮，雖終因技術方面之困難而冷卻，但其所提出之概念及研究， 舉凡前述孕育期之神經網路模型、1970 年代後期出現之專家系統、1980 年代以 後至今之機器學習、深度學習，均為現今人工智慧顛覆過去想像、未如前幾波熱 潮稍縱即逝之主要原因。又人工智慧之研究歷史有著一條著重於「推理」，至強 調「知識」，再到以「學習」為重點之脈絡，因此，以下將依人工智慧研究歷史 之脈絡為順序，進一步介紹影響現今人工智慧之幾項核心技術種類，並一併說明 其發展歷程與產業應用狀況。 第一款 早期人工神經網路 一般認為人工智慧源於 1956 年達特茅斯夏季人工智慧研究計劃，然在此之 前有一段人工智慧之孕育期，美國伊利諾斯大學精神病學系基礎研究實驗室主任 Warren McCulloch 與數學家 Walter Pitts，於 1943 年發表之研究報告，被公認為 人工智慧領域最早之研究。該研究報告提出一個人工神經網路模型，其中每一個 神經元(neuron)都被設定為一個二進位(即開或關)狀態。他們所提出之神經網路30
14 模型，證實任何函數都可透過相連神經元網路進行運算31，且所有之邏輯連接詞 (與、或、非等)都可用簡單之網路結構實作32。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之研究33，然而測試結果卻顯示出神經元二進位模 型之不正確，因事實上神經元具有高度之非線性特徵，無法將其考慮為僅具有簡 單兩個狀態之裝置。儘管如此，McCulloch 仍為神經計算以及人工神經網路 (Artificial neutral networks，ANN)領域奠定基礎34。
此外，1949 年加拿大心理學家 Donald Hebb 於其發行之著作中，揭示神經 元間之連結關係，具體描繪神經元間之連結方式35，被稱為「赫布定律」(Hebb’s rule) ，亦為人工神經網路理論之基石，至今仍有相當影響力36。而前述之二進位 (開或關)模型，係指當輸入訊號數量大於活化門檻值時，神經元即會切換至「開」 的狀態，承接著此概念，1957 年 Frank Rosenblatt 發明「感知器」(perceptron)， 在神經元之間的連接給予「可變的權重」(variable weights)，即將每項輸入訊息 乘以各權重後加總，經過「激勵函數」(Activation function)與特定門檻值進行比 較，決定感知器被活化或是被抑制後始輸出37。而透過反覆調整權重即神經元之 間的連結強度，可提升其分類之精準度38。惟該感知器為一種二元線型分類器， 僅能針對線性分類學習，尚無法處理「互斥或」(Exclusive-OR，XOR)39，又稱 「異或」之問題40，使得當時的神經網路發展開始停滯。 人工神經網路雖於 1970 年代沉寂一時，但先前所奠立之概念與基礎，使得 其於 1980 年代後機器學習及相關技術發展較為成熟時，成為人工智慧突破既有 格局之核心技術。 第二款 專家系統 前述孕育期過後，人工智慧迎來第一次熱潮，發生於達特茅斯夏季研討會之 1950 至 1960 年代，其所採用一種通用之搜尋演算法，是以基本之推理步驟發現 完整之解決方案、利用弱知識範疇，又被稱之為「弱方法」(weak method)，儘管 31 Negnevitsky，同前註 20，頁 1-5。
32 Stuart J. Russell & Peter Norvig 著，歐崇明、時文中、陳龍編譯 (2011)，《人工智慧：現代方法
(Artificial Intelligence：A Modern Approach)》，第三版，頁 1-15，新北：全華圖書。
33 Negnevitsky，同前註 20，頁 1-6。 34 Id. 35 Pedro Domingos 著，張正苓、胡玉城譯 (2016)，《大演算─機器學習的終極演算法將如何改變 我們的未來，創造新世紀文明？》，頁 182，台北：三采文化。 36 Russell& Norvig，同前註 32。 37 Domingos，同前註 35，頁 186-190。
38 David Levy, ROBOTS UNLIMITED LIFE IN A VIRTUAL AGE, 214-215 (1st ed. 2005).
39 一種邏輯運算，設 A、B 為兩個輸入運算元，則 A 與 B 經「互斥或」運算後輸出 C，其真值 表如下：輸入兩個相同運算元，則運算結果為 0。輸入兩個不同運算元，則運算結果為 1。國家 教育研究院雙語詞彙、學術名詞暨辭書資訊網。http://terms.naer.edu.tw/detail/1278019/ (最後瀏覽 日：01/19/2020) 40 Domingos，同前註 35，頁 192-193。
15 通用，效能卻無法解決日常的複雜問題，因此 AI 之第一次熱潮在 1970 年代逐漸 沉寂，但不少研究仍持續進行。針對先前面臨的困難，有效之替代方案即是使用 強而有力之相關範疇知識，透過執行更大量之推理步驟，以解決狹窄專業領域之 特殊問題41，典型之代表即為「專家系統」(Expert systems)。 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加以演算後，展現出如該領域專家般之言行，除提供 智慧建議，並可解釋其決定背後之推理過程，令使用者得以理解其「思維」42。 專家系統之研發者特意限縮知識領域範圍43，以便針對特定問題領域表現出更高 程度之理解，而系統採取以知識為基礎之規則庫，相較於傳統演算法更為靈活， 因推理機制與知識庫相互分離，可隨時增加、移除或是更改規則，不需改動演算 法或是程式，故規則庫可輕易地改進其知識。此外，知識的運用也更活躍，可自 問題中已知的部分推論新的資訊，或於增加規則表達的新知識後即可為新的應用 等44。 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45。在專家系統的發展歷程中，不得不提專家系統 之先驅─DENDRAL 程式，其由史丹佛大學於 1969 年開發，用以分析化學問題。 同時代表著人工智慧領域之重要變革─自一般目標、知識匱乏以及弱方法轉移至 特定領域與知識密集技術，證明電腦可在特定問題領域裡，達到與人類專家等同 的能力，並開創專家系統之基本理論─知識工程(knowledge engineering)計畫46 。 在該計畫成功並行銷美國市場後，1972 年 Feigenbaum 與史丹佛團隊開始發 展醫療專家系統 MYCIN。MYCIN 為一典型之專家系統，透過與專家會晤訪問 間獲取之知識，將其轉化為約 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。由於醫療診斷上時常面臨不確定性，MYCIN 將「確 定性因素」(certainty factors)引入為新特徵47。經過改良標準後，其處方選擇的正 確率高達 65%，相較於一般人類專家只有 42.5%到 62.5%更為準確48，雖仍較細 菌感染專業醫師 80%的正確率為低49，但就 1970 年代的軟體程式而言，已是相 當驚人的表現50。
而現代較為人們熟知之專家系統為 Apple 之 SIRI(Speech Interpretation and Recognition Interface)，其為一款內建在 iOS 系統中的人工智慧助理軟體，屬通過 辨 識 語 音 作 業 的 專 家 系 統 。 運 用 自 然 語 言 處 理 (statistical natural language processing)技術，使用者可以使用自然的對話與手機進行互動，完成搜尋資料、
41 Russell& Norvig，同前註 32，頁 1-20。另參 Negnevitsky，同前註 20，頁 1-10。 42
Levy, supra note 38, at 234-236.
43 Id.
44 陳昭妤，同前註 18，頁 16-17。
45
Levy, supra note 38, at 234-236.
46
Negnevitsky，同前註 20，頁 1-10─1-12。
47 同前註，另參 Levy, supra note 38, at 242. 48 Levy, supra note 38, at 242.
49 松尾豐，同前註 16，頁 97-98。
50
16
查詢天氣、設定手機日曆、設定鬧鈴等許多服務51。一般而言，近幾年興盛並蓬 勃發展之智慧型手機，除前述 SIRI 屬於手機自身系統外，更多的是各式應用程 式(Application，以下簡稱「APP」)之發明，如 EF Hello 推出一學習英文之 APP， 即強調以 AI 機器人與使用者進行對話、教學，並評定使用者之英文程度、會話 發音標準性等，以模擬真實情境為設計，強調機器人本身具有判斷能力之發展， 至於該能力之精緻程度，則屬於前述強 AI 與弱 AI 之區別範疇。 專家系統之出現帶來人工智慧新一波熱潮，但其發展仍具有許多侷限性52。 首先，專家系統尚未開發出通用分析系統完整性和一致性的技術，使得知識庫中 之規則，於出現前後矛盾或不一致之情況時，難以加以核對或驗證；其次，專家 系統僅擅長回答狹窄專業領域問題，關於知識範圍較廣之問題處理，可能面臨無 法界定領域之困境，加上其有限之解釋能力、不具有對問題領域更深刻理解的啟 發式知識等，使得專家系統未能如使用者預期之靈活與健全53。尤其當時的時代 背景多以人工之方式輸入資料、管理，並無法涵括人類無邊無際的知識，亦無法 有效率完成知識庫維護之工作，形成了專家系統的種種難題，更再一次攔阻 AI 的發展。而該專家系統之瓶頸，在日後網路與機器學習等研究發展下，方才予以 突破。 第三款 機器學習 隨著 1980 年代神經網路之復甦、1990 年代網際網路之出現，影響機器學習 之發展，也帶動第三次人工智慧之熱潮。「機器學習」不同於知識工程，並非透 過人類逐一輸入知識訊息，而是一種人工智慧程式以經驗、實例及模擬等方式自 行學習之機制。而構成學習之其一基礎元素為「分類」之處理動作，如能做好分 類，則能理解事物、作出判斷，並採取行動。據此，機器學習技術之研究，係以 讓電腦透過一面處理大量資料組成「訓練集」，一面自動學習建立「分類方式」 為目的，學會之後便能加以用於區分未知之資料54。而機器學習之發展，依前學 習型態分類所述，按賦予人工智慧手段之不同，有「監督型學習」、「非監督型學 習」及「增強學習」等。根據現行 AI 發展之趨勢來看，跳脫機器模仿人類之模 式並自主學習等期許，強人工智慧及非監督型學習是未來倚賴之 AI 走向。 機器學習廣泛應用於資料探勘、電腦視覺、自然語言處理、生物特徵辨識、 搜尋引擎、醫學診斷、證券市場分析、DNA 序列排序、語音和手寫辨識、戰略 遊戲和機器人等領域。而其中包含五個主要之思想學派，分別為符號理論學派 51 SIRI-Apple(臺灣)，https://www.apple.com/tw/siri/ (最後瀏覽日：01/19/2020) 52 Negnevitsky，同前註 20，頁 1-14。 53 同前註。 54 松尾豐，同前註 16，頁 126-127。分類方式種類包含最鄰近法(nearest neighbor)、簡單貝氏分
類法(Naive Bayes)、決策樹(decision tree)、支援向量機(Support Vector Machine)、神經網路(Neural network)等。
17 (Symbolists)、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)55。各個學派擁有不同理 念以及核心問題，且透過不同演算法體現，如符號理論學派認為所有的智慧可以 被簡化成操縱符號，類似於數學加求解方程式的過程。主流演算法為逆向的演繹 法(Inverse Deduction)，透過演算法找出欠缺的知識，以便做出邏輯演繹推論；人 工神經網路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「倒傳遞理論演算法」(back propagation)，比較系統 的輸出與期望的輸出，一次改變一層又一層的神經元連結，以便使得輸出結果可 以更接近於應該呈現之樣貌；演化論學派則是在電腦上模擬物競天擇的演化過程， 主流演算法為遺傳程式規劃(generic programmimg)，創建一種能對於學習結構調 整進行微調的大腦，以與大自然交配、演化生物相同之方式，繁衍與演化電腦程 式系統等56。 現今的機器學習技術中，雖有許多不同之學派積極發展，但人工神經網路之 修正與突破占有舉足輕重之地位，礙於篇幅及重要性之考量，以下將僅著重介紹 現代人工神經網路之技術概念與現況。 第四款 現代人工神經網路 人工神經網路，又稱神經網路或是神經網、類神經網路，為模仿人類大腦思 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 相互連結的神經細胞或神經元(neuron)所組成，神經元包含細胞體、一些樹突、 突觸(synapses)以及一根細長的軸突。神經元間透過複雜的電化學反應傳遞信號， 並發現神經網路具有可塑性，因此正確答案的神經元連結被加強，相對錯誤答案 的連結則被弱化，故神經元可透過經驗學習。 學習是生物神經網路的基礎和本質特徵。人工神經網路即是模擬這樣的學習 過程，其包含許多簡單但高度連結的處理器，亦稱為神經元，與大腦中的生物神 經網路類似。神經元之間透過每個設有權重的連結相連，並將信號傳遞至其他神 經元，權重代表神經元訊息輸入之強度或是重要性，而人工神經元透過不斷調整 權重進行學習57。 前述早期人工神經網路模型，其中的感知器即採取調整權重之方式進行學習， 惟其僅能處理線性問題，無法處理更為複雜之訊息。為解決該情形，科學家不斷 研究，於是出現「倒傳遞理論演算法」，使得 1980 年代以後神經網路成為機器 學習十分重要之發展領域。「倒傳遞理論演算法」為多層神經網路主要之演算法， 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 55 Domingos，同前註 35，頁 121-122。 56 同前註，頁 122-123。 57 Negnevitsky，同前註 20，頁 6-2─6-3。
18 工神經網路的輸入端，經層層傳遞後至輸出端輸出，比較後，如輸出型態不同於 預期，在「倒傳遞階段」，再將經計算後所得的誤差訊號從輸出端反向傳遞至輸 入端，在傳遞誤差時每個神經元會調整其權重。與單層感知器採線性函數(Linear function)不同，倒傳遞學習法所採的激勵函數(Activation function)為 S 型函數， 為一非線性函數，可保證所得的輸出在 1 到 0 之間58。此外，倒傳遞學習法亦解 決學者所批評感知器無法解決「互斥或」(Exclusive-OR，XOR)，又稱「異或」 之問題59。而在成功學習之後，人工神經網路建構完成之預測階段，輸入不同於 訓練時的資料，便能在瞬間完成計算與辨識。 基於非線性模型之出現，科學家們除了可以在任何地方使用線性迴歸(Linear regression)，亦可使用多層感知器模擬非線性之研究現象，可見得非線性模型之 重要性。而人工神經網路之商業應用價值更大幅提升，現已適用於許多領域，最 早用以預測股票市場，以小型之非線性檢測評估眾多雜訊資料，挑選最佳投資股 票組合。此外，卡內基大學所開發的自動駕駛車輛也是早期成功的案例之一60。 然而，人工神經網路依然存在其需克服的問題，例如特徵工程(feature engineering) 中特徵量設計，仍須由人類來協助判斷61，突破的契機即為深度學習。故以下針 對表徵學習中最著名之深度學習進行說明。 第五款 深度學習 深度學習為機器學習的分支，是一種以人工神經網路為架構，對資料進行表 徵學習之演算法，可對於資料自行抽取特徵，並運用非監督型或半監督型之特徵 學習型態和分層特徵，提取高效演算法以替代手工取得特徵。於 20 世紀即開始 有相關研究，直至 21 世紀初期才逐漸成為現在人工智慧技術發展之主流，主因 為硬體運算能力之提升，尤其 NVIDIA 公司推出新的 CUDA 架構62，供程式設計 師直接編寫程式予繪圖處理器(Graphics Processing Unit,，CPU)進行運算，有效利 用其高於一般中央處理器數十倍之計算能力，實現多層之深度神經網路(Deep Neural Network，DNN)63。 所 謂 多 層 之 深 度 神 經 網 路 ， 其 一 成 功 關 鍵 在 於 使 用 「 自 動 編 碼 器 」 (autoencoder)作為「資訊壓縮器」。「自動編碼器」為一多層感知器，其以將輸 入與輸出之結果相同為目標，透過神經網路學習將輸入複製於隱藏層，再從隱藏 層複製至輸出層之方式，達成系統預期之效能，且於對應到較小的隱藏層時，必 58 同前註，頁 6-6、6-14。 59 Domingos，同前註 35，頁 209。 60 Domingos，同前註 35，頁 209-211。 61 松尾豐，同前註 16，頁 147-150。
62 https://developer.nvidia.com/cuda-zone (Last visited: 01/19/2020)
63 專利二組 (2019)，《我國人工智慧相關專利申請概況及申請人常見核駁理由分析》，經濟部智
