Cycal Trust株式会社（总部：东京都涩谷区，代表董事：须江刚，以下简称「Cycal Trust」）宣布，已就专利申请「特愿：2025-049833」收到核准审定书（专利号码待编配）。本专利的内核为「在数据集（训练数据）被设置至AI并记录之前，由『多个不同主体营运的AI（以下简称Multi-AI）』组成的合议机制，验证其是否正确、真实且未混入恶意信息的系统」，此技术将成为Cycal Trust专利组合的最新成员。 包含本案在内，Cycal Trust拥有多项与AI输入数据等真实性保证相关的专利（目前仍积极持续申请中），并将推动此技术与分布式帐本技术（DLT）结合成为解决方案，与「ISO/TC307（区块链与分布式帐本技术）」的国际标准化活动同步进行实作。 （※1）截至2026年4月21日，根据本公司针对日本国内公开之专利文献、学术文献以及企业与研究机构公布数据所进行的调查结果 第1章 全球AI共同面临的结构性课题是什么？ （1） 生成式AI、对话型AI、自动驾驶AI、医疗诊断AI及其他金融交易AI──这些看似属于不同的技术领域，实际上却存在着共同的结构性课题。 那就是「缺乏一个能系统性地验证被多种AI记录与学习的数据是否真实的机制」。 （2） 以具体实例说明。 ① 自动驾驶领域 在自动驾驶领域，如果传感器数据遭到伪造，AI可能会避开不存在的障碍物，却忽略真实存在的行人。然而在现阶段，尚未创建起在数据从传感器传递给AI记录之前，能机械化且标准化地审查数据真实性的机制。 ② 医疗AI领域 在医疗AI领域，如果电子病历遭到窜改，诊断的前提本身就会崩溃。尽管如此，在数据输入AI的前置阶段审查真实性的实用机制，至今仍未达到业界标准化。 ③ 半导体供应链领域 在半导体供应链中，伴随伪造的电子品质证明书（「eCOA」）流通的仿冒半导体，将成为经济安全保障上的重大风险。在将品质数据等记录到区块链之前，判定该数据本身真伪的技术尚未标准化。 ④ 生成式AI与AI代理的数据集（训练数据） 关于生成式AI及AI代理的数据集（训练数据），恶意第三方在其中混入造假数据的「数据中毒攻击（Data Poisoning）」在国际上正日益增加，但在数据集投入前能自动判定其真实性的通用技术，就Cycal Trust所知，全球尚未有确立的先例。 ⑤ 小结 这些都是同一课题的变体。虽然全球的研发投资都集中在「确保AI输出正确」上，但对于「确认AI输入是否正确」，至今为止的产业投入却极为有限。 第2章 思维转换 ── 不是「净化污水」，而是「不让污水流入」 一直以来，国际研发的重点都放在「提升AI输出品质」上。抑制幻觉（AI的虚假输出）、修正偏差、升级输出过滤器──这些全都是在「受污染的水」流出后，才进行净水处理的方法。 Cycal Trust的专利群所采用的，是与此完全相反的设计理念。也就是说，其方法并非「净化污水」，而是「从一开始就不让污水流入管线」。在数据记录与学习之前，由「Multi-AI」作为合议机制审查数据的真实性，仅让合格数据通过的「入口闸门」本身，已取得专利权利。 第3章 本专利的技术架构 ── 什么是「Multi-AI」的合议审查？ 本专利确立的机制由以下四个阶段组成。 第1阶段：数据取得 第2阶段：「Multi-AI」的独立审查（解决单点故障问题） 第3阶段：合议制的加权审查 第4阶段：合格判定 第4章 为什么直到现在都没人能解决这个问题？ 这个领域的技术开发至今未有进展的背景，可以从结构上来解释。 第一，AI产业的投资一直集中在「模型端」。更大规模的模型、更快的推论速度、更低的幻觉率──这些竞