【日本首創（※1）】「不讓AI學習謊言」機制獲得專利。輸入的數據是否正確？「Multi-AI」事前審查攔截假數據。以專利解決全球AI開發者長期忽視的「入口缺陷」
Cycal Trust株式會社的「Multi-AI」事前審查機制獲得專利許可。該技術能在數據輸入AI前驗證其真實性，攔截惡意造假，從根本上解決數據中毒等AI開發的底層缺陷。
📋 文章處理履歷
- 📰 發表: 2026年4月22日 04:11
- 🔍 收集: 2026年4月23日 01:01（發表後20小時50分鐘）
- 🤖 AI分析完成: 2026年4月23日 02:37（收集後1小時35分鐘）
Cycal Trust株式會社（總部：東京都澀谷區，代表董事：須江剛，以下簡稱「Cycal Trust」）宣布，已就專利申請「特願：2025-049833」收到核准審定書（專利號碼待編配）。本專利的核心為「在數據集（訓練數據）被設定至AI並記錄之前，由『多個不同主體營運的AI（以下簡稱Multi-AI）』組成的合議機制，驗證其是否正確、真實且未混入惡意資訊的系統」，此技術將成為Cycal Trust專利組合的最新成員。
包含本案在內，Cycal Trust擁有多項與AI輸入數據等真實性保證相關的專利（目前仍積極持續申請中），並將推動此技術與分散式帳本技術（DLT）結合成為解決方案，與「ISO/TC307（區塊鏈與分散式帳本技術）」的國際標準化活動同步進行實作。
（※1）截至2026年4月21日，根據本公司針對日本國內公開之專利文獻、學術文獻以及企業與研究機構公布資料所進行的調查結果
第1章 全球AI共同面臨的結構性課題是什麼？
（1）
生成式AI、對話型AI、自動駕駛AI、醫療診斷AI及其他金融交易AI──這些看似屬於不同的技術領域，實際上卻存在著共同的結構性課題。
那就是「缺乏一個能系統性地驗證被多種AI記錄與學習的數據是否真實的機制」。
（2）
以具體實例說明。
① 自動駕駛領域
在自動駕駛領域，如果感測器數據遭到偽造，AI可能會避開不存在的障礙物，卻忽略真實存在的行人。然而在現階段，尚未建立起在數據從感測器傳遞給AI記錄之前，能機械化且標準化地審查數據真實性的機制。
② 醫療AI領域
在醫療AI領域，如果電子病歷遭到竄改，診斷的前提本身就會崩潰。儘管如此，在數據輸入AI的前置階段審查真實性的實用機制，至今仍未達到業界標準化。
③ 半導體供應鏈領域
在半導體供應鏈中，伴隨偽造的電子品質證明書（「eCOA」）流通的仿冒半導體，將成為經濟安全保障上的重大風險。在將品質數據等記錄到區塊鏈之前，判定該數據本身真偽的技術尚未標準化。
④ 生成式AI與AI代理的數據集（訓練數據）
關於生成式AI及AI代理的數據集（訓練數據），惡意第三方在其中混入造假數據的「數據中毒攻擊（Data Poisoning）」在國際上正日益增加，但在數據集投入前能自動判定其真實性的通用技術，就Cycal Trust所知，全球尚未有確立的先例。
⑤ 小結
這些都是同一課題的變體。雖然全球的研發投資都集中在「確保AI輸出正確」上，但對於「確認AI輸入是否正確」，至今為止的產業投入卻極為有限。
第2章 思維轉換 ── 不是「淨化污水」，而是「不讓污水流入」
一直以來，國際研發的重點都放在「提升AI輸出品質」上。抑制幻覺（AI的虛假輸出）、修正偏差、升級輸出過濾器──這些全都是在「受污染的水」流出後，才進行淨水處理的方法。
Cycal Trust的專利群所採用的，是與此完全相反的設計理念。也就是說，其方法並非「淨化污水」，而是「從一開始就不讓污水流入管線」。在數據記錄與學習之前，由「Multi-AI」作為合議機制審查數據的真實性，僅讓合格數據通過的「入口閘門」本身，已取得專利權利。
第3章 本專利的技術架構 ── 什麼是「Multi-AI」的合議審查？
本專利確立的機制由以下四個階段組成。
第1階段：數據取得
第2階段：「Multi-AI」的獨立審查（解決單點故障問題）
第3階段：合議制的加權審查
第4階段：合格判定
第4章 為什麼直到現在都沒人能解決這個問題？
這個領域的技術開發至今未有進展的背景，可以從結構上來解釋。
第一，AI產業的投資一直集中在「模型端」。更大規模的模型、更快的推論速度、更低的幻覺率──這些競
包含本案在內，Cycal Trust擁有多項與AI輸入數據等真實性保證相關的專利（目前仍積極持續申請中），並將推動此技術與分散式帳本技術（DLT）結合成為解決方案，與「ISO/TC307（區塊鏈與分散式帳本技術）」的國際標準化活動同步進行實作。
（※1）截至2026年4月21日，根據本公司針對日本國內公開之專利文獻、學術文獻以及企業與研究機構公布資料所進行的調查結果
第1章 全球AI共同面臨的結構性課題是什麼？
（1）
生成式AI、對話型AI、自動駕駛AI、醫療診斷AI及其他金融交易AI──這些看似屬於不同的技術領域，實際上卻存在著共同的結構性課題。
那就是「缺乏一個能系統性地驗證被多種AI記錄與學習的數據是否真實的機制」。
（2）
以具體實例說明。
① 自動駕駛領域
在自動駕駛領域，如果感測器數據遭到偽造，AI可能會避開不存在的障礙物，卻忽略真實存在的行人。然而在現階段，尚未建立起在數據從感測器傳遞給AI記錄之前，能機械化且標準化地審查數據真實性的機制。
② 醫療AI領域
在醫療AI領域，如果電子病歷遭到竄改，診斷的前提本身就會崩潰。儘管如此，在數據輸入AI的前置階段審查真實性的實用機制，至今仍未達到業界標準化。
③ 半導體供應鏈領域
在半導體供應鏈中，伴隨偽造的電子品質證明書（「eCOA」）流通的仿冒半導體，將成為經濟安全保障上的重大風險。在將品質數據等記錄到區塊鏈之前，判定該數據本身真偽的技術尚未標準化。
④ 生成式AI與AI代理的數據集（訓練數據）
關於生成式AI及AI代理的數據集（訓練數據），惡意第三方在其中混入造假數據的「數據中毒攻擊（Data Poisoning）」在國際上正日益增加，但在數據集投入前能自動判定其真實性的通用技術，就Cycal Trust所知，全球尚未有確立的先例。
⑤ 小結
這些都是同一課題的變體。雖然全球的研發投資都集中在「確保AI輸出正確」上，但對於「確認AI輸入是否正確」，至今為止的產業投入卻極為有限。
第2章 思維轉換 ── 不是「淨化污水」，而是「不讓污水流入」
一直以來，國際研發的重點都放在「提升AI輸出品質」上。抑制幻覺（AI的虛假輸出）、修正偏差、升級輸出過濾器──這些全都是在「受污染的水」流出後，才進行淨水處理的方法。
Cycal Trust的專利群所採用的，是與此完全相反的設計理念。也就是說，其方法並非「淨化污水」，而是「從一開始就不讓污水流入管線」。在數據記錄與學習之前，由「Multi-AI」作為合議機制審查數據的真實性，僅讓合格數據通過的「入口閘門」本身，已取得專利權利。
第3章 本專利的技術架構 ── 什麼是「Multi-AI」的合議審查？
本專利確立的機制由以下四個階段組成。
第1階段：數據取得
第2階段：「Multi-AI」的獨立審查（解決單點故障問題）
第3階段：合議制的加權審查
第4階段：合格判定
第4章 為什麼直到現在都沒人能解決這個問題？
這個領域的技術開發至今未有進展的背景，可以從結構上來解釋。
第一，AI產業的投資一直集中在「模型端」。更大規模的模型、更快的推論速度、更低的幻覺率──這些競