Die Auswirkung
künstlicher Intelligenz auf das Patentverfahren Jörn Wolf
11,90 € ISBN 978-3-96163-192-6 www.readbox.net/unipress
HJB11
Die Auswirkung künstlicher Intelligenz auf das PatentverfahrenJörn Wolf
Hagener Juristische Beiträge Band 11
Jörn Wolf
Die Auswirkung künstlicher Intelligenz
auf das Patentverfahren
Hagener Juristische Beiträge
Band 11
Die Auswirkung künstlicher Intelligenz auf das Patentverfahren
Dr. Jörn Wolf von
Impressum
Bibliografische Information der Deutschen Nationalbibliothek Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über http://dnb.d-nb.de abrufbar.
Die vorliegende Arbeit ist die zuletzt im Oktober 2020 aktualisierte Version einer Masterarbeit, die von Frau Prof. Dr. Barbara Völz- mann-Stickelbrock betreut wurde und der Rechtswissenschaftlichen Fakultät der FernUniversität in Hagen im Sommersemester 2019 im Studiengang „Europäischer Gewerblicher Rechtsschutz“ vorgelegen hat.
Gedruckt mit freundlicher Unterstützung der FernUniversität in Hagen.
1. Auflage 2020 ISSN 2511-0411 ISBN 978-3-96163-192-6 readbox unipress
in der readbox publishing GmbH Rheinische Str. 171
44147 Dortmund
http://www.readbox.net/unipress
V Inhaltsverzeichnis
Literaturverzeichnis ... IX Abkürzungsverzeichnis ... XVII
A. Einleitung... 1
B. Künstliche Intelligenz ... 5
I. Historische Entwicklung der KI ... 5
II. Definitionen der KI ... 7
1. Allgemeine Definitionsansätze ... 7
2. Schwache KI und starke KI ... 9
3. Kategorisierungen von KI im Patentrecht .. 13
a) Kategorisierung der WIPO ... 13
b) Kategorisierung nach Lederer ... 14
c) Kategorisierung nach Ménière und Pihlajamaa... 15
d) Bewertung der Kategorisierungen ... 17
C. KI als Erfindungsgegenstand ... 21
I. Kategorisierung KI-bezogener Erfindungen unter materiellrechtlichen Gesichtspunkten ... 21
1. Künstliche neuronale Netze ... 22
2. Deep learning und convolutional neural networks . 24 3. Ergebnis ... 24
II. Patentierbarkeit von KI ... 26
1. Europäisches Patentübereinkommen ... 26
VI
a) Patentierung von KI „als solcher“ ... 27
b) Der Zwei-Hürden-Ansatz des EPA ... 30
aa)Die Technizitätshürde ... 30
bb)Die Patentierbarkeitshürde ... 32
cc)Schutz für Algorithmen? ... 35
c) Der Fachmann ... 38
aa)Stand der Technik und KI ... 41
bb)Auswirkung der KI auf das Fachwissen ... 41
(1)Schwache KI und Fachwissen .... 43
(2)Vorschläge zu neuen Ansätzen nach Shemtov ... 46
(a) „Machine Skilled in the Art“ .... 47
(b)Neue Kriterien ... 50
d) Ausreichende Offenbarung und Klarheit ... 53
aa)Durchgriffsansprüche ... 54
bb)Schlagwörter ... 56
cc)KI-Merkmale als Blackbox ... 56
2. Deutsches Patentgesetz ... 59
a) Patentierbarkeit von KI gemäß PatG ... 59
aa)Das Drei-Stufen-Modell des BGH .. 60 bb)Vergleich mit dem Ansatz des EPA 61
VII
b) Ausführbarkeit ... 63
c) Konsequenz für KI-Erfindungen ... 64
3. Außereuropäische Gesetzgebungen ... 65
a) USA ... 66
b) Japan ... 68
III.Durchsetzung KI-bezogener Patentansprüche . 71 1. Nachweis der Verletzung eines KI- Anspruchs ... 71
a) Gesetzliche Grundlagen ... 71
b) Schwierigkeiten ... 72
2. Lösungsansätze ... 76
a) Beweislastumkehr ... 76
b) Zwangslizenz ... 77
c) Schutz des Quellcodes ... 78
IV.Problemschwerpunkte bei der Patentierung und Durchsetzung von KI ... 78
1. Technizität ... 79
2. Konzept des Fachmanns ... 80
3. Offenbarung wesentlicher Merkmale ... 81
4. Nachweis der Verletzungsform ... 81
D. KI als Erfinder ... 83
I. Technische Voraussetzungen ... 83
II. Autonome Systeme ... 84
VIII
III.KI als Erfinder? ... 86 IV.Natürliche Personen als Erfinder im
KI-unterstützten Erfindungsprozess ... 89 E. Zusammenfassung und Ausblick ... 93
IX Literaturverzeichnis
Abbott, Ryan, How Inventive Machines Will Change the Ulti- mate Test of Patentability: Part I - Obviousness, Mitteilun- gen der deutschen Patentanwälte (Mitt.) 2019, S. 377-385 Abbott, Ryan, How Inventive Machines Will Change the Ulti- mate Test of Patentability: Part II - Machine Intelligence in the Inventive Process, Mitteilungen der deutschen Patent- anwälte (Mitt.) 2019, S. 488-495
Bach, Johann Sebastian / Richter, Bernhard F., 389 Choralgesänge für vierstimmigen gemischten Chor, Wiesbaden, 1966 (zi- tiert: Bach/Richter)
Benkard, Georg, Europäisches Patentübereinkommen, 3. Auf- lage, München, 2019 (zitiert: Benkard/Bearbeiter, EPÜ) Benkard, Georg, Patentgesetz, 11. Auflage, München, 2015 (zi-
tiert: Benkard/Bearbeiter, PatG)
Borges, Georg, Rechtliche Rahmenbedingungen für autonome Systeme, NJW 2018, S. 977-982
Brown, Noam / Sandholm, Tuomas, Superhuman AI for multi- player poker, Science 365 (2019), S. 885-890
Campinos, António, „Die Hälfte lehnen wir ab“, Spiegel 10 (2020), 68-69.
Dombrowski, Jan, Discovery - auch in deutschen Gerichtsver- fahren?, GRUR-Prax 2016, S. 319-321
Dornis, Tim W., Der Schutz künstlicher Kreativität im Imma- terialgüterrecht, GRUR 2019, S. 1252-1264
Gödel, Kurt, Über formal unentscheidbare Sätze der Principia Mathematica und verwandter Systeme I, Monatshefte für Mathematik und Physik 38 (1931), S. 173-198
Götting, Horst-Peter, Die Entwicklung neuer Methoden der Be- weisbeschaffung zur Bekämpfung von Schutzrechtsverlet- zungen. Die Anton-Piller-Order - Ein Modell für das deut- sche Recht?, GRUR Int 1988, S. 729-744
X
Hay, Peter, US-Amerikanisches Recht, 7. Auflage, München, 2020 (zitiert: Hay)
Herberger, Maximilian, „Künstliche Intelligenz“ und Recht - Ein Orientierungsversuch -, NJW 2018, S. 2825-2829 Hetmank, Sven / Lauber-Rönsberg, Anne, Künstliche Intelligenz
- Herausforderungen für das Immaterialgüterrecht, GRUR 2018, S. 574-582
Hinkelmann, Klaus, Gewerblicher Rechtsschutz in Japan, 3. Auflage, Köln, 2019 (zitiert: Hinkelmann)
Keussen, Christof, Zum Verhältnis von Art. 83 und 84 EPÜ im Einspruchsverfahren - alles klar?, GRUR 2014, S. 132-137 Kraßer, Rudolf / Ann, Christoph, Patentrecht. 7. Auflage, Mün-
chen, 2016 (zitiert: Kraßer/Ann)
Krizhevsky, Alex / Sutskever, Ilya / Hinton, Geoffrey E., ImageNet Classification with Deep Convolutional Neural Networks, Advances in Neural Information Processing Systems 25 (2012), DOI: 10.1145/3065386
Kühnen, Thomas, Handbuch der Patentverletzung, 12. Auflage, Köln, 2020 (zitiert: Kühnen)
Lämmel, Uwe / Cleve, Jürgen, Künstliche Intelligenz, 5. Auflage, München, 2020 (zitiert: Lämmel/Cleve)
Lederer, Thomas L., Patentierung im Bereich Künstlicher Intel- ligenz, GRUR-Prax 2019, S. 152-154
Loewenheim, Ulrich / Meessen, Karl / Riesenkampff, Alexander / Kersting, Christian / Meyer-Lindemann, Hans Jürgen, Kartell- recht, 4. Auflage, München, 2020 (zitiert: Loewenheim/Mees- sen/Riesenkampff/Kersting/Meyer-Lindemann/Bearbeiter) Matsuura, Tomoaki / Yomo, Tetsuya, In vitro evolution of pro-
teins, Journal of Bioscience and Bioengineering 101 (2006), S. 449-456
McCarthy, John / Minsky, Marvin L. / Rochester, Nathaniel / Shan- non, Claude E., A Proposal for the Dartmouth Summer Re- search Project on Artificial Intelligence, August 31, 1955,
XI abgedruckt in: AI Magazine 27 (2006) S. 12-14 (zitiert:
Dartmouth-Paper)
McCulloch, Warren S. / Pitts, Walter, A logical calculus of the ideas immanent in nervous activity, Bulletin of Mathemati- cal Biophysics 5 (1943), S. 115-133
Ménière, Yann / Pihlajamaa, Heli, Künstliche Intelligenz in der Praxis des EPA, GRUR 2019, S. 332-336
Mersch, Christian, Die Welt der Patente, Bielefeld, 2013 (zitiert:
Mersch)
Mes, Peter, Patentgesetz, Gebrauchsmustergesetz, 5. Auflage, München, 2020 (zitiert: Mes)
Nägerl, Joel / Neuburger, Benedikt / Steinbach, Frank, Künstliche Intelligenz: Paradigmenwechsel im Patentsystem, GRUR 2019, S. 336-341
Ory, Stephan / Sorge, Christoph, Schöpfung durch Künstliche Intelligenz?, NJW 2019, S. 710-713
Osterrieth, Christian, Patentrecht, 5. Auflage, München, 2015 (zitiert: Osterrieth)
Otte, Ralf, Künstliche Intelligenz für Dummies, Weinheim, 2019 (zitiert: Otte)
Panhaleux, Loïc, Der urheberrechtliche Schutz von computer- gestütztem Know-how in Frankreich. Zugleich eine An- merkung zum Urteil der Cour de cassation vom 25. 1. 2000, GRUR Int 2001, S. 120-127
Parashar, Shikha / Tomar, Pankaj, Waste Management by a Ro- bot - A Smart and Autonomous Technique, IOSR Journal of Electronics and Communication Engineering (IOSR- JECE) 13 (2018), S. 31-36
Pesch, Benjamin, Patentfähigkeit computerimplementierter Er- findungen. Überblick über die einschlägige Entscheidungs- praxis des BGH und EPA sowie Handlungsempfehlungen, MMR 2019, S. 14-19
XII
Rahwan, Iyad, „Unwissen macht uns manipulierbar“, Spiegel 25 (2019), 102-104
Rechtssprechung der Beschwerdekammern des Europäi- schen Patentamts, 9. Auflage, München, 2019 (zitiert: EPA- Rechtsprechung)
Rosenblatt, Frank, The perceptron: A probabilistic model for information storage and organization in the brain, Psycho- logical Reviews 65 (1958), S. 386-408
Russell, Stuart / Norvig, Peter, Künstliche Intelligenz. Ein mo- derner Ansatz, 3. Auflage, München, 2012 (zitiert: Rus- sell/Norvig)
Schael, Christopher, Künstliche Intelligenz in der modernen Ge- sellschaft, Datenschutz und Datensicherheit - DuD 42 (2018), S. 547-551
Schaub, Renate, Interaktion von Mensch und Maschine, JZ 72 (2017), S. 342-349
Schneider, David / Petrlík, David, “Software and Artificial Intel- ligence - Old and New Challenges for Patent Law” - Con- ference Report on the 3rd Binational Seminar of the TU Dresden and the Charles University in Prague, November 20, 2018, GRUR Int 2019, S. 560-564
Schwarz, Claudia / Kruspig, Sabine, Computerimplementierte Erfindungen - Patentschutz von Software?, 2. Auflage, Köln, 2017 (zitiert: Schwarz/Kruspig)
Turing, Alan M., Computing Machinery and Intelligence, Mind LIX (1950), S. 433-460
Von Hellfeld, Axel, Sind Algorithmen schutzfähig?, GRUR 1989, S. 471-485
Wahlster, Wolfgang, Künstliche Intelligenz als Grundlage auto- nomer Systeme, Informatik-Spektrum 40 (2017), S. 409- 418
XIII Weber, Lutz, Kombinatorische Chemie - Revolution in der Pharmaforschung?, Nachrichten aus der Chemie 42 (1994), S. 698-702
Weitere Quellen
Borchers, Detlef, 50 Jahre Künstliche Intelligenz, heise-online 2006, online verfügbar unter https://www.heise.de/news- ticker/meldung/50-Jahre-Kuenstliche-Intelligenz- 141200.html (zuletzt abgerufen am 03.10.2020) (zitiert: Bor- chers, Heise online)
Entschließung des Europäischen Parlaments vom 16. Feb- ruar 2017 mit Empfehlungen an die Kommission zu zivil- rechtlichen Regelungen im Bereich Robotik (2015/2103(INL)), online verfügbar unter http://www.europarl.europa.eu/doceo/document/TA-8- 2017-0051_DE.html?redirect (zuletzt abgerufen am 04.10.2020)(zitiert: 2015/2103(INL))
Fitzner, Uwe / Lutz, Raimund / Bodewig, Theo, Beckscher On- line-Kommentar Patentrecht, 17. Auflage, München, 2020 (zitiert: BeckOK/Bearbeiter)
Hadjeres, Gaëtan / Pachet, François / Nielsen, Frank, Proceedings of the 34th International Conference on Machine Learning, PMLR 70 (2017), 1362-1371, online verfügbar unter https://arxiv.org/abs/1612.01010 (zuletzt abgerufen am 03.10.2020)
Hashiguchi, Mizuki, The Global Artificial Intelligence Revolu- tion Challenges Patent Eligibility Laws, Journal of Business
& Technology Law 13 (2017), 1-35, online verfügbar unter http://digitalcommons.law.umaryland.edu/jbtl/vol13 /iss1/2 (zuletzt abgerufen am 27.09.2020) (zitiert:
Hashiguchi, J. Bus. & Tech. 13 (2017), S.1, zitierte Seite) Jaenichen, Hans-Rainer / Pitz, Johann, Research Exemption/Ex-
perimental Use in the European Union: Patents Do Not
XIV
Block the Progress of Science, Cold Spring Harbor Per- spectives in Medicine 5 (2015):a020941, 1-9, online verfüg- bar unter https://www.ncbi.nlm.nih.gov/pmc/artic- les/PMC4315916/pdf/cshperspectmed-IPM-a020941.
pdf (zuletzt abgerufen am 27.09.2020)(zitiert: Jaenichen/Pitz, Cold Spring Harb. Perspect. Med. 5 (2015):a020941) Knowles, Elizabeth, 2005. Artificial Intelligence. Aus: The Ox-
ford Dictionary of Phrase and Fable. Oxford University Press, online verfügbar unter https://www.oxfordrefe- rence.com/view/10.1093/acref/9780198609810.001.0001 /acref-9780198609810-e-423 (zuletzt abgerufen am 01.10.2020) (zitiert: Knowles, Oxford Dictionary)
May, Mike, Adding Artificial Intelligence to Drug Discovery, Genetic Engineering and Biotechnology News, April 2019, online verfügbar unter https://www.genengnews.com/in- sights/adding-artificial-intelligence-to-drug-discovery/
(zuletzt abgerufen am 27.09.2020) (zitiert: May, GenEngNews (2019))
Menn, Andreas, Genies vom Fließband, Wirtschaftswoche, 26. Januar 2015, online verfügbar unter https://www.wiwo.de/technologie/digitale-welt/wirt-
schaftswelten-2025-genies-vom-fliessband/11174202- all.html (zuletzt abgerufen am 04.10.2020) (zitiert: Menn, Wirtschaftswoche (2015))
Moses, David A. / Leonard, Matthew K. / Makin, Joseph G. / Chang, Edward F., Real-time decoding of question-and-an- swer speech dialogue using human cortical activity, Nature Communications 10 (2019), 1-14, article number: 3096, online verfügbar unter https://www.nature.com/arti- cles/s41467-019-10994-4.pdf (zuletzt abgerufen am 27.09.2020)
Mozur, Paul, One Month, 500,000 Face Scans: How China Is Using AI to Profile a Minority, The New York Times,
XV 14. April 2019, online verfügbar unter https://www.ny- times.com/2019/04/14/technology/china-surveillance- artificial-intelligence-racial-profiling.html (zuletzt abgeru- fen am 27.09.2020) (zitiert: Mozur, NY Times (2019)) Richtlinien für die Prüfung im Europäischen Patentamt, No-
vember 2019, online verfügbar unter http://docu ments.epo.org/projects/babylon/eponet.nsf/0/86546402 90C2DBE7C12584A4004D2D9A/$File/epo_guidelines _for_examination_2019_hyperlinked_de.pdf (zuletzt abge- rufen am 04.10.2020) (zitiert: EPA-Richtlinien, Abschnitt) Sadin, Éric, Das geht zu weit!, DIE ZEIT 24 (2017), online
verfügbar unter https://www.zeit.de/2017/24/kuenstli- che-intelligenz-digitalisierung-machine-learning-mensch (zuletzt abgerufen am 27.09.2020) (zitiert: Sadin, Zeit (2017))
Schütt, Kristof T. / Arbabzadah, Farhad / Chmiela, Stefan / Müller, Klaus R. / Tkatchenko, Alexandre, Quantum-chemical in- sights from deep tensor neural networks, Nature Commu- nications 8 (2017), 1-8, article number: 13890, online ver- fügbar unter https://www.nature.com/artic- les/ncomms13890.pdf (zuletzt abgerufen am 27.09.2020) Strategie Künstliche Intelligenz der Bundesregierung, No-
vember 2018, online verfügbar unter https://www.bundes- regierung.de/resource/blob/975226/1550276/
3f7d3c41c6e05695741273e78b8039f2/2018-11-15-ki-stra- tegie-data.pdf?download=1 (zuletzt abgerufen am 04.10.2020) (zitiert: KI-Strategie, Bundesregierung)
WIPO Technology Trends 2019: Artificial Intelligence. Genf, WIPO, online verfügbar unter https://www.wipo.int/
edocs/pubdocs/en/wipo_pub_1055.pdf (zuletzt abgeru- fen am 02.10.2020) (zitiert: WIPO Technology Trends, ge- gebenenfalls mit Angabe des Autors)
XVI
Wolf, Daniel, Quellcode auf Leinwand, Die Zeit 45 (2018), online verfügbar unter https://www.zeit.de/2018/45/ku- enstliche-intelligenz-gemaelde-leinwand-versteigerung-ur- heber (zuletzt abgerufen am 27.09.2020) (zitiert: Wolf, Zeit (2018))
Konferenzbeiträge
Eine Zusammenfassung der vom DPMA am 15. April 2019 in München veranstalteten Seminarreihe ist online verfüg- bar unter https://www.dpma.de/dpma/veroeffentlichun- gen/hintergrund/ki/workshopimdpmaki-undrobotik-er- find/index.html (zuletzt abgerufen am 27.09.2020) (zitiert:
DPMA-Konferenz)
Die Beiträge von Blok, Peter / Dillon, Clare / Goddar, Heinz / Holoubek, Michelle / Lievens, Koen / Ménière, Yann / Neppel, Clara / Schneider, Matthias / Shemtov, Noam / Sterne, Rob / Takaishi, Hideki / Zech, Herbert in der vom Europäischen Patentamt am 30. Mai 2018 in München veranstalteten Se- minarreihe sind online verfügbar unter https://e-cour- ses.epo.org/course/view.php?id=151 (zuletzt abgerufen am 27.09.2020). Die in den Vorträgen verwendeten Folien sind online verfügbar unter https://www.epo.org/learn- ing-events/events/conferences/2018/ai2018.html (zuletzt abgerufen am 02.10.2020) (zitiert: Vortragender, EPA-Kon- ferenz, gegebenenfalls Folien oder Seitennummer) Die Beiträge von Hertzberg, Joachim / Tochtermann, Lea in der
vom Centrum für Unternehmensrecht Osnabrück am 28. Juni 2019 in Osnabrück veranstalteten Seminarreihe sind online verfügbar unter https://www.cur.uni-osnab- rueck.de/osnabruecker_patenttage.html (zuletzt abgerufen am 27.09.2020)(zitiert: Hertzberg oder Tochtermann, CUR- Konferenz, gegebenenfalls mit Foliennummer)
XVII Abkürzungsverzeichnis
AGI artificial general intelligence Art. Artikel
ASI artificial super intelligence
BeckOK Beckscher Online-Kommentar BeckRS Beck-Rechtsprechung
bzw. beziehungsweise
ca. circa
CII computer implemented invention
CNIPA Chinese National Intellectual Property Administration
CNN convolutional neural network CPU central processing unit d.h. das heißt
DOI digital object identifier
DuD Datenschutz und Datensicherheit (Zeitschrift)
EPA Europäisches Patentamt
EPÜ Europäisches Patentübereinkommen etc. et cetera
f. Folgeseite
ff. Folgeseiten
Fn. Fußnote
GPU graphic processing unit
GRUR Gewerblicher Rechtsschutz und Urheberrecht (Zeitschrift) GRUR Int Gewerblicher Rechtsschutz und
Urheberrecht Internationaler Teil (Zeitschrift)
GRUR-Prax Gewerblicher Rechtsschutz und Urheberrecht Praxis im Immaterial- güter- und Wettbewerbsrecht (Zeitschrift)
h.M. herrschende Meinung
IOSR International Organization of Scientific Research
XVIII
IP intellectual property
IR Infrarot
JECE Journal of Electronics and Communication Engineering (Zeitschrift)
JPO Japanisches Patentamt JZ JuristenZeitung (Zeitschrift) KI künstliche Intelligenz KNN künstliche neuronale Netze
lit. Buchstabe
Mitt. Mitteilungen der deutschen Patentanwälte (Zeitschrift)
MMR Multimedia und Recht (Zeitschrift) NJW Neue Juristische Wochenzeitung
(Zeitschrift) NMR Kernspinresonanz
Nr. Nummer
PatG Deutsches Patentgesetz PCT Vertrag über die Internationale
Zusammenarbeit auf dem Gebiet des Patentwesens (Patent Cooperation Treaty) PMLR Proceedings of Machine Learning
Research (Zeitschrift) PSA Aufgabe-Lösungs-Ansatz PVÜ Pariser Verbandsübereinkunft
Rn. Randnummer
S. Seite
SVM supported vector machine USC United States Code
USPTO US Patent and Trademark Office WIPO Weltorganisation für Geistiges Eigentum z.B. zum Beispiel
“Questo è quel pezzo Di calamita, Pietra mesmerica, Ch'ebbe l'origine Nell'Alemagna, Che poi sì celebre Là in Francia fu.”
Mozart / Da Ponte, Così fan tutte, 1. Akt, 16. Szene
A. Einleitung
Johann Sebastian Bachs Werk umfasst 389 Choralgesänge.1 Dank DeepBach muss es dabei nicht bleiben.
„DeepBach“ ist ein auf künstlicher Intelligenz (KI) beruhendes Programm, welches im Jahr 2017 auf einem Kongress in Australien präsentiert wurde. Es ist durch Training mit Cho- rälen von Bach in der Lage, vorgegebene Notenfolgen im po- lyphonen Stil zu vervollständigen.2
Dies ist nur ein Beispiel für die erstaunlichen Fortschritte der KI in Wissenschaft, Kunst und Gesellschaft. KI-Programme sind zur Echtzeit-Spracherkennung in der Lage3 und können menschliche Mitspieler beim Pokern besiegen4. Gleichzeitig wachsen Befürchtungen, dass die KI zu sehr in die Pri- vatsphäre eindringen und zur Manipulation missbraucht wer- den könnte.5
Das Aufkommen der KI steht auch im Fokus des juristischen Interesses. Ihre Bedeutung für das System des gewerblichen Rechtsschutzes wurde in den letzten Jahren intensiv disku- tiert. Im Jahr 2019 veröffentlichte die WIPO ein Weißbuch, welches den Umfang der KI-bezogenen Schutzrechte statis- tisch auswertet und wichtige Kenndaten wie Länder, Firmen und Techniken, die in KI-Patentanmeldungen überdurch- schnittlich vertreten sind, zusammenfasst. Die WIPO-Studie belegt den rasanten Anstieg von Erfindungen auf diesem Ge- biet. Demnach wurde die Hälfte aller KI-bezogenen Erfin- dungen erst seit 2013 veröffentlicht und somit, legt man eine
1 Bach/Richter.
2 Hadjeres/Pachet/Nielsen, Proceedings of the 34th International Confer- ence on Machine Learning, PMLR 70 (2017), S. 1362 ff.
3 Moses/Leonard/Makin/Chang, Nature Communications 10 (2019), S. 1 ff.
4 Brown/Sandholm, Science 365 (2019), S. 885 ff.
5 Rahwan, Spiegel, 25 (2019), S. 102 ff.; Mozur, NY Times (2019).
18-monatige Veröffentlichungsfrist zugrunde, erst in diesem Jahrzehnt angemeldet.6
Daneben wurde die Rolle der KI am 30. Mai 2018 in einer vom Europäischen Patentamt (EPA) organisierten Seminar- reihe in München beleuchtet.7 Die Teilnehmer dieser Konfe- renz diskutierten die materiellrechtlichen Aspekte von KI, be- sonders die Schutzfähigkeit von KI-Techniken durch Pa- tente. Eine ähnliche Tagung fand am 15. April 2019 am Deut- schen Patent- und Markenamt (DPMA) statt.8
Diese Entwicklungen unterstreichen die Notwendigkeit, sich mit den Auswirkungen der KI auf das Patentsystem zu be- schäftigen und gegebenenfalls gesetzliche Anpassungen vor- zunehmen.
Der vorliegende Beitrag hat zum Ziel, den Stand dieser Dis- kussion zusammenzufassen. Er konzentriert sich auf zwei pa- tentrechtliche Themenkomplexe:
Der erste Schwerpunkt liegt auf der Auswirkung der KI auf materiellrechtliche Aspekte des Patentverfahrens. Dies be- trifft die Patentierbarkeitsvoraussetzungen der Technizität, der Neuheit und der erfinderischen Tätigkeit, sowie Beson- derheiten und Schwierigkeiten beim Nachweis der Verletzung KI-bezogener Patente.
Der zweite Schwerpunkt ergibt sich aus der Tatsache, dass mit Hilfe von KI patentfähige Erfindungen erhalten werden.
Dies wirft die Frage auf, inwieweit einer KI das Recht auf eine Erfindung zugesprochen werden kann.
6 WIPO Technology Trends, S. 13.
7 Die Vorträge und Podiumsdiskussionen dieser Konferenz sind unter dem Link zur „EPA-Konferenz“ online verfügbar. Zur patent-
rechtlichen Relevanz der KI siehe auch das Interview des „Spiegel“ mit dem Präsidenten des EPA in Campinos, Spiegel 10 (2020), S. 68 f.
8 DPMA-Konferenz.
Beide Gebiete werden vor dem Hintergrund des EPÜ und des PatG diskutiert und deren Lösungsansätze mit den ent- sprechenden Regelungen in außereuropäischen Patentgeset- zen verglichen.
Bevor diese juristische Betrachtung erfolgen kann, muss aller- dings geklärt werden, was unter „KI“ überhaupt zu verstehen ist.
Die Untersuchung beginnt deshalb mit einem Blick auf die historische Entwicklung dieses Begriffs und der Beschrei- bung der technischen Grundlagen der aktuell relevanten KI-Verfahren.
B. Künstliche Intelligenz
I. Historische Entwicklung der KI
Im Jahr 1955 stellte eine Gruppe von Wissenschaftlern um McCarthy einen Antrag auf Bewilligung von Forschungsmit- teln für eine Studie am Dartmouth College in den USA.
In diesem Antrag wurde die Hypothese aufgestellt, dass „jeder Aspekt des Lernens oder andere Merkmale der Intelligenz so exakt be- schrieben werden können, dass diese von einer Maschine simuliert werden können“.9 Dies sollte anhand der folgenden Forschungsge- biete untersucht werden:
1. Automatic Computers;
2. How Can a Computer be Programmed to Use a Language?;
3. Neuron Nets;
4. Theory of the Size of a Calculation;
5. Self-Improvement;
6. Abstractions;
7. Randomness and Creativity.
Das Dartmouth-Paper ist ohne die theoretischen Grundla- gen, die von Wissenschaftlern wie Gödel auf dem Gebiet der Mathematik10 oder Turing auf dem Gebiet der Informatik11 gelegt wurden, nicht denkbar, verwendet jedoch den Begriff
„artificial intelligence“ zum ersten Mal.12 Die im Folgejahr 1956 zu diesem Thema stattfindende Konferenz, an der ein Dut- zend Forscher teilnahmen, erbrachte allerdings nur wenige konkrete wissenschaftliche Ergebnisse.13
9 Dartmouth-Paper, S. 1, 2.
10 Gödel, Monatshefte für Mathematik und Physik 38 (1931), S. 173 ff.
11 Turing, Mind LIX (1950), S. 433 ff.
12 Otte, S. 39.
13 Borchers, Heise online, Absatz 3.
Die Bedeutung des Dartmouth-Forschungsprojekts liegt vor allem darin, dass es eine Gliederung der Gebiete und Vorge- hensweisen schuf, die die KI-Forschung bis heute prägen.
Ein Ansatz bestand darin, Intelligenz algorithmisch und lo- gisch durch den Bau von Computerprogrammen zu simulie- ren. Dies entspricht der klassischen Symbolverarbeitung und wird durch die Punkte 1 und 2 des Dartmouth-Papers reprä- sentiert.
Alternativ versuchten andere Forscher, biologische Struktu- ren zur Informationsverarbeitung nachzuahmen. Das augen- scheinlichste Beispiel dieses konnektionistischen Ansatzes sind die neuronalen Netze14, welche sich an das Modell der Nervenzellen der 1940er Jahre anlehnen.15
Die Geschichte der KI-Forschung ist durch Phasen geprägt, in denen eine dieser beiden Denkschulen die Oberhand über die andere errang. Euphorischer Forschungstätigkeit auf ei- nem bestimmten Gebiet (sogenannte „KI-Sommer“) folgten Phasen der Ernüchterung („KI-Winter“), wobei die Gebiete, auf denen KI-Techniken weiterentwickelt wurden, wechsel- ten. In den 70er und 80er Jahren des letzten Jahrhunderts wurden zum Beispiel vermehrt KI-Expertensysteme entwi- ckelt, die dem klassischen, algorithmenbasierten Ansatz ent- sprachen. Im neuen Jahrtausend kam es dann, befeuert durch die Verfügbarkeit riesiger Datenmengen (Big Data), zum Durchbruch der künstlichen neuronalen Netze „(KNN)“.16
14 Rosenblatt, Psychological Reviews 65 (1958), S. 386, 389.
15 Hertzberg, CUR-Konferenz.
16 Otte, S. 40-43 und Lämmel/Cleve, S. 17-19 geben eine Übersicht über die historische Entwicklung.
II. Definitionen der KI
1. Allgemeine Definitionsansätze
KI-Techniken sind neben dem Internet der Dinge („internet of things“) und Big Data ein wesentlicher Baustein der Vierten Industriellen Revolution.17 Sie durchdringen jeden Bereich der Naturwissenschaften18, der Wirtschaft19 und der Gesell- schaft.20
Dennoch fällt die Abgrenzung des Begriffs „KI“ schwer. Die Gründe dafür sind vielfältig: Schon seine erstmalige Erwäh- nung erfolgte in einem Antrag zur Bewilligung von Förder- mitteln,21 in welchem die entsprechenden Definitionen typi- scherweise nicht so exakt sind wie im Rahmen naturwissen- schaftlicher Publikationen. Auch die Übersetzung des Be- griffs „artificial intelligence“ in „künstliche“ Intelligenz wird als irreführend kritisiert und stattdessen beispielsweise „synthe- tische“ Intelligenz vorgeschlagen.22
Eine allgemeine, abschließende und exakte Definition der KI existiert somit nicht. Ihre Umschreibungen in der Fachlitera- tur erfolgen stets aus einer bestimmten Perspektive. Das Oxford Dictionary definiert KI beispielsweise unter Bezug auf das menschliche Denken und Handeln als „the theory and development of computer systems able to perform tasks normally requiring human intelligence […]“.23
17 Nägerl/Neuburger/Steinbach, GRUR 2019, S. 336, 337.
18 Schütt/Arbabzadah/Chmiela/Müller/Tkatchenko, Nature Communications 8 (2017), S. 1 ff.
19 Menn, Wirtschaftswoche (2015).
20 Schael, DuD 42 (2018), 547 ff.
21 Dartmouth-Paper, S. 1.
22 Lämmel/Cleve, S. 7; Herberger, NJW 2018, S. 2825, 2826 verweist außer- dem darauf, dass „intelligence“ ein Fauxami von „Intelligenz“ ist.
23 Knowles, Oxford Dictionary; Ménière/Pihlajamaa, GRUR 2019, S. 332 mit ähnlicher Definition, welche sich an menschlicher Intelligenz anlehnt.
Andere Autoren betonen die objektiven Anforderungen, die ein KI-System zu leisten in der Lage sein muss. Sie stellen nicht auf menschliches, sondern auf rationales Denken und Handeln ab, wie man es einem Computeralgorithmus zu- schreibt.24 Ein Vertreter dieser Schule ist Hertzberg, der die KI als Teilgebiet der Informatik, in dem es darum geht, techni- sche Systeme (reine Software oder Hardware / Software-Sys- teme wie Roboter oder Maschinen) „in Umgebungen zielgerichtet agieren [zu lassen], welche nicht vollständig kontrollierbar und / oder vorab ungenau bekannt sind“, beschreibt.25
Die Abgrenzung des Begriffs KI wird zusätzlich dadurch er- schwert, dass er sich verschiebt. Techniken, die ihr einstmals zugerechnet wurden, erscheinen später im Lichte neuer tech- nologischer Entwicklungen als nicht mehr der KI zugehörig oder zumindest überholt. So wurde beispielsweise der Sieg des Schachcomputers DEEP BLUE über Kasparow im Jahr 1997 als ein Sieg der KI über den Menschen aufgefasst.26 Heute zögern manche Autoren, diesen Erfolg der KI zuzu- rechnen, da er ohne maschinelle Lerntechniken auskam.27 Die KI-Felder, auf denen aktuell geforscht wird, lassen sich einem Strategiepapier der Bundesregierung vom November 2018 entnehmen.28 Darin werden die folgenden zentrale Ent- wicklungsfelder der KI identifiziert:
1. Deduktionssysteme und maschinelles Beweisen;
2. Wissensbasierte Systeme: Methoden zur Modellierung und Erhebung von Wissen;
3. Musteranalyse und Mustererkennung: induktive Analyse- verfahren allgemein, insbesondere maschinelles Lernen;
24 Überblick über verschiedene Definitionen der KI in Russell/Norvig, S. 23; zur Terminologie auch Herberger, NJW 2018, S. 2825, 2826, 2827.
25 Hertzberg, CUR-Konferenz, Folie 2.
26 Ng in WIPO Technology Trends, S. 8, 1. Absatz.
27 Otte, S. 49.
28 KI-Strategie, Bundesregierung, S. 5.
4. Robotik: autonome Steuerung von Robotiksystemen;
5. Intelligente multimodale Mensch-Maschine-Interaktion:
Analyse und „Verstehen“ von Sprache (in Verbindung mit Linguistik), Bildern, Gestik und anderen Formen menschlicher Interaktion.
Diese Einteilung zeigt, dass KI-Technologien in vielen Vari- anten eingesetzt werden. Techniken wie maschinelles Lernen oder Robotik dominieren zwar die Diskussion, sind aber nur eine Auswahl aus den Spielarten der KI.
Neben den schwer überschaubaren technologischen Ent- wicklungen hat sich KI auch im öffentlichen Diskurs zu ei- nem emotional aufgeladenen Schlagwort entwickelt, mit dem sich nicht nur Optimismus verbindet.29 Zum Beispiel wird mit dem Begriff „KI“ landläufig das Bild einer Superintelli- genz mit eigenem Bewusstsein verknüpft. Es stellt sich des- halb die Frage, ob diese Bedenken aus wissenschaftlicher Sicht berechtigt sind.
2. Schwache KI und starke KI
Die verschiedenen Entwicklungsstufen der KI werden in der Literatur nach ihrer Leistungsfähigkeit eingeteilt.30 Diese Ka- tegorisierungen sind nicht einheitlich und überschneiden sich, meistens bildet jedoch die „schwache“ KI („narrow AI“) eine untere Stufe. Sie bezeichnet die Anwendung von KI für spezifische Aufgaben und steht im Fokus der aktuellen KI-Forschung.
Von der „schwachen“ KI wird die „starke“ KI abgegrenzt.
Diese umfasst KI-Formen unterschiedlicher Ausprägungen, die die Eigenschaft teilen, dass sie im Vergleich zur schwa- chen KI höher entwickelt sind.
29 Sadin, Zeit (2017); Mozur, NY Times (2019); WIPO Technology Trends, S. 122.
30 Russell/Norvig, S. 1176 ff.; Otte, S. 34.
Unter starker KI werden allgemein artificial general intelligence (AGI) und artificial super intelligence (ASI) zusammengefasst.31
Abbildung 1: Einteilung der KI nach Otte und Vergleich mit der Ein- teilung nach Dillon und Abbott.32 Der Pfeil gibt die Entwicklungs- stufe der KI wieder. Die gestrichelte Linie symbolisiert die Grenze zwi- schen den Techniken, die heutzutage möglich sind und jenen, die nicht realisiert wurden und deren Realisierbarkeit z.B. von Otte angezweifelt wird.
AGI zeichnet sich nach Dillon dadurch aus, dass sie in der Lage ist, Wissen von einer Domäne an eine andere zu vermit- teln.33 Sie ist zu abstrakten, mentalen Leistungen fähig. Dillon illustriert dies am Beispiel eines Kleinkinds, welches intuitiv
31 Abbott, Mitt. 2019, S. 488, 490.
32 Otte, S. 72, Tabelle 3.2; Dillon, EPA-Konferenz, S. 7; Abbott, Mitt. 2019, S. 488, 490.
33 Dillon, EPA-Konferenz.
versteht, dass ein Stuhl neben seiner Funktion als Sitzmöbel auch als Versteck genutzt werden kann. Selbst die moderns- ten KI-Systeme sind zu einer solchen Leistung nicht fähig.
ASI wird schließlich als höchste Stufe der KI dadurch defi- niert, dass sie die menschliche Intelligenz übertrifft.
Eine ähnliche Hierarchie der KI schlägt Otte vor, der sie in fünf Stufen einteilt. Diese sind in Abbildung 1 den Katego- rien nach Dillon gegenübergestellt. Er unterteilt artificial narrow intelligence in zwei Unterkategorien (Stufen „I1“ und „I2“).
AGI und ASI entsprechen bei ihm KIs, welche Bewusstsein („Stufe I4“) bzw. Selbstbewusstsein („Stufe I5“) entwickeln.
Die Meinungen zur Realisierbarkeit der höher entwickelten Stufen von KI gehen auseinander. Abbott ist optimistisch und beruft sich auf Umfragen unter KI-Experten, von denen eine Mehrheit die Entwicklung von AGI in diesem Jahrhundert erwartet.34 Otte betrachtet diese hochentwickelten KIs dage- gen als nicht realisierbar bzw. theoretisch nicht möglich.
Auch Dillon äußert sich diesbezüglich vorsichtig. Sie sieht AGI höchstens als auf lange Sicht erreichbares Fernziel und bezeichnet ASI als Science-Fiction, also eher Gegenstand der Kunst als der Wissenschaft. 35
Aus patentrechtlicher Sicht ist die von Otte vorgeschlagene Stufe I3 der „kreativen Intelligenz“ interessant. Er vertritt die Ansicht, dass KI niemals an die menschliche Kreativität her- anreichen wird, aber kreativ scheinende Ergebnisse erbringen kann.
Die in der Einleitung genannte KI „DeepBach“ ist ein Beispiel dafür,36 „Edmond de Belamy“, ein Porträt im Stil des 18. oder
34 Abbott, Mitt. 2019, S. 377 und S. 488, 490.
35 Dillon, EPA-Konferenz.
36 Hadjeres/Pachet/Nielsen, Proceedings of the 34th International Confer- ence on Machine Learning, PMLR 70 (2017), 1362 ff.
19. Jahrhunderts, welches von einer KI erschaffen und 2018 versteigert wurde, ein anderes. 37
Diese „künstlerisch tätigen“ KIs scheinen die These zu stüt- zen, dass KI die Leistungsfähigkeit menschlicher Kreativität erreichen kann. So behauptet etwa Dornis, dass „mit Blick auf die Ergebnisse künstlicher Kreativität […] die traditionelle Abgrenzung der Kategorien [zwischen natürlicher und künstlicher Intelligenz] schon heute obsolet“ sei. 38
Diese Aussage lässt allerdings außer Acht, dass diese ver- meintlich kreativen Ergebnisse durch Interpolation großer Datensätze, mit denen die jeweiligen KIs trainiert wurden, zu- stande kamen. „Edmond de Belamy“ ist beispielsweise eine ma- thematische Mittelung von 15000 Gemälden des 14. bis 20.
Jahrhunderts.
Otte verweist jedoch zurecht darauf, dass die derzeitigen KI-Techniken kaum zu Extrapolationen fähig sind. Eine KI wie DeepBach kann, basierend auf dem zum Training verwen- deten Datensatz, nicht improvisieren oder gar, wie beispiels- weise Mozart oder Schumann in Kenntnis der Werke Bachs, eine eigene musikalische Sprache oder Kompositionsstil entwi- ckeln. Sie kann somit Kreativität nur simulieren, aber keine wirklich kreative Leistung erbringen. Auch wenn Kunst mit menschlicher Kreativität assoziiert wird, dürfen die genann- ten Ergebnisse einer KI-basierten Technik nicht damit ver- wechselt werden. KI spielt nicht.
Der Fokus der aktuellen wissenschaftlichen KI-Forschung liegt somit auf der schwachen KI, deren höchstentwickelte Form Kreativität „simulieren“ kann. Dies beruht auf mathe- matischer Mittelung großer Datenmengen und unterscheidet
37 Wolf, ZEIT (2018).
38 Dornis, GRUR 2019, S. 1252, 1255.
sich sowohl qualitativ als auch quantitativ von menschlicher Kreativität.39
3. Kategorisierungen von KI im Patentrecht
Das kreative Potenzial der KI ist schließlich auch für das Pa- tentrecht von großem Interesse. In Ermangelung einer abs- trakten Definition von KI wurden in der Literatur verschie- dene Kategorisierungen anhand typischer Aspekte von KI-bezogenen Erfindungen vorgeschlagen.
a) Kategorisierung der WIPO
Bei der Bestandsaufnahme der WIPO zur KI handelt es sich um eine statistische Analyse von KI-bezogenen Patenten und Anmeldungen im Zeitraum von 2013 bis 2016. Ihr lassen sich die KI-Techniken entnehmen, denen aktuell das größte Po- tenzial zugeschrieben wird.
In der Studie identifiziert die WIPO KI-bezogene Anmeldun- gen anhand typischer Schlagwörter („keywords“) und ordnet diese anhand eines Klassifizierungsschemas, welches sich an ihrem eigenen und jenen der großen Patentämter (USPTO, EPA, CNIPA, JPO) orientiert.40 Sie teilt die Anmeldungen demnach in die folgenden drei Kategorien ein:
a.1) Anmeldungen, welche die grundlegenden Techniken der KI betreffen („AI techniques“). Dazu gehören statistische und mathematische Modelle wie zum Beispiel fuzzy logic, Exper- tensysteme und maschinelles Lernen, welches mit den beiden Ausprägungen der KNN und des deep learning im untersuchten Zeitraum die höchsten Zuwächse aufweist.
a.2) Anmeldungen zu funktionellen Anwendungen der KI-Techniken der Kategorie a.1) („AI functional applications“),
39 Otte, S. 60-65; Hertzberg, CUR-Konferenz.
40 WIPO Technology Trends, S. 23-25.
vor allem Spracherkennung und computerbasiertes Sehen („computer vision“).
a.3) Anmeldungen zu Anwendungsgebieten der KI, wie zum Beispiel Telekommunikation, Transport, Landwirtschaft oder Medizinwissenschaften („application fields of AI“).
Die WIPO-Studie gibt eine Übersicht über technologische KI-Wachstumsfelder, nimmt aber keine eindeutige Zuord- nung vor: mehr als zwei Drittel der untersuchten Anmeldun- gen werden mindestens zwei Kategorien zugeordnet.41 Eine materiellrechtliche Untersuchung erfolgt in der WIPO- Studie nicht. Sie gibt beispielsweise keinen Überblick über ty- pische Einwände im Prüfverfahren oder sonstige Hürden von KI-bezogenen Patentanmeldungen. Eine solche Analyse wäre in Anbetracht des nur wenige Jahre zurückliegenden analy- sierten Zeitraums (2013 bis 2016) und der Dauer der Prü- fungsverfahren in vielen Patentämtern auch nicht abschlie- ßend möglich.
b) Kategorisierung nach Lederer
Lederer kategorisiert KI-bezogene Erfindungen ebenfalls in drei Gruppen:42
b.1) Erfindungen in der KI-Kerntechnologie. Hierunter ver- steht Lederer die Wirkungsweisen der KI mit den zugrundelie- genden Verfahren und Strukturen. Er nennt KNN als kon- kretes Beispiel.
b.2) Erfindungen betreffend maschinelles Lernen oder Trai- ning von KI. Die entsprechenden Erfindungen sind durch Datensätze charakterisiert, mit denen lernende Systeme trai- niert werden.
41 WIPO Technology Trends, Abbildung 3.3, S. 40.
42 Lederer, GRUR-Prax 2019, S. 152, 153.
b.3) KI als Anwendung. Dies betrifft Erfindungen, die KI-Techniken in verschiedenen technologischen Anwendun- gen nutzen.
Die von Lederer und der WIPO getroffenen Einteilungen ent- sprechen sich darin, dass beide für „abstrakte“ KI und kon- krete Anwendungen von KI jeweils eine Kategorie definieren [a.1) und b.1) bzw. a.3) und b.3)].
Die übrigen Kategorien a.2) und b.2) sind „Zwischenkatego- rien“: Sie betreffen einerseits grundlegende Techniken der KI wie maschinelles Lernen, während sie andererseits durch praktische Aspekte wie Datensätze oder Anwendungen in spezifischen technologischen Gebieten charakterisiert sind.
c) Kategorisierung nach Ménière und Pihlajamaa Eine alternative Einteilung von KI-bezogenen Erfindungen schlagen Ménière und Pihlajamaa vor.43 Sie unterscheiden die folgenden Gruppen:
c.1) Erfindungen, die sich mit KI-Technologie als solcher be- schäftigen.
c.2) Erfindungen, die mit Hilfe von KI erschaffen wurden.
c.3) Entwicklungen, welche „ausschließlich“ von KI kreiert worden sind.
Auch hier zeigen sich Ähnlichkeiten zu den anderen Eintei- lungen: die unter Punkt c.1) kategorisierten Erfindungen be- treffen „KI-Technologie als solche“. Sie sind demnach durch den Erfindungsgegenstand charakterisiert. Die Bezeichnung
„als solche“ weist darauf hin, dass sich die Autoren damit auf die grundlegenden Techniken der KI wie zum Beispiel KNN oder SVM beziehen, im Unterschied zu Erfindungsgegen- ständen, welche auf Anwendungen der KI gerichtet sind.
43 Ménière/Pihlajamaa, GRUR 2019, S. 332, 333.
Dies entspricht den von der WIPO unter Punkt a.1) und von Lederer unter Punkt b.1) kategorisierten Erfindungen.
Im Übrigen ist die Einteilung von Ménière und Pihlajamaa aus mehreren Gründen nicht eindeutig.
Zunächst folgt schon logisch aus dem Wortsinn, dass die Ka- tegorien c.1) und c.2) mit der Kategorie c.3) überlappen, denn eine ausschließlich von KI kreierte Entwicklung wurde zwangsläufig mit Hilfe von KI erschaffen. Somit umfassen Entwicklungen nach c.3) teilweise auch Erfindungen nach c.2). Genauso ist es möglich, dass eine Erfindung, die sich mit KI-Technologie als solcher beschäftigt, von einer KI erschaf- fen bzw. ausschließlich von ihr kreiert wurde, wodurch sich auch Überlappungen zwischen c.1) und den übrigen beiden Kategorien ergeben.
Ein Hinweis zur Abgrenzung gibt die Verwendung des Wor- tes „Erfindungen“ [c.1) und c.2)], während die Autoren ge- mäß Punkt c.3) den Ausdruck „Entwicklungen“ gewählt ha- ben. Letztere werden „ausschließlich“ von der KI kreiert, was impliziert, dass, bis auf die Schaffung der KI, überhaupt kein menschlicher Beitrag vorliegt. Die Unterscheidung der Erfin- dungen gemäß Kategorien c.1) und c.2) von den Entwicklun- gen nach c.3) erfolgt demnach anhand der Eigenschaft des Erfinders. Bei den ersten beiden Kategorien handelt es sich um klassische Erfindungen, bei denen nach h.M. eine natür- liche Person als Erfinder beteiligt sein muss.44 Demgegenüber sind die Entwicklungen der Kategorie c.3) dadurch gekenn- zeichnet, dass sie unabhängig vom Gegenstand allein durch eine KI erzielt wurden. Da einer KI die Erfindereigenschaft generell nicht zuerkannt wird (siehe dazu Abschnitt D dieser
44 Nägerl/Neuburger/Steinbach, GRUR 2019, S. 336, 340; Benkard/Melullis, EPÜ, Art. 60, Rn. 14; Benkard/Mellulis, PatG, § 6, Rn. 30; Kraßer/Ann,
§ 19, Rn. 7.
Arbeit), ist die Bezeichnung „Entwicklung“ für diese allein von einer KI erhaltenen Ergebnisse passend.
Zur Abgrenzung der Erfindungen gemäß Kategorie c.1) von denen gemäß Kategorie c.2) kann die Eigenschaft der letztge- nannten herangezogen werden, dass „sie mit Hilfe von KI er- schaffen wurden“. Diese Formulierung lässt zwei Interpreta- tionen zu: Es könnte damit nur der Prozess der Kreierung der Erfindung charakterisiert werden, unabhängig vom Erfin- dungsgegenstand. Eine solche Interpretation ließe aber große Lücken in der Einteilung: Erfindungen wie zum Beispiel tech- nische Anwendungen von KI, die über KI-Technologie als solcher hinausgehen, bei deren Schöpfung aber keine Nut- zung von KI erfolgte, würden dann in keine der von Ménière und Pihlajamaa vorgeschlagenen Kategorien passen.
Alternativ wäre diese Formulierung auf den Erfindungsge- genstand zu beziehen. „Mit Hilfe von KI erschaffen“ wäre dann als Einsatz von KI in technischem Kontext zu verste- hen. In Abgrenzung zu Punkt c.1) wären von Punkt c.2) dann die Erfindungen umfasst, die KI nicht allein, sondern in Kombination mit weiteren, z.B. anwendungsspezifischen Merkmalen beinhalten.
Dieser letzten Interpretation ist zuzustimmen, da damit so- wohl die KI-Techniken „als solche“ als auch deren Anwen- dungen von der Einteilung von Ménière und Pihlajamaa um- fasst sind. Die Zuordnung ist dadurch eindeutig: Kategorien c.1) und c.2) stellen auf den Erfindungsgegenstand ab, wäh- rend in Punkt c.3) der Prozess der Schaffung bzw. Entwick- lung der Erfindung berücksichtigt wird.
d) Bewertung der Kategorisierungen
Die Unterschiede in den Einteilungen KI-bezogener Erfin- dungen, die von der WIPO, von Lederer sowie von Ménière /
Pihlajamaa vorgeschlagen werden, spiegeln das Ziel der jewei- ligen Untersuchung wider.
Die WIPO nimmt eine statistische Auswertung von Anmel- dungen vor, die ein Schlüsselwort zur KI enthalten oder mit Bezug zur KI klassifiziert sind. Dadurch ist die Zuordnung einer Anmeldung zu mehreren Kategorien möglich, wodurch es zu Überschneidungen kommt. Beispielsweise wird zwi- schen „funktionellen Anwendungen“ und „Anwendungsge- bieten“ unterschieden,45 obwohl viele Fälle vorstellbar sind, in denen eine Anmeldung sowohl einer funktionellen Anwen- dung wie Spracherkennung [a.2)] als auch einem Anwen- dungsgebiet wie Telekommunikation [a.3)] zugeordnet wer- den könnte. Die WIPO-Studie liefert somit eine Übersicht über die Verteilung einzelner KI-Techniken, aber keine dog- matisch klare Einteilung möglicher KI-Erfindungen.
In der von Ménière und Pihlajamaa vorgenommenen Kategori- sierung sind die Überlappungen noch ausgeprägter. Es wer- den Kategorien definiert, die den Erfindungsgegenstand be- treffen und solche Kategorien, die auf die Eigenschaft des Er- finders als natürliche Person oder KI abstellen. Damit be- rücksichtigt diese Einteilung zwar in umfassenderem Maße patentrechtliche Aspekte von KI, weist aber Inkonsistenzen auf. Eine solche Vermischung von Kategorien ist für die Be- trachtung der materiellrechtlichen Aspekte unpraktisch, da die Frage des Erfindungsgegenstands unabhängig von jener der KI-Erfinderschaft behandelt werden kann.
Die Einteilung von Lederer ist in diesem Punkt konsequent, da sie sich an materiellrechtlichen Aspekten des Erfindungsge- genstands orientiert. Zwar existieren auch hier Unschärfen:
So unterscheidet er mit den Kategorien b.2) und b.3) zwi- schen durch Datensätze definierten Trainingsverfahren und
45 WIPO Technology Trends, S. 14.
Anwendungen von KI in konkreten technischen Gebieten.46 Diese Unterscheidung ist für viele Erfindungsgegenstände unklar, da gerade Anwendungen der KI in technischen Ge- bieten üblicherweise durch Training mit Datensätzen durch- geführt werden.
Andererseits sind im Gegensatz zu der Einteilung der WIPO und jener von Ménière / Pihlajamaa alle von Lederer definierten Kategorien auf den Erfindungsgegenstand ausgerichtet.
Für eine Betrachtung materiellrechtlicher Aspekte von Erfin- dungsgegenständen, die KI umfassen, eignet sich deshalb eine Kategorisierung, die sich an der von Lederer vorgeschlagenen orientiert, am besten.
46 Lederer, GRUR-Prax 2019, S. 152, 153.
C. KI als Erfindungsgegenstand
Der erste Schwerpunkt der vorliegenden Untersuchung liegt auf den besonderen Eigenschaften, die KI-Erfindungsgegen- stände im Vergleich zu anderen „klassischen“ Erfindungen charakterisieren. Dies erfolgt auf Grundlage einer möglichst einfachen, auf diese materiellrechtlichen Eigenschaften aus- gerichteten Einteilung.
I. Kategorisierung KI-bezogener Erfindungen unter materiellrechtlichen Gesichtspunkten
Alle im letzten Abschnitt besprochenen Kategorisierungen nennen eine ähnliche Gruppe KI-bezogener Erfindungsge- genstände:
Sowohl Lederer47 als auch Ménière / Pihlajamaa48 definieren
„KI-Kerntechnologien“ bzw. „KI-Technologie als solche“
als eigene Kategorie. Diese entspricht den von der WIPO als
„AI techniques“ umschriebenen KI-Techniken.49
Tochtermann beschreibt ähnlich wie Lederer, welche KI-Tech- niken unter diesem Begriff zu verstehen sind. Demnach han- delt es sich um „Erfindungen in einer KI-Kerntechnologie, die Wir- kungsweise der KI selbst, die zugrunde liegenden Verfahren und Struk- turen“.50
Ein konkreter Vertreter dieser Techniken, das maschinelle Lernen, taucht laut WIPO-Studie in einem Drittel aller von der WIPO analysierten Patentanmeldungen auf. Obwohl diese Technik nur einen Teil der KI-Forschung des Jahres 2018 ausmacht, wie das Strategiepapier der Bundesregierung zeigt,51 und unter wissenschaftlichen Gesichtspunkten nur
47 Lederer, GRUR-Prax 2019, S. 152.
48 Ménière/Pihlajamaa, GRUR 2019, S. 332, 333.
49 WIPO Technology Trends, S. 14.
50 Tochtermann, CUR-Konferenz, Folie 6.
51 KI-Strategie, Bundesregierung, S. 5.
eine Unterkategorie der gesamten KI-Forschung darstellt, ist es somit die in der Patentliteratur vorherrschende Kerntech- nologie. Die wichtigsten Untergruppen des maschinellen Ler- nens bilden wiederum das deep learning und die KNN. Patent- anmeldungen, die diese beiden Techniken betreffen, haben in den Jahren 2013 bis 2016 um 175 % bzw. 46 % zugenommen.
Die auch von Lederer hervorgehobenen KNN sind demnach eine der am schnellsten wachsenden KI-Techniken im derzei- tigen KI-Boom.52
Dies zeigt die hohe Relevanz dieser „fundamentalen“ Tech- niken in der Patentliteratur. Es lohnt sich deshalb ein Blick auf ihre wissenschaftlichen Grundlagen, um typische Eigen- schaften von Erfindungen, die KI als solche betreffen, zu identifizieren.
1. Künstliche neuronale Netze
KNN sind dem menschlichen Gehirn nachempfundene Strukturen aus künstlichen, binären Neuronen, mit denen eine logische Aussage wie eine „Alles-oder-Nichts“-Antwort algorithmisch dargestellt werden kann. Diese Neuronen wur- den erstmalig von McCulloch und Pitts beschrieben, die dadurch den Grundstein für die „theoretische Neurophysio- logie“ legten.53
Rosenblatt entwickelte diese Idee im sogenannten „Per- ceptronmodell“ weiter und beschrieb die Verschaltung sol- cher Neuronen zu Schichten.54 Abbildung 2 zeigt den typi- schen schematischen Aufbau eines einfachen KNN. In einer solchen Verschaltung bilden diese Neuronen ein Netzwerk,
52 WIPO Technology Trends, S. 14.
53 McCulloch/Pitts, Bulletin of Mathematical Biophysics 5 (1943), S. 115, 118.
54 Rosenblatt, Psychological Reviews 65 (1958) S. 386, 390; Otte, S. 216.
welches eine Eingabeschicht, eine Ausgabeschicht und, beim deep learning, auch mehrere Zwischenschichten aufweist.
Abbildung 2: Topologie eines KNN.55 NE symbolisiert die Neuronen der Eingabeschicht, NZ symbolisiert jene der Zwischenschicht, NA sym- bolisiert das Neuron der Ausgabeschicht. Die Pfeile zwischen den Neu- ronen geben die Verbindungen, die waagerechten Pfeile die Eingabedaten bzw. Ausgabedaten an.
Das Training des KNN erfolgt durch Eingabe von Daten und Vorgabe gewünschter Ausgabedaten. Dabei verändert das KNN die Wechselwirkung der einzelnen Neuronen, in dem es Gewichte innerhalb des Netzes optimiert, bis das Vorge- ben der Eingangsdaten die gewünschten Ausgangsdaten ergibt (sogenanntes „überwachtes Lernen“). Alternativ kön- nen auch nur Eingangsdaten ohne Vorgabe von Ausgangsda- ten am Netzwerk angelegt werden. Das KNN kann dann in diesem Datensatz „Strukturen entdecken“ und Korrelationen sichtbar machen („unüberwachtes Lernen“).56
55 Angelehnt an Otte, S. 223, Abbildung 8.6.
56 Otte, S. 230.
2. Deep learning und convolutional neural networks Die Verbesserung der Rechenkapazitäten zur Verarbeitung großer Datenmengen ermöglichte das deep learning.57 Diese Technik wird vor allem bei der Computerbilderkennung so- wie der Analyse von Graphiken angewendet. Sie wurde zum ersten Mal im Jahr 2012 von Hinton beschrieben und basiert auf KNN, die mehrere, in Abbildung 2 durch „NZ“ darge- stellte Zwischenschichten aufweisen. Daneben bestehen die bei den deep learning-Verfahren eingesetzten Netzwerke aus ei- ner großen Zahl künstlicher Neuronen (bei dem von Hinton vorgestellten KNN sind es beispielsweise über 650000).58 Die Leistungsfähigkeit solcher KNN wird durch Verknüpfung mit „Faltungskernen“, auch Kernel-Funktionen genannt, ge- steigert. Diese sind mathematische Funktionen, die das KNN selbst „erlernt“. Das erhaltene Netzwerk wird convolutional neu- ral network „(CNN)“ genannt und stellt eine mathematische Abstraktion biologischer Vorgänge dar, da es der Bildverar- beitung des menschlichen Gehirns ähnelt.59
3. Ergebnis
Die laut WIPO zurzeit „erfolgreichsten“ KI-Techniken, KNN und deep learning, sind demnach sehr komplexe Verfah- ren, die den Einsatz hoher Rechenleistung erfordern und erst durch die Verfügbarkeit großer Datenmengen ermöglicht wurden.
Für die patentrechtliche Beurteilung ist entscheidend, dass beide rein mathematische Verfahren sind und keine techni- schen Merkmale aufweisen. Die KNN sind mathematische Funktionen, welche ein Netzwerk aus Neuronen simulieren,
57 Otte, S. 261 ff.
58 Krizhevsky/Sutskever/Hinton, Advances in Neural Information Processing Systems 25 (2012); DOI: 10.1145/3065386.
59 Otte, S. 267, 268.
und die CNNs als Repräsentanten des deep learning beruhen auf der zusätzlichen Kombination von KNN mit mathemati- schen Faltungsoperatoren.
Dieser Befund trifft auf zwei weitere KI-Techniken zu, die in den aktuellen Patenten und Patentanmeldungen ebenfalls verbreitet sind:60 Die Verfahren der fuzzy logic behandeln die mathematische Verarbeitung von relativen Begriffen,61 wäh- rend Expertensysteme Strukturen zur Speicherung und Ver- arbeitung von Wissen sind.62
Zur materiellrechtlichen Betrachtung dieser grundlegenden, rein mathematischen KI-Techniken ist es sinnvoll, diese ent- sprechend den Einteilungen in der Literatur (siehe Abschnitt B.II.3) in einer eigenen Kategorie zu behandeln.
Neben dieser ersten Kategorie ist jedoch im Unterschied zu den bisherigen Vorschlägen nur eine weitere nötig. Die Erfin- dungsgegenstände dieser zweiten Kategorie zeichnen sich dadurch aus, dass sie neben der „KI-Technologie als solchen“
technische Merkmale aufweisen. Diese Einteilung vermeidet Unklarheiten und Überschneidungen, wie sie für die in der Literatur vorgeschlagenen Kategorisierungen diskutiert wur- den [siehe Abschnitt B.II.3.d)].
In dieser Arbeit wird zur materiellrechtlichen Betrachtung KI-bezogener Erfindungsgegenstände demnach die folgende Kategorisierung verwendet:
Kategorie I: Patente, die KI-Techniken als solche betreffen.
Diese Kategorie umfasst die grundlegenden Verfahren der KI, vor allem KNN, SVM, deep learning etc., die an sich keine technischen Merkmale aufweisen.
60 WIPO Technology Trends, S. 25.
61 Lämmel/Cleve, S. 103 ff.
62 Otte, S. 95.
Kategorie II: Patente, die technische Anwendungen oder technische Verwendungen der KI betreffen. Unter diese Ka- tegorie sollen sämtliche Erfindungsgegenstände eingeordnet werden, welche zusätzliche technische Merkmale umfassen und über die bloße KI-Technik als solche hinausgehen. Ein solcher technischer Beitrag ist nicht weiter beschränkt und kann sich beispielsweise durch die Anwendung auf einem be- stimmten technischen Gebiet oder aus der Verarbeitung von Daten, die in einem technischen Verfahren oder bei der Vermessung der Welt erhalten wurden, ergeben.
II. Patentierbarkeit von KI
1. Europäisches Patentübereinkommen
Die Prüfung der Patentierbarkeit KI-bezogener Erfindungs- gegenstände gemäß dem Europäischen Patentübereinkom- men („EPÜ“) erfolgt, wie bei jeder Erfindung, anhand Arti- kel 52 EPÜ.
Nach Artikel 52 Absatz 1 EPÜ werden Europäische Patente
„für Erfindungen auf allen Gebieten der Technik erteilt, sofern sie neu sind, auf einer erfinderischen Tätigkeit beruhen und gewerblich anwend- bar sind“.
Demgegenüber schränkt Artikel 52 Absatz 2 lit. a und lit c.
EPÜ ein, dass „Entdeckungen, wissenschaftliche Theorien und ma- thematische Methoden“ bzw. „Programme für Datenverarbeitungsan- lagen“ nicht als Erfindungen angesehen werden und somit von der Patentierbarkeit ausgeschlossen sind. Dieser Patentierbar- keitsausschluss ist wiederum eng auszulegen und steht laut Artikel 52 Absatz 3 EPÜ der Patentierbarkeit entsprechender Gegenstände und Tätigkeiten nur insoweit entgegen, „als sich die europäische Patentanmeldung oder das europäische Patent auf diese Gegenstände oder Tätigkeiten als solche bezieht“.
a) Patentierung von KI „als solcher“
Die jüngste Ausgabe der Prüfungsrichtlinien des EPA vom November 2019 gibt allgemeine Hinweise zur Patentierbar- keit KI-bezogener Erfindungen.
Darin wird die unter Abschnitt C.I.3 dieser Betrachtung ge- zogene Schlussfolgerung bestätigt, dass die grundlegenden KI-Techniken und insbesondere maschinelles Lernen mathe- matische Methoden als solche darstellen und von der Paten- tierbarkeit ausgeschlossen sind.63 Diese Feststellung gilt auch für die in der WIPO-Studie als wichtige KI-Techniken her- vorgehobenen KNN, SVMs und Kernel-Regressionen.64 Die Richtlinien führen dazu aus, dass Ausdrücke wie „künstliches neuronales Netz“ oder „support vector machine“ Technizität zwar vermuten lassen, es in Wirklichkeit aber abstrakte ma- thematische Modelle sind, die auf Grundlage von Artikel 52 Absatz 2 lit. a EPÜ in Verbindung mit Artikel 52 Absatz 3 EPÜ vom Patentschutz ausgenommen sind.
In den Richtlinien wird der Patentierungsausschluss KI-bezo- gener Erfindungen aber nicht nur mit ihrer Eigenschaft als mathematischer Methode als solche, sondern auch mit ihrem mangelnden technischen Charakter begründet. Diese Sicht- weise stellt somit auf die Nichterfüllung eines der Patentier- barkeitserfordernisse des Artikels 52 Absatz 1 EPÜ ab.65 Ménière und Pihlajamaa beziehen sich schließlich auf eine dritte gesetzliche Grundlage: Artikel 52 Absatz 2 lit. c EPÜ enthält einen Patentierbarkeitsausschluss für Computerprogramme als solche, den die Autoren auf die Fälle anwenden, in denen ein KI-Verfahren in Form computerausführbarer Anweisun- gen beansprucht wird.66
63 EPA-Richtlinien, G-II-3.3.1, 1. Absatz unter Verweis auf G-II-3.3.
64 WIPO Technology Trends, S. 24.
65 EPA-Richtlinien, G-II-3.3, 2. Absatz.
66 Ménière/Pihlajamaa, GRUR 2019, S. 332, 334.
In Anbetracht dieser nicht klar getrennten Begründungen für die Nichtpatentierbarkeit KI-bezogener Erfindungen fragt sich, welche die überzeugendste ist.
Bezüglich der Frage, ob eine Einordnung als Computerpro- gramm oder mathematischer Methode zutreffender ist, wurde schon von Von Hellfeld bemängelt, dass der Ausdruck „als sol- cher“ bezogen auf ein Computerprogramm eine Leerformel ist und nicht einmal eine Unterscheidung zwischen techni- schen und nicht technischen Merkmalen erlaube. Der Autor sieht in einem Computerprogramm nichts anderes als die
„computergerechte Formulierung eines Algorithmus“.67 Dies bestäti- gen Schwarz und Kruspig, die ein Programm als „die Formulierung eines Algorithmus und der zugehörigen Datenstrukturen, sowie die Dar- stellung von Prozessen und Objekten in einer bestimmten Programmier- sprache“ definieren.68 Ein Algorithmus ist dabei von abstrak- ter, mathematischer Natur. Herberger beschreibt ihn als Basis der KI.69 Er ist eine Folge von Handlungsanweisungen, um ein formales Problem zu lösen, und muss gewisse Vorausset- zungen erfüllen, um als Algorithmus im Sinne der Informatik zu gelten, nämlich finit, deterministisch und effizient sein.70 Von Hellfeld stimmt zu, dass der Zusatz „als solcher“ in Bezug auf mathematische Methoden sinnvoll ist, da man den Unter- schied zwischen einer mathematischen Methode, wie zum Beispiel der Fourier-Transformation, und ihrer technischen Anwendung, beispielsweise in einem NMR-Spektrometer oder einem IR-Spektrometer, unmittelbar versteht.71
67 Von Hellfeld, GRUR 1989, S. 471, 476.
68 Schwarz/Kruspig, S. 17, Rn. 55.
69 Herberger, NJW 2018, S. 2825, 2827.
70 Ory/Sorge, NJW 2019, S. 710; siehe auch Fn. 68.
71 Von Hellfeld, GRUR 1989, S. 471, 475.
Die Begründung des Ausschlusses der diskutierten KI-Tech- niken „als solche“ mit dem Ausschluss mathematischer Me- thoden gemäß Artikel 52 Absatz 2 lit. a EPÜ in Verbindung mit Artikel 52 Absatz 3 EPÜ ist deshalb überzeugend.
Dies trifft gerade auf maschinelles Lernen und deep learning zu, die auf mathematische Optimierungsfunktionen beim Trai- nieren eines KNN bzw. die mathematische Kombination ei- nes KNN mit Faltungsoperatoren zu einem CNN beruhen.
Im Kern handelt es sich somit um Rechenvorschriften, die zwar eine hohe Rechnerkapazität erfordern, aber im Prinzip gedanklich durchgeführt werden können.72 Der mangelnde technische Charakter einer KI-bezogenen Erfindung als sol- cher ist dabei ein Aspekt ihrer Eigenschaft als mathematische Methode „als solche“. Die Frage, ob der Patentierungsaus- schluss aufgrund dieser Eigenschaft „oder“ dem Mangel an Technizität greift, konstruiert damit einen Gegensatz, der nicht existiert. Vielmehr bedingt die Eigenschaft, dass es sich um eine mathematische Methode als solche handelt, das Feh- len technischer Merkmale, und sie korrespondiert unmittelbar damit. Mellulis betont richtig, dass nicht die Tatsache, dass es sich um einen abstrakten Gedanken handelt, den Patent- schutz ausschließt, sondern vielmehr die dadurch bedingte Abwesenheit technischer Merkmale.73
Diese Wechselwirkung scheint selbstverständlich. Sie gilt aber nur für die Betrachtungsweise gemäß EPÜ, nicht jedoch in dem von der deutschen Rechtsprechung gemäß PatG entwi- ckelten Verständnis [diskutiert in Abschnitt C.II.2.a).aa)].
72 Da diese Operationen auch gedanklich, gegebenenfalls mit „Papier und Bleistift“, durchgeführt werden können, könnte ein Ausschluss auch mit Artikel 52 Absatz 2 lit. c EPÜ begründet werden, vgl. EPA Entschei- dung vom 22.2.2019 - T 489/14, BeckRS 2019, 6185, Punkt 33.
73 Benkard/Melullis, EPÜ, Art. 52, Rn. 236, letzter Satz.
