该专利所展示的OpenAI方法，简而言之就是“通过让AI观看大量人类操作视频来使其学习”。而且，它采用了一种巧妙的机制，即利用独创的方法，对没有操作标签的视频自动添加标签。这是一个与Anthropic的“Computer Use”专利完全不同，却以相同目标为导向的对比案例。精通AI知识产权的专利代理人将结合实际权利要求进行详细解读。
💡 要点：本文是AI智能体专利系列文章之一。关于Anthropic截然不同的方法，已在数据流专利和“计算机使用”核心专利中进行过讲解。
目录
| 项目 | 内容 |
|---|---|
| 专利号 | US 11,887,367 B1 |
| 发明名称 | 利用机器学习训练并使用模型，基于视频和输入数据集执行自动界面操作 |
| 注册日期 | 2024年1月30日 |
| 申请日／优先权日 | 2023年4月19日 |
| 申请人 | OpenAI OpCo, LLC |
| 发明人 | Bowen Baker、Jeffrey Clune 等（共9人） |
| 权利要求数 | 20项（独立权利要求3项：权利要求1、13、20） |
| 通称 | VPT（视频预训练） |
| 状态 | 已授权专利（granted） |
教AI进行屏幕操作最直接的方法，是准备大量“在该屏幕界面时按下该键”的正确答案数据（标注数据）并让其进行学习。然而，人工在视频上标注“何时、按了哪个键、点击了哪里”的工作，需要耗费巨大的成本。
另一方面，互联网上存在着无数用户操作软件或游戏的视频。问题在于，这些视频并未标注操作标签。如何利用这些“数量庞大但未标注标签的视频”，正是本专利所要解决的技术课题。
本专利解决方案的核心是逆动力学模型（Inverse Dynamics Model, IDM）。
处理流程如下。
💡 要点：关键在于将利用“少量正确数据”构建的IDM作为“标注机器”使用，从而将海量无标签视频一次性转化为训练数据。这极大地降低了人工标注的成本，为大规模训练计算机智能体开辟了道路。
权利要求1中明确指出，IDM的预测“基于过去信息与未来信息的非因果（non-causal）组合”。这是该技术的亮点。
实际上，由AI实时操作的“策略模型”只能看到过去（未来尚未发生＝因果性）。但IDM作为用于标注的后处理环节，可以参考某个时间点的前后——即未来的帧。
💡 要点：得益于“可以预见未来”这一条件，IDM能够更精准地推断“该瞬间进行了何种操作”。例如，根据“光标在下一帧向右移动”这一未来信息，可以高精度地推断出“现在将鼠标向右移动了”。将这种“非因果性”应用于标注，正是本发明的智慧核心。
根据说明书，模型生成的操作（automatic interface actions）包括按键、按钮点击、触摸屏输入、摇杆操作、鼠标点击、滚动、鼠标移动等。应用领域包括电子游戏、各类处理应用程序、Web浏览器、电子表格、文件资源管理器等。
也就是说，其目标是让AI能够在无需人类干预（without human intervention）的情况下，执行人类在GUI上进行的任何操作。这正是“计算机使用”代理的基础技术。
US 11,887,367 B1｜权利要求1（原文／英语）
一种用于训练机器学习模型以执行自动化操作的方法，包括：接收未标注的数字视频数据；为未标注的数字视频数据生成伪标签，该生成包括：接收已标注的数字视频数据；使用已标注的数字视频数据训练包括逆动力学模型（IDM）的第一机器学习模型； 并为未标注的数字视频数据生成至少一个伪标签，其中：该至少一个伪标签基于IDM生成的对一个或多个动作的预测，这些动作模拟了未标注的数字视频数据中的至少一个时间步； 且对该一个或多个动作的预测是基于未标注数字视频数据中过去信息与未来信息的非因果组合生成的，所述过去和未来信息相对于未标注数字视频数据中的一个或多个参考帧； 将所述至少一个伪标签添加至未标注的数字视频数据中，以形成伪标注的数字视频数据；以及利用所述伪标注的数字视频数据进一步训练所述第一机器学习模型或第二机器学习模型，以针对所述未标注的数字视频生成至少一个额外的伪标签。
专利代理人参考译文（日语）
| 限定 | 技术含义 | 生效理由 |
|---|---|---|
| IDM（逆动力学模型） | 根据前后画面推断操作 | 摆脱“具体算法＝抽象概念”的思维定式 |
| 非因果性（过去＋未来）预测 | 参考未来帧以提高预测精度 | 本发明的独特性与进步性的核心 |
| 伪标注 | 将无标签视频转化为训练数据 | 解决技术难题（标注成本） |
| 进一步训练 | 利用伪数据训练操作模型 | 作为学习方法的完整处理流程 |
本专利共包含20项权利要求，将独立权利要求分为方法（权利要求1）、系统（权利要求13）和非临时性计算机可读介质（权利要求20）三大类，是软件专利的经典构成。由此，该专利全面涵盖了实施该方法者、制造或使用该装置者以及分发该程序者等不同类型的侵权主体。
面对“让AI操作电脑”这一共同目标，OpenAI和Anthropic采用了不同的技术路径获得了专利。对比本系列文章中介绍的两家公司专利，其战略差异显得尤为鲜明。
| OpenAI（本文） | Anthropic（已解析） | |
|---|---|---|
| 代表性专利 | US 11,887,367 B1（VPT） | US 12,430,150 B1 等 |
| 保护对象 | 通过视频学习操作的训练方法 | 代理的执行基础、DSL、数据流 |
| 方法 | 利用海量无标签视频＋IDM进行自动标注 | 运行时架构与专用语言 |
| 技术来源 | 自主研发（VPT） | 收购Adept公司 |
| 比喻 | 掌握“教学方法（学习法）” | 掌握“运行方式（执行架构）” |
💡 要点：OpenAI主要围绕“如何进行学习（训练方法·数据）”进行专利布局，而Anthropic则侧重于“如何驱动（执行架构）”。这正是各公司在同一产品领域内，针对自身优势层级申请专利的典型案例。即使是在自主申请专利时，准确判断“在哪个层级展开竞争”也至关重要。
由于机器学习的训练方法可能被视为抽象的数学方法，因此Alice/Mayo测试将成为争议焦点。本案涉及IDM、非因果预测、伪标注等具体算法，并伴有按键、鼠标操作等具体动作，因此更容易主张“对技术问题的具体解决方案”，目前已获授权。
在日本，学习方法和已训练模型也是专利保护对象。不过，根据日本专利局的AI案例，若“仅仅是用AI取代了人类的工作”，则会被认定缺乏进步性。本案中，“将非因果性应用于标注”这一技术巧思以及“大幅降低标注成本”这一效果十分明确，其构成便于主张进步性。
虽然数学方法本身不被纳入专利保护范围，但本案对“将无标签视频高效转化为训练数据”这一技术课题做出了明确的技术贡献，其构成在COMVIK方法框架下也易于作为技术特征获得认可。
① 将学习方法和数据构建方法纳入专利保护范围。不仅模型本身，"如何进行训练"、"如何构建训练数据"也能成为有力的专利。
② 将独创的技术巧思置于首位。应将“利用非因果预测”等有助于解决问题的具体创意作为权利要求的核心。
③ 摆脱抽象的数学表述。应明确记载具体的算法及具体的输出结果（如鼠标、键盘操作等），以确保专利适格性。
④ 在自身优势领域展开竞争。即使与竞争对手目标相同，在自身擅长的领域（学习方法、执行系统、数据等）获取专利的策略也是有效的。
何不将贵公司的AI、学习方法乃至数据都纳入专利保护范围呢？
精通IT、软件及AI领域的专利代理人将为您提供全方位支持，包括涵盖学习方法、数据及模型的权利要求设计、专利可获授权性的免费诊断，以及在日本、美国和欧洲的申请策略。
预约首次免费咨询 IT·AI知识产权服务Q. US 11,887,367 B1是一项什么样的专利？
A. 这是OpenAI在美国注册的一项专利，保护了让AI学习“屏幕自动操作”的方法。该技术利用“逆动力学模型（IDM）”——即通过少量标注数据对海量无标注视频（如人操作软件的情景等）进行训练——实现自动标注（伪标注），并利用这些海量数据对操作模型进行训练。该技术对应OpenAI所称的“VPT（Video PreTraining）”方法，已于2024年1月30日获得注册。
问：“逆动力学模型（IDM）”是什么？
A. 这是一种通过某个时间点前后画面（观测数据），推断其间“发生了何种操作（动作）”的模型。与常规AI（策略模型）预测“接下来该做什么”不同，IDM是在事后推断“发生了什么”。由于不仅能参考过去的帧，还能参考未来的帧，因此操作推断精度高，且能够以较低成本生成大量标签。
Q. 为什么“从视频中学习”如此重要？
A. 互联网上存在无数关于人们操作软件或游戏的视频。然而，这些视频并未标注“何时按下了哪个键”这样的操作标签。本发明通过利用少量标注数据训练IDM，并自动为海量无标注视频添加标签，为以低成本、大规模方式训练计算机操作（computer use）智能体开辟了新途径。
Q. 这与Anthropic的计算机操作专利有何不同？
A. 两者的方法在根本上有所不同。Anthropic（源自Adept）保护的是“智能体的执行基础、DSL（领域特定语言）和数据流”。而OpenAI的这项专利则保护的是“通过视频学习操作的训练方法”。针对相同的“让AI操作电脑”这一课题，两家公司采用不同的技术方法获得了专利，这一点颇为耐人寻味。
Q. 学习方法（训练方法）也能申请专利吗？
A. 可以。如本专利所示，只要明确记载具体的算法（IDM、非因果预测、伪标注）及其产生的技术效果（低成本的大规模标注），无论在日本、美国还是欧洲，均可获得专利权。数据生成方法和学习方法是AI竞争力的源泉，也是重要的专利保护对象。
本文注意事项：本文基于已公开的专利公报，对技术和制度进行的一般性解说。US 11,887,367 B1虽为已注册专利，但实际权利范围由各权利要求条款的措辞、等同原则及历史信息决定。文中引用的权利要求、摘要及说明书内容虽基于公开公报数据（如FreePatentsOnline等），但在涉及法律重要用途（如自由实施分析、侵权分析、无效审查、专利申请等）时，请务必核对USPTO正本及最新案件进展信息，并咨询专家进行个别审查。日语译文仅供理解参考，正文以英文原文为准。