特許を「守る」AIから「発明する」AIへ――人類の技術資産を再結合する次世代イノベーション

オムロンが、特許庁の過去データを大規模に取得し、Amazon S3、OpenSearch、Amazon Bedrockなどを使って知財AIエージェントを内製したという事例は非常に興味深い。

記事では、先行技術調査や発明説明書作成の工数を削減する仕組みとして紹介されている。

しかし、私はこの先にもっと大きな可能性があると思う。

それは、

である。

創薬の世界では、化合物、標的タンパク質、疾患、作用機序などの巨大な組み合わせ空間から、有望な候補をAIで絞り込む研究が進んでいる。

ならば特許も同じではないか。

機械、電気、材料、化学、通信、AI、医療、農業、宇宙、エネルギー。

人類が積み上げてきた膨大な技術要素を分解し、まだ誰も試していない組み合わせを探索できれば、AIは単なる検索補助を超えて、発明探索エンジンになり得る。

概要

特許は、完全にゼロから突然生まれるものばかりではない。

多くの技術革新は、

• 既存技術の組み合わせ

• 異業種技術の転用

• 既存原理の別用途展開

• 材料と制御方式の再構成

• 複数技術の統合

によって生まれる。

例えば、

画像認識
×
ロボット制御
×
物流最適化

から自律搬送システムが生まれる。

あるいは、

医療画像の異常検知
×
工場設備の振動解析
×
自己教師あり学習

を組み合わせれば、故障データが少ない設備でも予兆保全ができるかもしれない。

重要なのは、単純に「特許Aと特許Bを足す」ことではない。

狙うべきは、

である。

この探索をAIにやらせる。

それが次世代の知財AIだと考えている。

ポイント1　特許を「文書」ではなく「技術要素」に分解する

最初のポイントは、特許全文をそのままLLMに読ませないことだ。

特許を例えば次のような構造に分解する。

課題
目的
入力
出力
機能
作用原理
構成要素
材料
制御方式
制約
利用環境
効果
用途

例えばある特許が、

課題：
モーター異常の早期検出

入力：
振動波形

処理：
周波数解析

出力：
故障確率

制約：
センサー設置が必要

別の特許が、

課題：
画像ノイズ除去

処理：
自己教師あり復元

特徴：
正解データが不要

だったとする。

AIはここから、

モーター故障では教師データ不足が課題

↓

自己教師あり学習なら正常データ中心でも学習可能

↓

教師データ不要型の設備異常検知

という新しい技術仮説を作れる。

これは文章要約ではない。

機能と制約の再結合である。

ポイント2　特許を「Patent DNA」として表現する

私はこれを、仮にPatent DNAと呼びたい。

各特許を、

Patent = {
  Problem,
  Function,
  Input,
  Output,
  Mechanism,
  Material,
  Constraint,
  Effect,
  Domain
}

として表現する。

すると特許は単なるPDFではなくなる。

例えば、

Patent A
Problem = 熱暴走
Function = 冷却
Mechanism = 液浸
Domain = 電池

Patent B
Problem = 高密度発熱
Function = 冷却
Mechanism = マイクロ流路
Domain = 半導体

Patent C
Problem = 局所温度差
Function = 熱輸送
Mechanism = 相変化
Domain = 宇宙

という構造にできる。

AIはここから、

電池
×
半導体のマイクロ流路
×
宇宙分野の相変化技術

という組み合わせを探索できる。

ここまで来ると、特許データベースは検索対象ではない。

技術部品の巨大なライブラリーになる。

ポイント3　Knowledge Graphで「技術の空白」を探す

次に重要なのがKnowledge Graphだ。

例えば、

特許
技術
材料
課題
機能
用途
企業
発明者
特許分類
引用関係

[特許A]
  ↓ uses
[技術X]
  ↓ solves
[課題Y]

[特許B]
  ↓ uses
[材料Z]
  ↓ has-property
[特性Q]

という巨大な技術ネットワークができる。

ここで重要なのは、既に強くつながっている場所ではない。

狙うべきは、

である。

例えば、

医療
×
超音波

は多い。

製造
×
超音波

も多い。

しかし、

農業
×
超音波

が少ないなら、

そこに技術的空白があるかもしれない。

AIはこの空白を探せる。

ポイント4　創薬AIと同じ「組み合わせ探索問題」として考える

この発想は創薬AIと非常に近い。

創薬では、

化合物
×
標的タンパク質
×
疾患
×
作用機序

という巨大な空間から候補を探索する。

特許では、

技術
×
材料
×
機能
×
課題
×
用途

を探索する。

つまり、

と考えることができる。

違いは、探索対象が化学や生物だけではない点だ。

機械
電気
化学
材料
AI
通信
医療
農業
宇宙
エネルギー

を横断する。

そのため成功すれば、対象範囲は非常に広い。

ポイント5　「近すぎず、遠すぎない」技術を組み合わせる

全く関係のない技術を組み合わせればよいわけではない。

例えば、

半導体冷却
×
データセンター冷却

は近すぎる。

既に多くの企業が考えている可能性が高い。

逆に、

半導体冷却
×
俳句生成

では遠すぎる。

意味のある技術仮説になりにくい。

狙いたいのは、

半導体冷却
×
人工透析の流体制御

のような組み合わせだ。

業界は違う。

しかし、

微細流路
流量制御
熱交換
圧力管理
連続運転

という技術要素には共通点がある。

私はこれを、

と考える。

AIが最も価値を出すのは、この領域ではないか。

ポイント6　新規性だけでなく「成立性」を評価する

新しい組み合わせだから価値があるわけではない。

必要なのは、

新規性
実現可能性
補完性
市場ニーズ
製造可能性
コスト
既存特許リスク

の評価である。

例えば候補技術を、

イノベーション評価スコア ＝
新規性 × 実現可能性 × 補完性 × 市場ニーズ ÷ 先行技術リスク

それぞれの意味は、
新規性：どれだけ既存技術と異なるか
実現可能性：技術的・工学的に成立するか
補完性：組み合わせる技術同士が互いの弱点を補えるか
市場ニーズ：解決したい課題や需要が実際に存在するか
先行技術リスク：既存特許や既知技術と重複する危険がどれだけあるか
のように評価する。

数式そのものは仮だが、考え方は重要だ。

単なる「面白そう」を排除する必要がある。

ポイント7　1つのLLMではなく複数AIエージェントで検証する

新技術案を1つのLLMに作らせて終わりでは危険だ。

例えば、

Inventor Agent
新技術案を生成

Patent Agent
既存特許との重複を調査

Engineering Agent
物理的・工学的成立性を評価

Market Agent
需要と市場性を評価

Manufacturing Agent
量産可能性とコストを評価

Critic Agent
欠陥、矛盾、失敗条件を探す

という構成が考えられる。

つまり、

である。

一人の天才AIに任せるのではなく、AI同士で提案と反証を繰り返す。

ポイント8　組み合わせ爆発をどう抑えるかが最大の技術課題

当然ながら、全組み合わせを総当たりすることはできない。

技術要素が100万個あれば、2つ組み合わせるだけでも天文学的な数になる。

3要素、4要素ならさらに増える。

だから、

全組み合わせ

↓

意味的に近い候補を抽出

↓

異分野性で再評価

↓

物理制約で除外

↓

既存特許で除外

↓

市場課題で絞る

↓

上位候補を人間へ提示

という段階探索が必要になる。

技術的には、

• ベクトル検索

• Knowledge Graph

• グラフ探索

• ベイズ最適化

• 遺伝的アルゴリズム

• 強化学習

• LLMエージェント

• 数理最適化

などを組み合わせられる。

ポイント9　量子最適化とも相性がいい

これは個人的に非常に面白いと思う。

「どの技術要素を選んで組み合わせるか」は、組み合わせ最適化問題として考えられる。

例えば、

新規性は高くしたい
実現可能性も高くしたい
市場性も高くしたい
既存特許との重複は減らしたい
コストは抑えたい

という複数条件を同時に扱う。

これをQUBO的に考えれば、

技術要素Aを採用するか
技術要素Bを採用するか
技術要素Cを採用するか

を0か1の変数で表現できる。

例えば概念的には、

最大化：
新規性
+
補完性
+
市場性
+
実現可能性

最小化：
既存特許重複
+
技術矛盾
+
コスト

となる。

これはまさに組み合わせ最適化だ。

ポイント10　特許AIを「守り」から「攻め」へ変える

現在、多くの知財AIは守りの用途が中心だ。

既存特許を探す
類似特許を見つける
侵害リスクを見る
特許文書を書く

もちろん重要である。

しかし本当の可能性はその先にある。

既存技術を分解
↓
技術要素を構造化
↓
未結合領域を探索
↓
新しい組み合わせを生成
↓
成立性を評価
↓
新技術仮説を提案

これは、

特許を守るAIから、発明を生み出すAIへの転換

である。

私が考えるシステム全体像

特許庁の全データ
        ↓
特許構造化AI
        ↓
Patent DNA生成
        ↓
Knowledge Graph構築
        ↓
技術空白探索
        ↓
Combination Agent
        ↓
新技術仮説生成
        ↓
┌───────────────┐
│ Patent Agent  │
│ Engineer Agent│
│ Market Agent  │
│ Critic Agent  │
└───────────────┘
        ↓
スコアリング
        ↓
上位技術候補
        ↓
研究者・技術者
        ↓
実験・試作

重要なのは最後だ。

AIが勝手に発明して終わるのではない。

最後は人間が、

試す
壊す
測る
改良する

必要がある。

だからこれは、人間を排除するAIではない。

人間の発明能力を増幅するAIである。

まとめ

オムロンの事例は、特許庁の膨大なデータを使って先行技術調査や説明書作成を効率化するものだった。

それだけでも大きな成果だ。

しかし、私はその先にもっと面白い未来があると思う。

これは単なるRAGではない。

単なる生成AIでもない。

単なる特許検索でもない。

人類の発明履歴を学習した「発明探索エンジン」

である。

創薬AIが分子の組み合わせ空間を探索するように、発明AIは技術の組み合わせ空間を探索する。

そして、最も価値があるのは、

誰も結び付けていないが、技術的には成立する組み合わせ

を見つけることだ。

特許庁の全データは、過去の権利情報ではない。

見方を変えれば、

である。

その倉庫をAIに探索させたとき、知財AIは「検索支援」から「発明支援」へ進化する。

私は、ここにAIエージェントの非常に大きな可能性があると思う。