人工智慧與機器學習

最難的部分，是描述模型究竟做了什麼。

機器學習的申請案，正好落在適格性與可據以實施要件兩道最鋒利的邊緣上。一項「預測 X 的類神經網路」的請求項，是對結果本身提出請求項。真正存活下來的，是對架構、對訓練機制，或對使該結果得以達成的系統工程所提出的請求項。

我們處理模型架構與訓練方法、資料管線與標註基礎架構、推論與加速器系統、電腦視覺、自然語言與語音處理，以及醫療與金融產品中的應用型機器學習。當訓練完成的模型控制一座工廠、一台機器人或一輛車輛時，模型本身在本領域提出請求項，其應用則分別在「工業自動化」、「機器人技術」或「自動駕駛車輛」中提出請求項。

這個領域是橫切本所其他技術團隊，而不是與它們並列：推論加速器是半導體的事，訓練平台是分散式系統的事，診斷模型則是醫療器材的事。我們也依此配置人力。

對方法提出請求項，而不是對結果

一項針對達成某種成果的模型所提出的請求項，實際上就是對該成果本身提出請求項，並且會同時招來適格性與可據以實施要件的核駁。站得住腳的，是架構、訓練機制、損失函數的建構方式、使該成果得以達成的資料處理步驟，或使其在推論階段負擔得起的系統工程。

這對申請案的擷取方式有實際影響。可專利的貢獻往往是研究團隊視為實作細節、而非他們引以為傲的成果，這意味著初期訪談必須談到論文摘要以外的地方。

當一項發明的行為來自訓練而非來自設計，書面說明與可據以實施要件都會受到嚴峻考驗。一份只描述架構、然後主張其成果的說明書，可能什麼都無法讓人據以實施；揭露內容必須觸及訓練資料的特性、超參數，以及使該行為可重現的評估方式——同時還要是一份客戶願意公開的文件。

如何在這一點與營業秘密保護之間取得平衡，是一項策略決定，而它應該是刻意為之，而不是預設如此。

佐證

本所進行專利申請程序的專利，取自本所自行公開的清單，以及美國專利商標局的登記代理人索引。這是紀錄，而非主張。

12,725,608Automatic speech recognition with multilingual scalability and low-resource adaptation
12,725,451Artificial intelligence video analysis enhanced with text generation
12,725,406Task-oriented clustering using prompt learning
12,725,076Artificial intelligence model learning introspection
12,725,075Training data generation via reinforcement learning fault-injection
12,725,036Explainable deep interpolation of missing pixels via non-contiguous interpolation neighborhoods
12,718,797Label smoothing technique for improving generalization of deep neural network acoustic models
12,718,138Quantum-enhanced features for classical machine learning