.png?width=500&height=250&name=%E7%9F%A5%E7%9A%84%E8%B2%A1%E7%94%A3%E4%BA%8B%E5%8B%99%E6%89%80%E3%82%A8%E3%83%9C%E3%83%AA%E3%82%AF%E3%82%B9%20(500%20%C3%97%20250%20px).png)
![[Commento di un consulente in brevetti] Introduzione ai brevetti per i responsabili del marketing | Cinque situazioni in cui è opportuno consultare un consulente in brevetti in merito allo sviluppo e all’implementazione di strumenti](https://www.evorix.jp/hs-fs/hubfs/blog-thumbnails/face-marketing-patent-attorney-consultation.png?height=200&name=face-marketing-patent-attorney-consultation.png)
«Questa funzionalità del nostro strumento potrebbe essere brevettabile?» «Sembra che un concorrente...
Introduzione: L’intelligenza artificiale ha iniziato a rivoluzionare la “scoperta dei materiali” — E a che punto sono i brevetti?
La Materials Informatics (MI) è un approccio che accelera la ricerca e la progettazione di nuovi materiali attraverso tecniche di scienza dei dati, tra cui l’apprendimento automatico.Nel novembre 2023, Google DeepMind ha annunciato di aver scoperto 2,2 milioni di nuove strutture cristalline utilizzando lo strumento di deep learning «GNoME» (pubblicato sulla rivista Nature) e,mentre nel gennaio 2025 è stato pubblicato sulla rivista *Nature* un articolo sull’IA generativa «MatterGen» di Microsoft; la ricerca sui materiali tramite l’IA sta quindi attirando grande attenzione negli ultimi anni.Anche in Giappone, la joint venture tra Preferred Networks (PFN) ed ENEOS offre dal luglio 2021 il simulatore atomico generico «Matlantis» tramite cloud, che ad agosto 2024 era già stato adottato da oltre 90 aziende e organizzazioni.
Nel presente articolo, dopo aver verificato l’effettiva esistenza dei brevetti in questo settore tramite fonti primarie (Google Patents, J-PlatPat, WIPO PATENTSCOPE), si analizzeranno: ① le statistiche relative all’andamento delle domande di brevetto; ② otto brevetti registrati da aziende giapponesi; ③ sei brevetti registrati da aziende estere;④ il nocciolo della pratica di esame relativo alla questione se sia possibile ottenere un brevetto per «materiali previsti esclusivamente dall’IA» (casi di esame con IA n. 51 e 52 dell’Ufficio Brevetti, tra gli altri), ⑤ l’uso differenziato tra brevetti e segreti commerciali — dal punto di vista di un consulente in brevetti.
Indice
- Che cos’è la MI? — Tre eventi in cui l’IA ha rivoluzionato lo sviluppo dei materiali e il contesto politico e di mercato
- Andamento delle domande di brevetto MI in cifre (indagine dell’Ufficio Brevetti, classificazione G16C)
- Brevetti MI×AI delle aziende giapponesi — 8 casi verificati (Resonac, Yokohama Rubber, Fujitsu, PFN)
- Brevetti MI×AI delle aziende estere — 6 casi verificati (DeepMind, Samsung, IBM, Citrine)
- Il nocciolo della pratica di esame: è possibile ottenere un brevetto per «materiali semplicemente previsti dall’IA»? (Caso di esame n. 52 e altri)
- Brevetto o segreto commerciale? — Come proteggere i dati di addestramento e i descrittori e la questione degli inventori dell’IA
- Sintesi — Lista di controllo per le strategie di deposito nell’era della MI
1. Che cos’è il MI? — Tre eventi in cui l’IA ha rivoluzionato lo sviluppo dei materiali e il contesto politico e di mercato
Lo sviluppo tradizionale dei materiali si basava principalmente sulla formulazione di ipotesi fondate sull’esperienza e sull’intuito dei ricercatori, nonché su ripetuti processi di tentativi ed errori attraverso la sperimentazione, e la commercializzazione di nuovi materiali richiedeva molti anni.L’MI mira a ridurre notevolmente questo processo di tentativi ed errori, estraendo tramite l’apprendimento automatico le correlazioni tra la struttura e le proprietà dei materiali dai dati sperimentali e computazionali accumulati e prevedendo «quale candidato debba essere testato successivamente».Anche la «Strategia per il rafforzamento della capacità di innovazione nei materiali» (deliberata il 27 aprile dell’anno Reiwa 3 e rivista il 4 giugno dell’anno Reiwa 7) dal Consiglio per la promozione della strategia di innovazione integrata, ha inserito la creazione di una base di ricerca e sviluppo guidata dai dati tra le linee guida fondamentali dello Stato.
Come punti di svolta dal punto di vista tecnologico, si possono citare i seguenti tre eventi.
| Periodo | Evento |
|---|---|
| 6 luglio 2021 | La joint venture tra PFN ed ENEOS (PFCC) ha avviato la fornitura del simulatore atomico generico «Matlantis». Grazie all’apprendimento profondo, il sistema promette una velocità di calcolo decine di migliaia di volte superiore rispetto ai calcoli di prima principio (DFT). A settembre 2024 è stato annunciato il supporto per 96 elementi e l’adozione da parte di oltre 90 aziende e organizzazioni |
| 29 novembre 2023 | Google DeepMind ha annunciato di aver scoperto 2,2 milioni di nuove strutture cristalline (di cui circa 380.000 considerate le più stabili) grazie a «GNoME» (pubblicato sulla rivista Nature). Secondo ricerche esterne, 736 di queste sono già state sintetizzate sperimentalmente in modo indipendente |
| 16 gennaio 2025 | L’articolo su «MatterGen» di Microsoft è stato pubblicato sulla rivista *Nature*. Il modello di diffusione consente di generare direttamente materiali inorganici in base alle caratteristiche desiderate; è stata inoltre dimostrata la sintesi sperimentale del materiale generato, TaCr₂O₆ (modulo di elasticità volumetrico: 169 GPa misurato effettivamente rispetto al valore di progetto di 200 GPa). |
Per quanto riguarda le dimensioni del mercato, vi sono notevoli differenze nelle definizioni tra le società di ricerca: Grand View Research stima circa 135 milioni di dollari USA nel 2023 (tasso di crescita medio annuo del 16,5%),mentre 360iResearch stima circa 720 milioni di dollari USA nel 2025 (con un tasso di crescita del 18,34%); sebbene vi sia un ampio divario nelle stime, è comune a entrambe le fonti la previsione di un elevato tasso di crescita.
2. Andamento delle domande di brevetto relative alla MI in cifre (indagine dell’Ufficio Brevetti · classificazione G16C)
L’Ufficio Brevetti ha trattato il tema del MI nell’indagine sulle tendenze tecnologiche delle domande di brevetto relativa all’anno Reiwa 1 (pubblicata nel febbraio Reiwa 2). Secondo tale indagine, le famiglie di brevetti relativi al MI nel periodo 2010-2017 (in base all’anno di rivendicazione della priorità) ammontavano complessivamente a 493 casi tra Giappone, Stati Uniti, Europa, Cina, Corea e India.Per nazionalità dei richiedenti, la Cina spicca con 332 domande (67,3%), seguita dalla Corea del Sud con 55 (11,2%), dal Giappone con 37 (7,5%) e dagli Stati Uniti con 35 (7,1%).Le domande hanno iniziato a registrare un aumento a partire dal 2015 circa (da 48 nel 2015 a 116 nel 2017), in sincronia con il boom del deep learning. Tra i richiedenti giapponesi, Pacific Cement (10 domande) figura tra i primi posti.
Nota: queste statistiche sono state elaborate nel 2020 sulla base delle domande presentate tra il 2010 e il 2017; la situazione attuale ha subito ulteriori cambiamenti. A titolo di riferimento, secondo l’«Indagine sulla situazione delle domande di brevetto relative alle invenzioni nel campo dell’IA»(edizione di ottobre 2025), le domande di brevetto relative all’intelligenza artificiale presentate in Giappone sono aumentate fino a circa 11.400 nel 2023, mentre le domande relative alle invenzioni fondamentali nel campo dell’IA (assegnate alla classe G06N) presentate in Cina hanno superato le 100.000 unità nel 2023, raggiungendo un numero più di cinque volte superiore a quello degli Stati Uniti.
Per quanto riguarda la classificazione dei brevetti, con la revisione della Classificazione Internazionale dei Brevetti (IPC) del gennaio 2019 è stata istituita la nuova classe «G16C (Chimica computazionale, Informatica chimica, Scienza dei materiali computazionale)», che comprende gruppi quali l’apprendimento automatico e la chemometria (G16C 20/70),la previsione delle proprietà fisiche dei composti (G16C 20/30), la progettazione molecolare (G16C 20/50) e la scienza computazionale dei materiali (G16C 60/00).Le invenzioni relative alla MI vengono spesso ricercate e classificate, nella pratica, combinando questa classe G16C (dal punto di vista dell’applicazione) con la classe G06N (dal punto di vista dei metodi di intelligenza artificiale), che rappresenta l’apprendimento automatico in sé; pertanto, anche nelle ricerche sulla tecnica anteriore e nelle indagini FTO, il punto di partenza consiste nell’esaminare queste due linee.
3. Brevetti MI×AI delle aziende giapponesi — 8 casi verificati (Resonac, Yokohama Rubber, Fujitsu, PFN)
Di seguito presentiamo otto brevetti registrati da aziende giapponesi, i cui dati bibliografici e lo stato di registrazione sono stati verificati dal nostro studio sulle pagine di Google Patents, J-PlatPat e WIPO PATENTSCOPE (ricerca aggiornata al 18 luglio 2026; l’elenco non è esaustivo).
| Numero di brevetto | Titolare | Punti salienti della tecnologia |
|---|---|---|
| Brevetto n. 6950119 | Showa Denko (attualmente Resonac) | Sistema di progettazione dei materiali di tipo «a divisione dei compiti», in cui i data scientist creano i modelli e numerosi operatori non specializzati ne fanno uso (adatto sia al problema diretto che a quello inverso) |
| Brevetto n. 7190615 | Showa Denko (attualmente Resonac) | Metodo per prevedere le proprietà dei materiali dipendenti dalla temperatura, aggiungendo come variabili esplicative la temperatura di valutazione e il tempo di mantenimento delle proprietà (ad esempio, la resistenza alla trazione delle leghe di alluminio) |
| Brevetto n. 7109339 | Showa Denko | Calcolo dei valori previsti delle proprietà fisiche e dell’incertezza mediante regressione con processo gaussiano, seguito dalla raccomandazione della struttura polimerica da verificare (ricerca di tipo ottimizzazione bayesiana) |
| Brevetto n. 7218519 | Yokohama Rubber | Previsione delle proprietà fisiche della gomma vulcanizzata mediante apprendimento automatico, sulla base delle condizioni di formulazione e lavorazione. La caratteristica distintiva è rappresentata dalla pre-elaborazione che interpolerà i dati relativi a un numero limitato di campioni tramite analisi di regressione |
| Brevetto n. 7215017 | Yokohama Rubber | Ricerca inversa della formulazione di gomma che consenta di ottenere le proprietà desiderate, mediante modelli già addestrati e algoritmi evolutivi (con vincoli relativi al numero di materie prime) |
| Brevetto n. 7302297 | Fujitsu | Calcolo della somiglianza delle strutture molecolari tramite la “ricerca del massimo insieme indipendente” per prevedere la costante dielettrica relativa e altri parametri |
| Brevetto n. 7388217 | Fujitsu | Rappresentazione grafica delle strutture cristalline, formulazione dell’analisi di similarità nel modello di Ising e risoluzione mediante una macchina di annealing (calcolo di ispirazione quantistica × MI) |
| Brevetto n. 7403032 | Preferred Networks | Tecnologia di generalizzazione che, nell’addestramento del potenziale delle reti neurali (NNP), assorbe le differenze nelle condizioni dei calcoli di prima principio come «informazioni di etichettatura» |
Analisi delle rivendicazioni (1): il «sistema MI a divisione dei compiti» di Resonac (Brevetto n. 6950119)
Per illustrare come vengono redatte le rivendicazioni dei brevetti relativi al MI, si cita a titolo esemplificativo la rivendicazione 1 del brevetto n. 6950119.
«Sistema di progettazione dei materiali destinato alla progettazione di materiali oggetto di progettazione, comprendenti materiali costituiti da più composizioni o prodotti mediante una combinazione di più condizioni di produzione,un terminale esperto in grado di utilizzare un’interfaccia di apprendimento del modello per eseguire l’apprendimento automatico di un modello che ha come input e output la relazione di corrispondenza tra le condizioni di progettazione del suddetto materiale oggetto di progettazione e i valori delle proprietà del materiale, e, per un determinato materiale oggetto di progettazione,utilizzando il modello addestrato per quel materiale oggetto di progettazione specifico, creato dal suddetto terminale per esperti, per stimare i valori delle caratteristiche del materiale a partire dalle condizioni di progettazione, oppure le condizioni di progettazione a partire dai valori delle caratteristiche del materiale, e che dispone di un’interfaccia per la progettazione dei materiali accessibile da più terminali generici;»
È degno di nota il fatto che questa rivendicazione non si concentri sull’algoritmo di apprendimento automatico in sé, ma definisca l’invenzione in termini di configurazione del sistema (meccanismo operativo) che distingue tra «chi crea il modello (terminale esperto)» e «chi utilizza il modello (più terminali generici)».Anche se è difficile differenziare il modello predittivo in sé, è possibile ottenere la tutela dei diritti di brevetto integrandolo in un meccanismo che consenta l’utilizzo del MI (Machine Intelligence) nel contesto dello sviluppo dei materiali: si tratta di un approccio tipico dei brevetti relativi al MI.
Analisi delle rivendicazioni (2): Tecnologia di addestramento NNP generica di PFN (Brevetto n. 7403032)
Il brevetto n. 7403032 di PFN (registrato il 21 dicembre 2023), che rientra nelle tecnologie di base di Matlantis, riguarda un metodo di addestramento dell’NNP (Newral Network Potential).Poiché i calcoli basati sui principi primi producono risultati leggermente diversi a seconda del software e dei parametri di calcolo, la semplice combinazione di dati di addestramento generati in condizioni diverse comporta una riduzione della precisione. Per affrontare questa sfida, il brevetto prevede di inserire le condizioni di calcolo nel modello come «informazioni di etichettatura», consentendo così di combinare dati generati in condizioni diverse per l’addestramento(Sintesi basata sulla rivendicazione 1 della pubblicazione internazionale WO2022/260178. La formulazione delle rivendicazioni al momento della registrazione potrebbe differire a seguito di correzioni apportate durante il processo di esame).Si tratta di una tecnologia volta a supportare simulazioni atomiche «generiche» generalizzabili sia ai cristalli (condizioni al contorno periodiche) che alle molecole (condizioni al contorno libere); essa riflette un approccio alla protezione dei diritti tipico delle aziende specializzate in IA, diverso da quello dei produttori di materiali, che consiste nel brevettare il metodo stesso di addestramento dei modelli di IA.
Inoltre, i due brevetti di Yokohama Rubber sono strutturati in modo tale da coprire rispettivamente il «problema diretto (formulazione → previsione delle proprietà fisiche)» e il «problema inverso (proprietà fisiche target → ricerca della formulazione)» in brevetti distinti, mentre i due brevetti di Fujitsu combinano il classico problema di ottimizzazione combinatoria della ricerca di strutture simili con l’apprendimento automatico e il calcolo di annealing.È interessante notare, dal punto di vista pratico, come i livelli di protezione dei diritti (pre-elaborazione dei dati / addestramento dei modelli / algoritmi di ricerca / sistemi operativi) differiscano a seconda della struttura aziendale di ciascuna società.
4. Brevetti MI×AI delle aziende estere — 6 casi verificati (DeepMind, Samsung, IBM, Citrine)
Se si guarda all’estero, le aziende specializzate in IA, i produttori di apparecchiature elettriche e i fornitori specializzati in MI stanno procedendo con la registrazione dei brevetti ciascuno dal proprio punto di vista. Anche i seguenti sono brevetti registrati verificati sulle pagine ufficiali.
| Numero di brevetto | Titolare | Punti salienti della tecnologia |
|---|---|---|
| US 12.190.236 | DeepMind Technologies | Previsione delle proprietà di nuovi materiali mediante l’embedding delle strutture di materiali noti (registrato nel gennaio 2025) |
| US 11.537.898 | Samsung Electronics | Progettazione inversa che apprende la distribuzione combinata di struttura e proprietà tramite GAN e genera direttamente la struttura del materiale a partire dalle proprietà desiderate (è stato registrato anche il brevetto europeo corrispondente EP3800586B1) |
| US 12.135.927 | IBM | Ricerca di tipo «Expert-in-the-Loop» che apprende il giudizio di accettazione o rifiuto espresso dagli esperti sui materiali candidati generati dall’intelligenza artificiale e lo riflette nella classifica dei candidati |
| US 11.901.045 | IBM | Framework che apprende le caratteristiche da un database chimico e genera nuovi candidati combinando le caratteristiche dei materiali esistenti |
| US 11.004.037 | Citrine Informatics | Genera, tramite l’apprendimento automatico, una mappa delle capacità che illustra le «combinazioni di caratteristiche realizzabili e il relativo grado di difficoltà», collegando la progettazione dei prodotti allo sviluppo dei materiali |
| US 10.984.145 | Citrine Informatics | Supporto alla progettazione di formulazioni che classifica le possibili ricette, comprese quelle con nuove materie prime, in base alla probabilità di soddisfare le caratteristiche obiettivo e i vincoli |
La rivendicazione 1 del brevetto US 12.190.236 di DeepMind (data di priorità 24 aprile 2020, registrazione 7 gennaio 2025) inizia come segue:
«Un metodo implementato su computer per la previsione di una o più proprietà di un materiale, il metodo comprendente: la gestione di dati che specificano un insieme di materiali noti, ciascuno dei quali presenta una rispettiva struttura fisica nota...»
(Metodo implementato su computer per la previsione di una o più proprietà di un materiale, che comprende la conservazione di dati che specificano un insieme di materiali noti, ciascuno dei quali presenta una struttura fisica nota... — Segue la descrizione della struttura per la previsione delle proprietà mediante l’identificazione e l’integrazione di materiali noti simili) Fonte: Google Patents (US12190236B2)
Tra gli inventori di questo brevetto figurano Tian Xie e James Kirkpatrick. Si tratta degli stessi autori degli articoli su GNoME e MatterGen, il che lascia intendere che, dietro ai risultati di ricerca di cui tanto si parla, la presentazione delle domande di brevetto relative alle tecnologie di base procedesse in modo costante.D’altra parte, nella presente indagine (basata su informazioni pubbliche disponibili a luglio 2026) non è stato possibile individuare una domanda di brevetto corrispondente a «MatterGen» di Microsoft. Si prega di tenere presente che, in linea di principio, le domande di brevetto non vengono rese pubbliche per 18 mesi dalla data di deposito; pertanto, il fatto che una domanda non sia stata individuata non implica necessariamente che non sia stata presentata.
Aspetti pratici: come nel caso del brevetto di Samsung relativo al reverse engineering, la struttura di base della generazione di materiali tramite GAN e modelli generativi è già stata brevettata con date di deposito intorno al 2020. Per le aziende che sviluppano internamente o introducono sistemi di ricerca di materiali basati sull’IA generativa, sta diventando sempre più necessario verificare la libertà da brevetti di terzi (FTO) anche per quanto riguarda le metodologie di ricerca stesse.
5. Il nocciolo della pratica di esame: è possibile ottenere un brevetto per un «materiale semplicemente previsto dall’IA»?
Il principale ostacolo alla brevettabilità dei risultati della MI non è né l’attività inventiva né i requisiti di invenzione, bensì i requisiti di descrizione (requisiti di attuabilità e di supporto).L’Ufficio Brevetti ha chiarito questo punto nella «Raccolta di casi relativi all’esame dei brevetti sulle tecnologie legate all’IA» (pubblicata in tre serie: marzo Heisei 29, gennaio Heisei 31 e marzo Reiwa 6, per un totale di 25 casi; riportata nell’allegato al Manuale di esame dei brevetti e dei modelli di utilità). La raccolta di casi illustra i seguenti principi:
«Un’invenzione relativa a un oggetto per il quale si presume, tramite l’IA, che possieda una determinata funzione non soddisfa i requisiti di attuabilità e di supporto qualora nella descrizione dettagliata dell’invenzione non siano riportati esempi di realizzazione in cui l’oggetto sia stato effettivamente fabbricato e la funzione in questione sia stata valutata; ciò a meno che i risultati delle stime effettuate tramite l’IA non possano sostituire la valutazione dell’oggetto effettivamente fabbricato.(Caso 51, Caso 52)”
— Tratto dalla sintesi introduttiva dell’allegato al Manuale di esame dei brevetti e dei modelli di utilità, intitolato “Casi di esame dei brevetti relativi alle tecnologie legate all’IA”
Caso 52 (Composti fluorescenti) — Una risposta diretta alle pratiche relative alla MI
Il caso 52, aggiunto nel marzo dell’anno Reiwa 6, ha proprio come tema la retroingegneria nel campo della MI (previsione della struttura chimica a partire dalle proprietà di emissione luminosa). Si tratta di un esempio in cui i composti A e B sono stati ottenuti tramite IA: il composto A è stato effettivamente sintetizzato e le sue proprietà fisiche sono state misurate, mentre per il composto B si è proceduto solo alla previsione; la conclusione è chiara.① Le rivendicazioni limitate al composto A, le cui proprietà sono state effettivamente misurate, soddisfano i requisiti di descrizione; ② le rivendicazioni relative al composto B, basato esclusivamente su previsioni, e le rivendicazioni generiche definite solo in base ai valori delle proprietà violano i requisiti di attuabilità e di supporto; ③ la presentazione di un certificato dei risultati sperimentali dopo il deposito della domanda non sanerà l’insufficienza di descrizione.In altre parole, secondo l’attuale prassi di esame, non è possibile ottenere un brevetto su una sostanza nella fase in cui si tratta di un «elenco di candidati promettenti generato dall’IA», ma la protezione può essere ottenuta solo nell’ambito di quanto già dimostrato sperimentalmente (come eccezione, si ritiene che le previsioni possano sostituire le misurazioni effettive nei casi in cui l’accuratezza delle previsioni dell’IA sia stata verificata all’interno della descrizione).
Caso 50 e Caso 34 — «La scelta dei descrittori» è fondamentale
Per quanto riguarda le rivendicazioni relative ai metodi di previsione, il caso 50 (previsione del tasso di insorgenza delle allergie) costituisce un punto di riferimento.Le rivendicazioni relative a metodi di previsione generici, che non specificano i dati di input (descrittori), costituiscono una violazione del requisito di supporto, a meno che la correlazione tra i dati non sia deducibile dalla conoscenza tecnica comune; sono state invece ritenute legittime le rivendicazioni limitate a combinazioni di descrittori già verificati. Per quanto riguarda l’attività inventiva, i casi 33 e 34dimostrano che non viene riconosciuta l’attività inventiva nel caso in cui si tratti semplicemente di «sistematizzare le attività umane tramite l’intelligenza artificiale» o di «sostituire un modello di regressione con una rete neurale»; d’altra parte, il caso 34 evidenzia che l’attività inventiva viene riconosciuta qualora si ottengano effetti significativi aggiungendo dati di input le cui correlazioni non rientravano nelle conoscenze tecniche comuni.La brevettabilità delle invenzioni relative all’intelligenza artificiale risiede, più che nella novità dell’algoritmo, nella «scelta non banale di caratteristiche e descrittori basata sulle conoscenze nel campo dei materiali»: questa è la linea guida pratica che si evince dai casi di esame.
Punto pratico: quando si formulano rivendicazioni con limitazioni numeriche o parametri, è necessario inserire esempi di realizzazione rappresentativi dell’ambito di applicazione delle rivendicazioni, tenendo conto anche dei criteri relativi ai requisiti di supporto stabiliti dalla sentenza della Grande Assemblea della Corte d’Appello per la Proprietà Intellettuale (11 novembre Heisei 17, causa relativa alla pellicola polarizzante).La progettazione dei tempi di deposito secondo lo schema «Previsione AI → sintesi e misurazione effettive di un numero limitato di candidati promettenti → deposito di brevetti su sostanze e composizioni nell’ambito già dimostrato → deposito di una domanda di miglioramento dopo ulteriori dimostrazioni» costituisce il modello di base per la redazione delle descrizioni nell’era dell’intelligenza artificiale (AI).
6. Brevetto o segreto commerciale? — Come proteggere i dati di addestramento e i descrittori e la questione degli inventori dell’IA
I dati di addestramento e i descrittori sono beni «adaltissimi alla riservatezza»
Si ritiene che la fonte della competitività dell’MI risieda non tanto nel modello in sé, quanto piuttosto nel database sperimentale accumulato nel corso di molti anni e nei descrittori (caratteristiche) progettati sulla base di esso.Sebbene siano adatti alla riservatezza in quanto non possono essere ricavati tramite reverse engineering dai prodotti, presentano tuttavia alcuni punti deboli nell’esercizio dei diritti: se oggetto di una domanda di brevetto, vengono resi pubblici in linea di principio entro 18 mesi; inoltre, è difficile rilevare l’attuazione delle rivendicazioni relative ai metodi all’interno dei server di altre società (il presente paragrafo costituisce una sintesi generale della prassi).Dal punto di vista normativo, la revisione del 31 marzo del Reiwa 7 delle Linee guida per la gestione dei segreti commerciali del Ministero dell’Economia, del Commercio e dell’Industria ha chiarito che anche una combinazione di informazioni di dominio pubblico può essere riconosciuta come non di dominio pubblico qualora la sua acquisizione come dati per l’addestramento dell’IA richieda un tempo e costi considerevoli; in tal modo è stata definita la via per proteggere i set di dati sperimentali del MI come segreti commerciali.Qualora si opti per la riservatezza, nella pratica è necessario provvedere alla raccolta di prove (ad esempio, timestamp) a sostegno del diritto di uso anteriore (articolo 79 della Legge sui brevetti) in vista di eventuali domande di brevetto successive presentate da altre società.
Non si deve affermare che «l’invenzione è stata realizzata dall’IA» — Le conseguenze del caso DABUS
Per quanto riguarda le domande di brevetto che indicano l’IA come inventore (caso DABUS), anche in Giappone la sentenza del Tribunale distrettuale di Tokyo del 16 maggio Reiwa 6 e quella della Corte d’appello per la proprietà intellettuale del 30 gennaio Reiwa 7 hanno stabilito che, ai sensi della legge sui brevetti, l’inventore deve essere una persona fisica (la Corte d’appello per la proprietà intellettuale ha inoltre fatto riferimento alla necessità di un dibattito legislativo).Anche gli Stati Uniti (Thaler v. Vidal), la Corte Suprema del Regno Unito e l’Ufficio europeo dei brevetti si sono espressi in tal senso. Le conseguenze pratiche nel contesto dell’intelligenza artificiale (IA) sono semplici: occorre identificare e indicare come inventore la persona fisica che abbia partecipato in modo creativo alla definizione del problema, alla progettazione dei descrittori, alla selezione dei candidati e alla sperimentazione.Anche presso l’Ufficio Brevetti, prendendo ad esempio la ricerca sui materiali, si sta valutando dal punto di vista istituzionale come garantire la tutela delle «invenzioni in cui il coinvolgimento umano è ridotto» (Sottocommissione per il sistema dei brevetti del Consiglio per la struttura industriale – Documento del mese di marzo dell’anno Reiwa 7).
7. Riepilogo — Lista di controllo per le strategie di deposito nell’era dell’intelligenza artificiale
① I brevetti relativi all’intelligenza artificiale (MI) sono in aumento dal 2015; in Giappone, aziende quali Resonac, Yokohama Rubber, Fujitsu e PFN hanno ottenuto brevetti registrati a vari livelli, tra cui metodi di ricerca, sistemi operativi e tecniche di addestramento.② All’estero, DeepMind, Samsung, IBM e Citrine hanno ottenuto la tutela giuridica per le configurazioni di base, ed esistono già brevetti registrati relativi alla progettazione inversa basata su modelli generativi.③ Nella prassi di esame giapponese, non vengono riconosciuti brevetti su sostanze per «materiali semplicemente previsti dall’IA» (casi 51 e 52), e la progettazione degli esperimenti di verifica e la tempistica della domanda determinano il successo o il fallimento della registrazione dei diritti: questi tre punti costituiscono la struttura portante del presente articolo.
Lista di controllo pre-deposito per le invenzioni MI×AI
- Se nell’ambito delle rivendicazioni relative a sostanze e composizioni siano incluse esempi di realizzazione effettivamente sintetizzati e misurati (Casi 51 e 52)
- I descrittori e i dati di input delle rivendicazioni relative ai metodi di previsione sono specificati in combinazioni già verificate (Caso 50)?
- Se la «selezione di caratteristiche non ovvie», che costituisce il fulcro dell’argomentazione relativa all’attività inventiva, e il relativo effetto siano descritti nella descrizione (Casi 34)
- Nel caso in cui la previsione dell’IA sostituisca le misurazioni effettive, è riportato nel documento descrittivo il processo di verifica dell’accuratezza della previsione?
- È stata valutata la demarcazione tra i dati di addestramento e i descrittori da divulgare nella descrizione e quelli da mantenere riservati (compresi gli aspetti relativi ai segreti commerciali e ai diritti di uso anteriore)?
- Sono state identificate le persone fisiche da indicare come inventori (coloro che hanno partecipato alla definizione del problema, alla progettazione dei descrittori, alla selezione e alla dimostrazione)?
- Nell’ambito della ricerca sullo stato dell’arte e dell’indagine FTO, si è effettuato un approccio trasversale alle classificazioni G16C × G06N?
Per quanto riguarda le tendenze in materia di proprietà intellettuale relative all’intelligenza artificiale, ne trattiamo costantemente anche su questo blog. Per comprendere come interpretare le controversie brevettuali pendenti, La invitiamo a consultare l’articolo di approfondimento sul contenzioso brevettuale Kioxia contro Viasat; per gli aspetti pratici relativi alla formazione di famiglie di brevetti, La invitiamo inoltre a consultare l’articolo di approfondimento sulla strategia delle domande di brevetto divise.
Le aziende che stanno valutando come distinguere tra le domande di brevetto relative alle invenzioni nel campo della MI e dell’IA (compresa la progettazione degli esempi di attuazione nel fascicolo di brevetto e l’analisi dell’ambito di divulgazione dei descrittori), le ricerche sullo stato dell’arte e le indagini FTO, e la gestione dei segreti commerciali, sono invitate a contattarci senza esitazione tramite il modulo di richiesta di informazioni dello studio di proprietà intellettuale Evolix.
[Clausola di esclusione di responsabilità] Il presente articolo costituisce una spiegazione di carattere generale basata su informazioni pubbliche disponibili al 18 luglio 2026 (Google Patents, J-PlatPat, WIPO PATENTSCOPE, documenti pubblicati dall’Ufficio Brevetti e dai vari comunicati stampa delle società, ecc.) e non rappresenta una consulenza legale.Per tutti i brevetti citati nell’articolo, i dati bibliografici sono stati verificati sulle pagine delle banche dati pubbliche; tuttavia, ciò non costituisce un’interpretazione dell’ambito di protezione né una valutazione della validità, né indica l’esistenza di rapporti commerciali tra le aziende citate e il nostro studio.Le rivendicazioni del brevetto n. 7403032 fanno riferimento alla versione pubblicata a livello internazionale; il testo potrebbe differire a seguito di modifiche apportate al momento della registrazione. I valori statistici dipendono dal momento della raccolta dei dati e dalle definizioni utilizzate dalla fonte. (A cura di un consulente in brevetti)
AUTORE / Autore
Takefumi Sugiura (SUGIURA Takefumi)
Studio di proprietà intellettuale EVORIX – Consulente in proprietà industriale e rappresentante legale
Assiste clienti operanti in un’ampia gamma di settori, tra cui IT, produzione, start-up, moda e sanità, in ogni fase, dalla presentazione delle domande di brevetto, marchio, disegno e modello e diritto d’autore fino ai procedimenti di ricorso e alle cause per violazione.È inoltre esperto in strategie di proprietà intellettuale relative a settori all’avanguardia quali l’intelligenza artificiale (AI), l’Internet delle cose (IoT), il Web3 e il FinTech. È membro di diverse associazioni, tra cui l’Ordine dei Patentisti del Giappone, l’Associazione Asiatica dei Patentisti (APAA) e l’Associazione Giapponese dei Marchi (JTA).
