【弁理士徹底解説】OpenAIの「動画から学ぶAIエージェント」特許 US 11,887,367 B1（VPT）を読み解く｜Computer Useの作り方

💡 要点：本記事は、AIエージェント特許シリーズの一編です。Anthropicの対照的なアプローチはデータフロー特許やComputer Use中核特許で解説しています。

目次

1. 30秒サマリー｜「動画を見て操作を覚える」AI
2. 特許の基本情報
3. 背景｜「画面操作の正解ラベル」を作るのは高くつく
4. 核心技術｜逆動力学モデル（IDM）と疑似ラベリング
5. 最大の工夫｜「非因果的（未来も見る）」予測
6. どんな操作を出力するのか
7. 独立クレーム1を逐条で読む
8. クレーム構成｜方法・システム・媒体の3点セット
9. OpenAI vs Anthropic｜「computer use」への2つの道
10. 学習方法は特許になる？日米欧の審査
11. 自社出願への教訓
12. よくある質問（FAQ）

💡 要点：ポイントは、「少量の正解データ」で作ったIDMを"ラベル付けマシン"として使い、膨大なラベルなし動画を一気に教師データ化すること。人手注釈のコストを劇的に下げ、computer useエージェントを大規模に学習させる道を開きました。

💡 要点：「未来も見てよい」という条件のおかげで、IDMは"その瞬間にどの操作が行われたか"を遥かに正確に当てられます。たとえば「カーソルが次のフレームで右に動いた」という未来情報から、「今マウスを右に動かした」と高精度で推定できる。この「非因果性」をラベリングに活用するのが、本発明の知的な核心です。

US 11,887,367 B1｜Claim 1（原文／英語）

A method for training a machine learning model to perform automated actions, comprising: receiving unlabeled digital video data; generating pseudo-labels for the unlabeled digital video data, the generating comprising: receiving labeled digital video data; training a first machine learning model including an inverse dynamics model (IDM) using the labeled digital video data; and generating at least one pseudo-label for the unlabeled digital video data, wherein: the at least one pseudo-label is based on a prediction, generated by the IDM, of one or more actions that mimic at least one timestep of the unlabeled digital video data, and the prediction of the one or more actions is generated based on a non-causal combination of past information and future information within the unlabeled digital video data, the past and future information being relative to one or more reference frames within the unlabeled digital video data; adding the at least one pseudo-label to the unlabeled digital video data to form pseudo-labeled digital video data; and further training the first machine learning model or a second machine learning model using the pseudo-labeled digital video data to generate at least one additional pseudo-label for the unlabeled digital video.

弁理士による参考訳（日本語）

💡 要点：OpenAIは「どう学習させるか（訓練方法・データ）」を、Anthropicは「どう動かすか（実行アーキテクチャ）」を中心に権利化しています。同じ製品分野でも、各社が自社の強みのレイヤーで特許を取る好例です。自社出願でも「どのレイヤーで戦うか」の見極めが重要です。

自社のAI、学習方法やデータまで含めて権利化しませんか？

IT・ソフトウェア・AI分野に精通した弁理士が、学習方法・データ・モデルを含むクレーム設計、権利化可能性の無料診断、日米欧での出願戦略までトータルでご支援します。

Q. US 11,887,367 B1はどんな特許ですか？

A. OpenAIの米国登録特許で、AIに「画面の自動操作」を学習させる方法を保護します。膨大なラベルなし動画（人がソフトを操作する様子など）を、少量のラベル付きデータで訓練した「逆動力学モデル（IDM）」で自動的にラベル付け（疑似ラベリング）し、その大量データで操作モデルを訓練する技術です。OpenAIが「VPT（Video PreTraining）」と呼ぶ手法に対応し、2024年1月30日に登録されました。

Q. 「逆動力学モデル（IDM）」とは何ですか？

A. ある時点の前後の画面（観測）から、その間に「どんな操作（アクション）が行われたか」を推定するモデルです。通常のAI（方策モデル）が「次に何をすべきか」を予測するのに対し、IDMは「何が行われたか」を後から推定します。過去だけでなく未来のフレームも参照できるため、操作の推定精度が高く、安価に大量のラベルを生成できます。

Q. なぜ「動画から学ぶ」ことが重要なのですか？

A. インターネット上には、人がソフトやゲームを操作する動画が無数に存在します。しかし、それらには「いつ・どのキーを押したか」という操作ラベルが付いていません。本発明は、少量のラベル付きデータからIDMを訓練し、膨大なラベルなし動画に自動でラベルを付けることで、computer use（コンピュータ操作）エージェントを安価かつ大規模に学習させる道を開きました。

Q. Anthropicのcomputer use特許とは何が違いますか？

A. アプローチが根本的に異なります。Anthropic（Adept由来）は「エージェントの実行基盤・DSL・データフロー」を保護します。一方、OpenAIの本特許は「動画から操作を学習させる訓練方法」を保護します。同じ"AIにPCを操作させる"課題に対し、両社が異なる技術的アプローチで特許を取得している点が興味深いところです。

Q. 学習方法（トレーニング方法）も特許になりますか？

A. なります。本特許のように、具体的なアルゴリズム（IDM、非因果的予測、疑似ラベリング）と、それが生む技術的効果（安価な大規模ラベリング）を明確に記載すれば、日本・米国・欧州いずれでも権利化が可能です。データの作り方・学習方法は、AIの競争力の源泉であり、重要な権利化対象です。

本記事の注意事項：本記事は、公開された特許公報に基づく一般的な技術・制度解説です。US 11,887,367 B1は登録特許ですが、実際の権利範囲は各クレームの文言・均等論・経過情報により定まります。引用したクレーム・要約・明細書記載は公開公報データ（FreePatentsOnline等）に基づきますが、法的に重要な用途（FTO・侵害分析・無効・出願等）では、必ずUSPTO正本と最新の経過情報をご確認のうえ、専門家の個別検討をご利用ください。日本語訳は理解のための参考訳であり、正文は英語原文です。