陳仕勳專利師 華鼎國際法律事務所 壹、前言 工業4.0的概念提出至今已逾十年，其對於仍以製造業為主要經濟體系的東南亞各國家影響甚鉅。為迎合未來新興工廠的趨勢而不掉隊，東南亞國家協會的智慧財產協會(ASEAN IPA)於2023年在越南河南舉辦的年會上，邀請了來自越南、泰國、新加坡、馬來西亞、日本、韓國以及台灣等地的智慧財產權工作者進行工業4.0相關議題的分享。本文節錄自筆者於ASEAN IPA 2023年會上的演講內容。 貳、工業革命的進程 從十八世紀的英國開始，至今兩百多年，工業革命(Industrial Revolution)一詞歷經了四次的重大更迭。對於這四次的重大轉變，專家學者們有各自不同的定義與見解。據此，筆者由IBM的網站1上觀察到，這幾次的更迭主因可大致整理如下： 工業1.0：利用水力、蒸氣動力取代單純的人力與動物動力，大量使用機械代替人類的雙手，即機械化。 工業2.0：開始使用石油、電力及生產線，並結合小程度的自動化技術，即電氣化。 工業3.0：出現了電腦、網路及資料分析等技術，令自動化程度更上一層樓，藉此實現了資料的搜集與分享，即資訊化。 從眾多資料中我們可以發現，之所以會有工業1.0至工業3.0的發展變革，都是為了「大量生產，降低成本」這個單一目的。然而，工業4.0卻是另外一回事。 參、什麼是工業4.0? 由IBM給出的評論中，我們可以看到工業4.0的更迭主因包含了多且雜的高端技術，這些技術大致包括了物聯網(IoT)、雲端運算(Cloud Computing)、大數據(Big Data)、感測器整合(Sensor Fusion)、電腦視覺(Computer Vision)、虛擬實境與擴增實境(VR/AR)、人工智慧(Artificial Intelligence, AI)以及邊緣運算(Edge Computing)等。相較於工業1.0至工業3.0的單一目的，工業4.0所要實現的目的也因複雜的技術而更為多元，一般熟知的包括了大量自動化(Mass Automation)、智能機器(Smart Machines)、智能工廠(Smart Factories)以及決策數據(Informed Data)等。 若單以技術本位而論，筆者認為在工業4.0涉及的技術中，最有機會為IP活用進而改變IP產業生態的，應屬人工智慧以及邊緣運算，其箇中理由筆者將於後面再進行探討。 工業4.0一詞最早是由德國政府所提出。對此，德國西門子公司認為工業4.0的核心價值包括三項要素：(一)大數據；(二)虛實整合系統(Cyber-Physical System, CPS)；以及(三)彈性決策。在這之中，又以彈性決策對於工廠轉型的影響最大。 簡禎富教授曾在「工業3.5：台灣企業邁向智慧製造與數位決策的戰略」一書2中提到，彈性決策是推動工廠朝向「大規模個人化生產」發展的最主要技術。簡教授提及，彈性決策之所以重要，是因為工業4.0的終極目標，是即使每一張訂單的批量小到只有一件時，廠商都還能獲利，能夠因應市場快速變化、需求個人化、生產條件快速靈活應變的挑戰。彈性決策使得生產一批一件或一批一萬件的平均成本沒有太大差異，這挑戰了傳統工廠必須以大量製造的生產形式來降低生產成本的老舊思維，顛覆了一路從工業1.0發展至工業3.0以來的生產模式。 肆、人工智慧與邊緣運算的必要性 在理解了彈性決策對於工業4.0的重要性後，我們接著探討人工智慧與邊緣運算對於彈性決策的必要性。 人工智慧的核心概念，在於讓機器可以模仿一個富有經驗的決策者，而在傳統工廠中，這個決策者一般指的是工廠背後的資料中心(Data Center)，亦或是在資料中心後面實際掌控一切的管理者。 邊緣運算的核心概念，則是讓整個工廠環境中最靠近資料收集位置的網路邊緣裝置，例如溫度計、溼度計、智慧型手機、電錶、水錶等來直接執行資料的分析與處理作業，恰與現行由位在根部的資料中心來進行決策的傳統決策方式背道而馳。 在一個諾大的工廠中，可能具有數百至數千台的雲端資料中心，但可能有多達數百萬甚至數千萬台的網路邊緣裝置。若能由這些網路邊緣裝置取代資料中心來進行資料的分析與處理，並做出最後的決策，那麼基於網路邊緣裝置的數量眾多、鄰近資料收集位置以及節省資料傳輸時間等優勢，工廠將可以實現即時、多工且更具彈性的決策模式，最終達到工業4.0對於彈性決策的需求。 要讓這些網路邊緣裝置可以代替資料中心，除了提供充足的資料外，還需要透過人工智慧的訓練及佈署來讓網路邊緣裝置可以學習與模仿資料中心仍至管理者所採用的決策邏輯。而要如何實現這個技術架構？人工智慧與邊緣運算的結合至關重要。 筆者認為，人工智慧與邊緣運算的結合，代表了每一個網路邊緣裝置都可以是工廠內的決策者(decision maker)。而套用到IP領域，這些網路邊緣裝置代表了每一位身處最前線，與客戶／廠商直接溝通並獲取資料以撰寫專利文件的專利工程師與專利師。 伍、chatGPT? 在正式討論人工智慧與邊緣運算對於IP產業的可能貢獻前，我們先來談論一下最近的話題性人工智慧：chatGPT (chat Generative Pre-trained Transformer)。 筆者個人給予了chatGPT一個定義，即「基於從整個網際網路收集到的資料訓練而成，並用來與全世界所有人進行溝通的AI模型」。在深論之前，讀者可以先把這個定義記在心裡，並讓我們先淺談一下chatGPT的訓練方式。 從openAI發佈的關於InstructGPT以及chatGPT的相關資料3中，我們可以理解到chatGPT的訓練程序包括三個主要步驟： (1)收集例示資料，並訓練監督策略； (2)收集比對資料，並訓練獎勵模型(Reward Model)； (3)使用強化學習(Reinforcement learning)來針對獎勵模型優化策略。 chatGPT的訓練是建立在一個已訓練的AI模型，例如GPT-3或GPT-3.5之上，這個AI模型已經經由訓練而認知了很多的問題及其答案。問題在於，AI模型對於相同的問題可能會依照機率而產生不同的答案，而因為AI模型的訓練資料來源於網路上雜亂無章的資料，因此許多答案可能並不是人類預期中想要獲得的答案。 為了解決這個問題，在步驟(1)中，openAI雇用了所謂的標記人(Labeler)。這些標記人的任務是篩選人類感興趣的問題(即，例示資料)來詢問AI模型，並且在AI模型給出的答案中，對符合人類預期的答案進行標記。 通過步驟(1)對AI模型進一步訓練後，當我們再次詢問相同問題時，雖然AI模型可能還是會依照機率給出不同答案，但是這些答案都將會較為符合人類預期，而較容易被視為正確答案。然而，即便是正確答案也仍存在好壞之分。例如，當我們詢問AI模型「什麼是大蘋果?」時，AI模型可能會回答「紐約」，亦可能會回答「紐約市」。雖然這兩個答案對於人類來說都是正確的，但顯然「紐約市」比起「紐約」來得更為正確。於是，就需要藉由步驟(2)來進行改善。 在步驟(2)中，標記人利用問題以及AI模型提供的較佳答案之組合匯入另一個模型(即，獎勵模型)，並且告訴獎勵模型這個組合具有較高的分數；並且，標記人再將相同問題以及AI模型給出的次佳答案之組合匯入獎勵模型，並且告訴獎勵模型這個組合具有較低的分數，以此類推。當訓練完成後，這個獎勵模型可以被用來對AI模型針對一個特定問題所提供的答案進行評價。 於步驟(3)中，AI模型不再需要標記人的參與，而是可以自己使用獎勵模型來實現強化學習。在步驟(3)中，AI模型同樣會針對被詢問的問題給出對應的答案。接著，AI模型將問題與答案的組合匯入獎勵模型，並從獎勵模型獲得這個組合對應的評價，然後再基於這個評價來進行強化學習，以微調AI模型所使用的參數。當下一次被詢問相同問題時，AI模型可能會基於微調後的參數而給出不同的答案，並且這個問題與新答案的組合可在獎勵模型中獲得比前次組合更高的評價。 隨著AI模型的持續使用與強化，最終AI模型可以針對各種問題回答出可以得到較高評價的答案，而評價高的答案也就意味著較符合人類預期。通過這樣的訓練機制，有在使用chatGPT的人應該會發現，雖然chatGPT的訓練資料一直停留在2019年9月左右沒有持續更新，但它給出的答案卻有越來越準確的趨勢，這也是拜強化學習的技術所賜。 陸、未來科技對於IP產業可能的貢獻 還記得筆者在前一個段落中對於chatGPT這種AI模型的定義嗎？即「基於從整個網際網路收集到的資料訓練而成，並用來與全世界所有人進行溝通的人工智慧模型」。相信許多IP領域的從業人員一定已經嘗試過了，使用chatGPT確實可以從無到有產生一篇專利說明書，然而大家也會發現，這份專利說明書可能有些粗糙、可能內容過於空泛，又或者前後一致性過低，其質量還不足以直接端上檯面。筆者認為，有相當大的原因是由於chatGPT的訓練資料是來自於整個網際網路上的不特定來源。 我們可以合理的相信chatGPT的訓練資料中一定包含了大量的專利說明書，然而基於網際網路的特性，這些訓練資料可能是由不同國家、不同專利制度、不同事務所，不同專利師以不同語言撰寫而成的。由於這些訓練資料的形式、內容以及撰稿風格並沒有固定的邏輯與標準，因此AI模型就像是同時拜師多位專利師那般，難以學到一個一致、優美且符合特定國家、企業或事務所要求的撰稿風格。 那麼，我們可以試著想像一下，若有一個AI模型具有類似chatGPT的能力，但是是利用刻意從特定公司、事務所或專利師所撰寫的專利說明書來訓練而成的，並且被訓練來做為邊緣運算裝置使用，那會如何呢? 在智慧財產權持有人(IP Owners)方面，筆者認為未來或許可以搜集特定公司使用的專利提案資料，以訓練一個以此公司的營運方針來運行的AI模型。如此一來，這個AI模型將可以以公司的思維來協助專利窗口、法務主管甚至專利評議會的評議委員，將RD人員的技術資料直接轉換成要給專利事務所準備專利說明書使用的專利提案資料，並且這份提案資料必定會符合公司的所有形式以及實質要求。 進一步，若讓公司的每位專利窗口的電腦皆可以運行這個AI模型，即可實現將每一位專利窗口都做為邊緣運算裝置來使用的遠景。如此一來，公司內部的資深人員可以空出時間來展現他們對於公司的真正價值，而不需要將時間花費在討論如何將RD人員開發的技術轉變成合格的專利提案資料，或是決定哪項技術需要申請專利而哪項不需要。 筆者認為，只要訓練此類型的AI模型並將其做為邊緣運算裝置來使用，則未來公司內部的每一位專利窗口及RD人員皆可代替高階主管，並以高階主管的思維來做出與專利申請相關的決策。如此一來，將可令公司實現以更快速、更具彈性，且更具一致性的方式來做出過往只有極少數高階主管可以進行決策的營運模式。 而在智慧財產權從業人員(IP Practitioners)方面，筆者認為將來同樣可以搜集特定事務所或特定專利師所撰寫或審核通過的專利說明書，以訓練一個以此事務所或專利師的思維來運行的AI模型。如此一來，事務所內的新人或是資歷尚淺的專利工程師們，可以先撰寫一份專利說明書的初稿後，再交由此AI模型進行修改或是提供修稿意見。藉此，可以基於專利師或核稿人員的思維來讓所內不同專利工程師所撰寫出來的專利說明書，在格式、用詞乃至於撰稿習慣等方面具有高度的一致性，並且在某個程度上反應此事務所的鮮明特徵。 在這樣的架構下，各個事務所使用的AI模型會是基於這個事務所內部產出的大量專利說明書來訓練而成的，並且做為訓練資料使用的專利說明書的品質越高，訓練出來的AI模型的輔助能力就會越強。由於不同事務所訓練出來的AI模型各具特性，因此不會發生有使用AI模型來協助撰稿的所有事務所產出的專利說明書都大同小異，進而令人產生專利撰稿工作會被AI直接取代的假像之問題。反而，我們可以藉由AI模型的訓練及使用來彰顯不同事務所間的品質差異。 在更極端的例子中，事務所甚至可以搜集專為特定客戶撰寫，並且經過此客戶校閱的專利說明書，來訓練專屬這個客戶使用的AI模型。如此，即使事務所指派了不同的專利工程師來為此客戶撰寫專利說明書的初稿，但後續仍可利用AI模型來修改這些初稿，最終使得不同專利工程師撰寫的專利說明書都具有高度的一致性，而可以滿足此客戶所有大大小小、合理與不合理的撰稿要求。 筆者認為，類似於智慧財產權持有人的思維，只要訓練此類型的AI模型並且做為邊緣運算裝置來使用，則未來事務所內部每一位專利工程師皆可代替資深人員來進行專利說明書的核稿、修改仍至送件的決策。如此一來，事務所除了可以統一所內不同專利工程師撰寫的專利說明書的格式、撰寫風格以及品質之外，所內的資深人員亦不再需要浪費時間於無止盡的核稿工作上，而可以更積極地將時間聚焦於更具能彰顯資深人員的真正價值的業務上，這對於將資深人員視為重要資產的事務所而言，無疑是未來相當大的一個優勢。 柒、結語 作為openAI的創辦人，山姆奧特曼(Sam Altman)曾經說過4：「Don’t be in a career where people who have been doing it for two years can be as effective as people who have been doing it for twenty」，這段話確實為存在AI的未來指引出了一個實際方向。 事實上，AI存在的未來已經到來，而AI也確實如同許多人所擔心的那樣，將會取代許多人的工作。然而，當我們知道了AI可以做到哪些事的時候，就意味著我們不應該再浪費時間於學習這些事物上。取而代之的是，我們應該放眼於AI尚無法完美達成，或是根本無法達成的技術上。例如在IP領域，我們可以努力地成為那個為AI模型的訓練資料進行標記的標記人、撰寫高品質的專利說明書以做為AI模型的訓練資料的撰稿者、為事務所撰寫符合基本要求的專利說明書初稿以讓AI模型進行修改並產生完稿的專利工程師等，更或許，我們可以更努力地成為那個永遠無法被AI所取代的行業中的佼佼者。 筆者認為，AI的本質並不可怕，只要我們可以妥善地運用AI，它就不再是可怕的敵人，而會轉變為可靠的戰友。
註釋： 1. https://www.ibm.com/topics/industry-4-0 2. 工業3.5：台灣企業邁向智慧製造與數位決策的戰略 – 2019年天下雜誌出版 3. https://arxiv.org/abs/2203.02155 4. https://blog.samaltman.com/how-to-be-successful 作者簡介 姓名：陳仕勳 現職：華鼎國際法律事務所 專利師 學歷： 國立臺灣科技大學資訊工程系 國立臺灣大學法律學分班第33期結業 備註：本文僅為作者個人見解，與所屬單位及事務所無關。 ------------------------------------------------------------------------------------------------------------- 本篇文章著作權歸屬撰稿人，其內容與見解不代表智慧財產局