生成AIが書いた特許明細書（猫用自動給餌装置）

　生成AIは（特にここ数カ月で）著しく進化しているようです。試しに、最新のAIに特許明細書を書かせてみました。

　AIによる明細書作成の実験するためには、何らかの発明をしなくてはいけません。何かいいネタはないかと家の中を見渡すと、猫用の自動フードフィーダーがあります。定められた時間に定められた量の餌をトレイに供給するデバイスです。我が家の猫は食欲にムラがあります。餌が足りなくては猫が可哀そうだろうと供給量を多めに設定すると、猫が餌を食べきらないうちにどんどん餌が追加されて……となかなか設定が難しく、結局使わなくなりました。

　そこで、給餌の量を自動調整する装置を思いつきました。もちろん実験用の発明です。本気で出願するつもりはありません（そもそも、自動的に餌が出てくるとなると、我が家の猫は、益々飼い主に感謝しなくなるので、この発明には根本的な欠陥があります）。

　今回の実験では、Google Gemini 2.5pro Deep Researchに以下のような（かなり雑な）プロンプトを入力しました。

###プロンプト

以下の情報から、特許庁に提出する特許出願書類を作成してください。

【発明の名称】 猫用自動給餌装置

【技術分野】 猫用自動給餌装置

【背景技術】 家畜用、ペット用の自動給餌装置

【発明が解決しようとする課題】 餌の量の調整が難しい

【特許請求の範囲】 餌の容器をカメラで常時撮影し、餌の量をAIで分析し、猫が餌を食べるペースを算出し、適切な量の餌を適切な時間に供給する。

###

　このプロンプトを受けて、Geminiは、まず、アクセス可能なウェブサイトから先行技術を調査し、既存技術を把握したと答えます。

　次に、Geminiは、「食事のペースをリアルタイムに分析し、次の給餌計画に動的に反映させる機能について、明確に言及している既存製品や特許は見当たりませんでした。この点が、発明の新規性・進歩性を示す重要なポイントであると考えています。」と発明に新規性がありそうだと答え、さらにこの点に絞って調査を続け、最終的に以下のような明細書を作成しました。

　AIの思考プロセスや明細書の評価については、長くなるので次のブログに書きます。

###以下、Geminiの出力

猫用自動給餌装置に関する特許出願書類

【書類名】 特許願

【提出日】 令和XX年XX月XX日

【あて先】 特許庁長官 殿

【発明の名称】 猫用自動給餌装置

【発明者】

【住所又は居所】 (発明者の住所を記載)

【氏名】 (発明者の氏名を記載)

【特許出願人】

【識別番号】 (未取得の場合は記載不要)

【住所又は居所】 (出願人の住所を記載)

【氏名又は名称】 (出願人の氏名又は法人名を記載)

【代表者】 (法人の場合、代表者の役職と氏名を記載)

【提出物件の目録】

【物件名】 特許請求の範囲 １

【物件名】 明細書 １

【物件名】 図面 １

【物件名】 要約書 １

【特許請求の範囲】

【請求項１】

餌を貯留する餌リザーバと、

前記餌リザーバから供給される餌を受ける餌ボウルと、

前記餌ボウルを撮像するように向けられた撮像装置と、

前記撮像装置に動作可能に接続されたデータ処理部と、

前記データ処理部によって実行されたときに、前記装置に、

前記餌ボウルの時系列画像を撮像するステップと、

前記時系列画像を第１の人工知能モデルで処理して、前記ボウル内の餌の時系列の体積推定値を生成するステップと、

所定の期間にわたる前記餌の体積推定値の変化に基づいて、餌の消費ペースを算出するステップと、

決定された量の餌を決定された将来の時刻に供給するように分注機構を制御するステップと、を実行させる命令を格納する非一時的なコンピュータ可読記憶媒体と、

を備え、

前記決定された量および前記決定された将来の時刻は、少なくとも部分的に、算出された前記餌の消費ペースに基づくことを特徴とする、猫用自動給餌装置。

【請求項２】

前記餌の体積推定値を生成するための前記第１の人工知能モデルは、撮像された２次元画像から３次元再構成を実行し、体積が算出される餌の３次元表現を生成するように構成されている、請求項１に記載の装置。

【請求項３】

前記命令は、前記装置にさらに、

前記時系列画像を第２の人工知能モデルで処理して、猫の給餌関連行動を識別および分類するステップと、

分類された前記給餌関連行動を、算出された前記餌の消費ペースと相関させて、行動給餌プロファイルを生成するステップと、

を実行させる、請求項１または２に記載の装置。

【請求項４】

前記量および前記将来の時刻の決定は、強化学習モデルによって実行され、該強化学習モデルは、目標とする猫の体重の維持、餌の廃棄の最小化、および所定の特定の負の給餌行動の発生回数の最小化からなる群から選択される１つ以上のパラメータに基づく報酬関数を最適化するように訓練される、請求項１、２、または３に記載の装置。

【請求項５】

前記餌ボウルの質量を測定するように配置された重量センサをさらに備え、

前記命令は、前記装置にさらに、

推定された前記餌の体積を、前記重量センサからの測定された餌の質量と組み合わせて、餌の密度値を算出するステップと、

を実行させる、請求項１から４のいずれか一項に記載の装置。

【請求項６】

複数の個々の猫を識別するように構成されたペット識別モジュールをさらに備え、

前記餌の消費ペース、前記行動給餌プロファイル、および分注スケジュールは、識別された各猫について個別に維持される、請求項１から５のいずれか一項に記載の装置。

【明細書】

【発明の名称】

猫用自動給餌装置

【技術分野】

本発明は、自動ペット給餌装置に関する。より具体的には、人工知能およびコンピュータビジョンを利用して給餌行動を分析し、パーソナライズされた栄養管理のために給餌スケジュールを動的に適応させる、猫用のインテリジェント給餌装置に関する。この技術は、「ペットテック」または「スマートペット」デバイスとして知られる成長分野に属する 1。

【背景技術】

飼いペット、特に猫の世話は、著しい技術的進歩を遂げてきた。飼い主は、不在時であっても、ペットの適切な栄養と世話を確保するための解決策をますます求めるようになっている 3。これにより、様々な自動給餌装置が開発されてきた。

このような装置の第一世代は、単純なタイマーベースの給餌器で構成される。これらのシステムは、事前にプログラムされた時刻に、あらかじめ設定された量の餌を分注する。基本的な自動化は提供するものの、静的であり、猫の日々の食欲や活動レベルの変動に適応することはできない。

第二世代では、接続性と遠隔監視機能が導入された。「Petoneer Nutri Vision」 4 やその他の製品 3 はカメラを内蔵し、飼い主が遠隔でペットの様子を確認し、スマートフォンアプリを介して手動で給餌を指示することを可能にする。これらのシステムは安心感を提供するが、インテリジェントな意思決定については依然として飼い主に依存している。AIが存在する場合でも、その機能は通常、アラートのための基本的な動作検知に限定されている 8。

より高度なシステムは、消費量監視の問題に取り組もうと試みてきた。例えば、一部の給餌器は、装置のプラットフォームやボウルに統合された重量センサを使用して、ペットがどれだけの餌を食べたかを測定する。「PETGUGU」給餌器はその顕著な例であり、食べ残した餌の重量を測定し、そのデータをユーザーのアプリに報告することができる 10。同様に、米国特許US20100263596A1 11 は、ペットが体重計に乗ると、そのペットの体重に基づいて餌の量が計算されるシステムを開示している。これらのシステムは反応的であり、何が

起こったかを報告することはできるが、消費のパターンに基づいて将来の給餌を調整する予測能力を欠いている。

他のシステムは、多頭飼いの家庭において、特定のペットが特定の食事を確実に摂取できるようにするために、例えば「顔認識」 12 やマイクロチップリーダー 13 を介したペット識別技術にAIを利用している。「HHOLOVE O SITTER」 14 のように、ペットの活動のビデオハイライトを作成するためにAIを使用するものもあるが、これは娯楽と一般的な監視を目的としており、給餌ロジック自体の直接的な制御を目的としたものではない。

表1：給餌システム技術の比較

特徴	従来型タイマー式給餌器 (例: Petoneer 4)	残餌検知機能付き先行技術 (例: PETGUGU 10, US20100263596A1 11)	本発明
検知方法	貯蔵タンク内の餌レベルセンサ。	餌ボウルまたはプラットフォーム下の重量センサ（ロードセル）。	餌ボウルの時系列画像を取得する撮像装置（カメラ）。
分析データ	なし（設定量を分注）。	残餌の総重量、ペットの体重。	餌の体積（3D再構成による）、形状、時間経過に伴う消費ペース、および関連する給餌行動。
給餌ロジック	静的（固定スケジュールと量）。	反応的（残餌量を報告、単純な規則に基づき次回の食事を計算する場合がある）。	予測的・適応的（食事ペースを算出し、行動を分析して、将来の給餌量とタイミングを動的にモデル化し調整する）。
コア技術	機械式タイマーと分注器。	ロードセル、マイクロコントローラ、モバイルアプリケーション。	人工知能（画像ベースの3D体積推定、行動パターン認識、スケジュール最適化のための強化学習）。

【発明が解決しようとする課題】

背景技術で示されるように、既存の自動給餌器は、個々の猫の動的な生理学的および行動的状態に真にパーソナライズし、適応する能力を欠くという決定的な限界に悩まされている。猫の食欲は一定ではなく、活動レベル、健康状態、ストレス、さらには周囲の温度によっても影響を受ける可能性がある。

静的なタイマーは、過剰または過少な給餌につながり、肥満 15 などの健康問題の一因となったり、動物に苦痛を与えたりする可能性がある。単に残餌を測定するだけの反応的なシステムは、解釈と行動の負担を飼い主に戻してしまう。例えば、それらのシステムは、空腹でない猫と、医学的な問題のために食べることができない猫とを区別することができない。

したがって、猫の実際の消費パターンを自律的に詳細に監視し、これらのパターンから学習し、適切な量の餌を適切な時間に提供するために給餌スケジュールを積極的に調整することで、より良い健康を促進し、餌の廃棄を減らし、飼い主にペットの幸福に関するより深く、実用的な洞察を提供する自動給餌装置が求められている。

【課題を解決するための手段】

前述の課題を解決するため、本発明は、特許請求の範囲で定義される自動給餌装置を提供する。要約すると、本装置は、カメラ、プロセッサ、および命令を格納するメモリを備える。プロセッサはこれらの命令を実行し、AIモデルを使用して一連の餌ボウルの画像を分析し、餌の体積を推定する。時間経過に伴う体積の変化から、消費ペースが算出される。猫の食欲と食事ペースの代理指標として機能するこのペースは、その後の給餌のタイミングと量を決定するための主要な入力として使用され、真に適応的でインテリジェントなシステムを創出する。

【発明の効果】

本発明は、いくつかの重要な利点を提供する。猫の食事ペースに動的に調整することにより、パーソナライズされた栄養を確保し、肥満および関連する健康障害の予防に貢献する 15。猫が食べそうにない餌の分注を避けることにより、餌の廃棄を削減する。さらに、消費パターンと関連する行動を分析することにより、本システムは潜在的な健康問題の早期警告を提供することができ（例えば、消費ペースの急激な低下は病気を示唆する可能性がある）、給餌器を積極的な健康監視ツールへと変革する 16。

【図面の簡単な説明】

【図１】本発明の一実施形態に係る自動給餌装置の斜視図である。

【図２】図１の装置のハードウェア構成要素を示す概略ブロック図である。

【図３】装置内のソフトウェアモジュールとデータフローを示す機能ブロック図である。

【図４】画像ベースの体積推定と消費ペース算出のプロセスを示すフローチャートである。

【図５】強化学習モデルに基づく適応的スケジューリングモジュールの動作を示す状態遷移図である。

【図６】カメラと重量センサからのデータ融合を組み込んだ代替実施形態を示すフローチャートである。

【発明を実施するための形態】

システムアーキテクチャ（図１、図２）

本装置（100）は、主筐体（10）、透明または半透明の餌リザーバ（20）、餌ボウル（30）、および制御ユニットを含む。カメラ（40）は、餌ボウル（30）の内部を明確かつ遮るものなく視認できるように配置される。カメラは、十分な解像度（例：1080p HD 9）を持つ標準的なRGBカメラであり、低照度条件下で機能するために暗視機能（例：赤外線LED）を含むことができる 4。データ処理部（50）は、マイクロプロセッサまたはシステムオンチップ（SoC）であり、カメラ（40）、メモリ（60）、分注機構（70）、およびユーザーのデバイス（例：スマートフォン）との通信のためのネットワークインターフェース（80）に接続される。

画像ベースの体積推定モジュール（図３、図４）

消費分析の中核は、２次元画像からボウル内の餌（例：ドライフード）の体積を正確に推定する能力である。これは、ドライフードの不規則な形状と山積みのために、簡単なコンピュータビジョン問題ではない。プロセスは、一連の画像を撮像することから始まる。まず、畳み込みニューラルネットワーク（CNN）などの餌セグメンテーションモデルが画像に適用され、餌に対応するピクセルをボウルや背景から分離するバイナリマスクを作成する 19。餌がセグメント化されると、３次元再構成技術が採用される。一つの好ましい実施形態では、Structure-from-Motion（SfM）またはNeural Radiance Fields（NeRF）ベースのアプローチが利用される 20。猫が動く際に短いビデオまたは複数の静止画を撮像することにより、システムは３次元ジオメトリを推測することができる。最近の学術研究「VolE: A Point-cloud Framework for Food 3D Reconstruction and Volume Estimation」 20 は、実現可能な方法を記述している。このフレームワークは、画像とカメラの位置から餌の３次元点群を生成する。この点群の体積は、その後計算することができる。このシステムは高い精度（例：低い平均絶対パーセント誤差）を達成する 23。このプロセスは、体積データ点

V(t) の時系列を生成するために時間経過と共に繰り返される。

消費ペースと行動分析（図３）

餌の消費ペース R は、時間に対する体積の変化として算出される：R=(V(t1​)−V(t2​))/(t2​−t1​)。このペースは、猫の食事の強度を示す強力で客観的な指標である。好ましい実施形態では、同じ画像ストリームが第２のAIモデルである行動分類器に入力される。このモデルは、YOLO（You Only Look Once）アーキテクチャ 24 に基づく可能性があり、「食事中」「飲水中」「餌の匂いを嗅ぐ」「立ち去る」などの猫の行動を検出し分類するように訓練される。その後、システムは算出された消費ペース R と同時の行動とを相関させる。例えば、「食事中」のフェーズにおける高いペース R の後に「立ち去る」という分類が続く場合、食事が完了したことを示す。長時間の「餌の匂いを嗅ぐ」フェーズにおけるゼロのペース R は、問題を示唆する可能性がある。このように、単に量を測定するだけでなく、行動の文脈を理解することで、より深い洞察が得られる。例えば、高い消費ペース R が「がつがつ食べる」行動と組み合わさっている場合と、低い R が「ためらいがちに足で触れる」行動と組み合わさっている場合とでは、意味が大きく異なる。前者はスローフィーダーボウルの必要性を示唆するかもしれないが、後者は歯の問題の可能性を示唆するかもしれない。この相関関係は、新規かつ非常に価値のある特徴である。

適応的スケジューリングモジュール（図５）

スケジューリングロジックは、強化学習（RL）エージェントとして実装される。この問題は、マルコフ決定過程（MDP）としてモデル化される 25。これは、システムが試行錯誤を通じて長期的な「報酬」を最大化することを学習する最適化問題である。このRLフレームワークは、静的な給餌器とは異なり、時間とともに学習し改善するシステムを定義するものであり、その実現可能性は、人間向けのパーソナライズされた食事計画にRLを使用した研究によって裏付けられている 25。

• 状態（S）: 現在の状況を表すベクトル。例：S=現在の餌の体積,最後の食事からの経過時間,最近の消費ペース,最近の行動プロファイル,猫の目標体重。

• 行動（A）: 行われるべき決定を表すベクトル。例：A=分注量,次の分注までの時間。

• 報酬（r）: エージェントにフィードバックを提供するスカラー値。報酬関数は本発明の重要な側面であり、設定可能である。例えば、食後にボウルが空になった場合（無駄がない）には正の報酬が与えられ、食後に「嘔吐」行動が検出された場合には大きな負の報酬が与えられる。RLエージェントの目標は、累積的な将来の報酬を最大化する方策 π(A∣S) を学習することである。

代替実施形態：重量センサとのデータ融合（図６）

別の実施形態では、装置（100）は、ボウル（30）を支持する基部に統合された重量センサ（90）をさらに含む。処理部（50）は、カメラからの体積推定値 V(t) と重量センサからの質量測定値 M(t) の両方を受け取る。次に、餌のかさ密度 ρ=M(t)/V(t) を算出する。この密度値は、餌の品質を監視するため（例：水分吸収による古さの検出）、または異なる密度の様々な種類のドライフードに対してシステムを自動的に較正するために使用でき、栄養管理の精度をさらに向上させる。このアプローチは、カメラベースの体積推定と重量ベースの質量測定という２つの異なるセンサーモダリティを組み合わせることで、単独では不可能な新しい能力を生み出す。これにより、飼い主が誤って異なる（例えば、より高カロリーの）餌をリザーバに補充した場合や、餌が湿気を吸って古くなった（密度が変化した）場合を検知できる可能性がある。これは、中核となるアイデアの強力かつ非自明な拡張である。

【要約書】

【課題】猫の変動する食欲や食事ペースに動的に適応できず、過剰または過少な給餌につながる可能性がある、従来の自動給餌装置の限界を克服すること。

【解決手段】餌ボウル（30）を常時撮像するカメラ（40）と、データ処理部（50）を備える猫用自動給餌装置（100）。前記データ処理部は、撮像された時系列画像を人工知能モデルで処理し、ボウル内の餌の体積を推定する。時間経過に伴う体積の変化から、猫の食事ペースが算出される。この算出されたペースに基づき、強化学習モデルが将来の給餌量とタイミングを動的に決定し、分注機構（70）を制御する。これにより、個々の猫の食欲に合わせたパーソナライズされた栄養管理が実現される。さらに、行動分析AIを組み合わせることで、食事行動の文脈を理解し、健康状態の監視も可能となる。

【選択図】図３

【図面】

【図１】

（本発明の一実施形態に係る自動給餌装置の斜視図のプレースホルダー）

【図２】

（図１の装置のハードウェア構成要素を示す概略ブロック図のプレースホルダー）

【図３】

（装置内のソフトウェアモジュールとデータフローを示す機能ブロック図のプレースホルダー）

【図４】

（画像ベースの体積推定と消費ペース算出のプロセスを示すフローチャートのプレースホルダー）

【図５】

（強化学習モデルに基づく適応的スケジューリングモジュールの動作を示す状態遷移図のプレースホルダー）

【図６】

（カメラと重量センサからのデータ融合を組み込んだ代替実施形態を示すフローチャートのプレースホルダー）