人工智能 (AI) 正在迅速成为我们日常生活的一部分,影响着我们与技术和周围世界的互动方式。人工智能最重要的用途之一是发明。专利制度的一个基本目标是公开技术,以便随着时间的推移,公共领域可以得到丰富,人类技术的系统记录可供使用和获取。同时,由于人工智能的突破,专利制度在公开充分性方面面临着巨大挑战。为了复制,有必要公开和解释人工智能及其生成的结果。然而,尽管我们的日常生活取得了突破,但使用基于人工智能的发明的一个关键障碍是,由于它们的黑箱性质,它们往往缺乏清晰度。同时,一些人工智能发明或人工智能技术可能需要额外的特定数据集才能公开。这里的主要问题是,专利申请中必须披露哪些信息,以便发明人获得垄断权,公众可以从发明中受益?
22) 国际许可平台 - 蔬菜 (ILP; http://www.ILP-vegetable.org) 于 2014 年启动,允许以“公平合理的成本”获得专利植物性状,该成本由独立专家委员会根据棒球仲裁确定。该平台为使用受专利保护的美国品种进行育种提供了全球解决方案,包括相互不主张。它还包括在这些性状不被视为转基因的国家/地区的 NGT 衍生性状专利。参见 MA Kock 和 F ten Have 的““国际许可平台 - 蔬菜”:生命科学行业专利清算所的原型”,(2016) 11(7) 知识产权法律和实践杂志。可从以下网址获取:https://ilp-vegetable.org/uploads/Bestanden/News/Article%20ILP%20Journal%20of%20Intellectual%20Property%20Law%20&% 20Practice%202016.pdf。
一般而言,专利是一种具有法律上可执行的排他权的公共资产,只要支付大量费用并且侵权行为可检测,专利就相对容易货币化和保护。相比之下,商业秘密的获取和维护成本低廉,可能具有无限的使用寿命,并且只需要保持信息的保密性。但是,其可执行性仅限于防止他人通过不正当手段获取信息。因此,可以根据专利和商业秘密的优缺点来评估每项创新的各个方面,以便为创新的每个方面采用最有价值的策略。以下是利用这两种知识产权策略来保护权利并最大化创新价值的指南。
申请人姓名 (71) 文件编号(11) 文件编号 (11) 分配给申请 g 的编号 (21) 已接受文件的编号 (10) 申请日期 (22) 分配给申请 g 的编号 (21) 标题 (54) 申请日期 (22) 分类标记 (51) 标题 (54) 优先权文件号 (31) 分类标记 (51) 优先权文件提交日期 (32) PCT 公开号 (87) 提交优先权文件的国家 (33) 优先权文件号 (31) 未审查文件的公布日期 (43) 提交优先权文件的日期 (32) 发明人姓名(如果已知) (72) 提交优先权文件的国家 (33) 专利律师 (74) 未审查文件的公布日期 (43)
商品和服务的开发和生产通常受制于大量技术标准。从支付系统到门框或自动驾驶汽车的规格,工业化社会在经济的每个领域都严重依赖技术标准。通过定义一套通用的规则、指南和规格,标准化可以保证设备的互操作性、输入的兼容性或产品的安全性和质量,从而使生产者和消费者都受益。技术标准化本质上涉及选择一种技术而不是其他技术,因为它旨在确保每个行业内最佳技术和实践的广泛传播。这是通过要求行业参与者遵守一套共同的规则来实现的,从而限制可能不兼容的替代方案的扩散。
申请人姓名 (71) 文件编号 (11) 文件编号 (11) 申请编号 (21) 已接受文件编号 (10) 申请日期 (22) 申请编号 (21) 标题 (54) 申请日期 (22) 分类标记 (51) 标题 (54) 优先权文件编号 (31) 分类标记 (51) 优先权文件提交日期 (32) PCT 公布号 (87) 提交优先权文件的国家 (33) 优先权文件编号 (31) 未审查文件的公布日期 (43) 提交优先权文件的日期 (32) 发明人姓名(如果已知) (72) 提交优先权文件的国家 (33) 专利律师 (74) 未审查文件的公布日期 (43)
Claude DIEBOLT 1 & Karine PELLIER 摘要:本文研究了法国、德国、日本、英国和美国的专利结构和空间动态。时间序列摘录自一个国际比较历史数据库,该数据库涵盖了 40 个国家从 17 世纪到 1945 年以及 150 多个国家从 1945 年到现在的专利长期演变情况(Diebolt and Pellier,2010 年)。我们发现了强有力的证据,证明不频繁的大型冲击主要源于 20 世纪两次世界大战造成的重大经济和政治事件。我们的研究结果对自主过程,即专利制度的内部动态提出了质疑。战争似乎推动了创新,并最终推动了经济增长过程本身。我们通过专利与人均 GDP 之间的因果关系分析,进一步研究了创新在经济增长中的作用。我们的主要研究结果支持了这样的假设:创新的积累仅仅是二战后法国、英国和美国的驱动力。
∗ We are grateful to Daron Acemoglu, Philippe Aghion, David Autor, Effi Benmelech, Nicholas Bloom, Carter Braxton, Julieta Caunedo, Martin Beraja, Carola Frydman, Tarek Hassan, David Hemous, Anders Humlum, Nir Jaimovich, David Lagakos, Joseba Martinez, Michael Peters, Pascual Restrepo, Jonathan Rothbaum, Miao Ben Zhang, along with seminar participants at University of Amsterdam, BI-SHoF Conference, Boston University, CIREQ Macroeconomics Conference, Columbia GSB, FIRS, Johns Hopkins, HKUST, Labor and Finance Group, NBER (EFG, PRMP, LS, PIE), Macro-Finance Society, MIT Sloan,密歇根州立大学,赖斯大学,罗切斯特大学,伦敦大学学院经济动态学会,伊利诺伊大学乌尔巴纳·尚特阿布恩大学,多伦多大学,多伦多大学,UZH Automation,Tsinghua PBC,WFA,WFA和沃顿大学的UZH工作室,以进行宝贵的讨论和反馈。我们感谢Carter Braxton,Will Cong和Jonathan Rothbaum慷慨地共享代码。Huben Liu提供了出色的研究支持。该论文先前曾以“技术,特定的人力资本和劳动力流离失所:将专利与职业联系起来的证据”标题。The Census Bureau has reviewed this data product to ensure appropriate access, use, and disclosure avoidance protection of the confidential source data used to produce this product (Data Management System (DMS) number: P-7503840, Disclosure Review Board (DRB) approval numbers: CBDRB-FY21-POP001-0176, CBDRB- FY22-SEHSD003-006, CBDRB-FY22-SEHSD003-023,CBDRB-FY22-SEHSD003-028,CBDRB-FY23-SEHSD003-0350,CBDRB-FY23-SEHSD003-0003-064)。
技术预测研究是掌握技术发展趋势、为科研管理提供决策支持不可或缺的手段。对于专利文献而言,其并未提供关键词信息,使得基于关键词的技术预测方法在揭示特定领域的研究内容和隐藏主题方面存在一定的局限性。为了更好地体现专利中的技术信息,本文结合主题分析与社会网络分析对基因编辑技术的发展趋势进行了研究。首先,从Derwent Innovations Index中收集基因编辑技术专利数据。其次,采用文本挖掘软件绘制主题词网络图,结合逆文档频率(IDF)构建加权邻接矩阵,并利用社会网络分析获得技术主题词的中心度。最后,通过识别基因编辑的核心主题、凸显主题和新兴主题,探究基因编辑技术的技术趋势,并得到一些有意义的结论。基于分析结果,本研究发现基因编辑技术的发展受到伦理、法律、细胞污染等因素的制约。此外,未来的研究方向将更加倾向于优化基因编辑技术的安全性和效率。
申请人姓名 (71) 文件编号 (11) 文件编号 (11) 申请编号 (21) 已接受文件编号 (10) 申请日期 (22) 申请编号 (21) 标题 (54) 申请日期 (22) 分类标记 (51) 标题 (54) 优先权文件编号 (31) 分类标记 (51) 优先权文件提交日期 (32) PCT 公开号 (87) 提交优先权文件的国家 (33) 优先权文件编号 (31) 未审查文件的公布日期 (43) 提交优先权文件的日期 (32) 发明人姓名(如果已知) (72) 提交优先权文件的国家 (33) 专利律师 (74) 未审查文件的公布日期 (43)