This article is a summary and reconstruction of a research report submitted as a hardware architecture assignment during the author's master's studies in computer science. The core arguments remain valid today, and select content has been updated to reflect recent developments in the field.
1. Introduction: The Intelligence Explosion and the Structural Limits of Computing Infrastructure
Starting with GPT-3, AI entered what has been called an era of "intelligence explosion." But beneath this growth, computing infrastructure is showing structural limitations. Data throughput and energy consumption driven by AI demand are rising rapidly, while hardware advancement struggles to keep pace.
The numbers illustrate this imbalance clearly. Global data production is projected to reach 181 zettabytes (ZB) by 2025, and in 2020, data centers worldwide consumed 1.973 trillion kWh of energy — approaching half of the United States' total annual electricity consumption. The cost dimension is equally stark. Training GPT-3 on a single V100 GPU would take 355 years and approximately $4.6 million (based on three-year reserved cloud pricing). While hardware computational performance has tripled every two years, model size has grown 410-fold over the same period.
OpenAI has warned that if this trend continues, the cost of training LLMs by 2027 could approach U.S. GDP. Existing architectures alone cannot close this gap. The transition to "neuromorphic computing" — modeled after the human brain — is no longer a matter of technological choice, but a path that must be seriously pursued.
2. The Twilight of the Von Neumann Architecture: The Memory Wall and the Energy Efficiency Dilemma
The limitations of the Von Neumann Architecture — which has driven computing for decades — are now apparent. Its structure, which stores data and instructions separately and transfers them to a processing unit, has become a structural bottleneck under AI workloads.
The "Memory Wall" is the defining example. Over the past 20 years, maximum hardware computational capacity (FLOPS) increased 60,000-fold, while DRAM bandwidth and interconnect speed grew only 100-fold and 30-fold, respectively. The gap between compute speed and data movement speed has widened continuously over two decades.
Moore's Law — which relies on transistor miniaturization — has also reached its practical limits. Efficiently implementing non-volatile synaptic weights in CMOS-based digital circuits has become increasingly difficult.
In-memory computing — processing computation and storage within the same device to minimize data movement — is the realistic approach to circumventing this structural limitation.
3. The Memristor: The Fourth Fundamental Circuit Element Modeling the Brain's Synapse
The device drawing attention as a way around these structural constraints is the memristor. First predicted mathematically by Leon Chua in 1971 and physically realized at HP Labs in 2008, this device changes resistance according to the amount of charge that has passed through it and retains that state. The fact that its characteristics change based on charge history makes it physically analogous to how synapses in the brain operate.
The basic structure of a memristor is a Metal-Insulator-Metal (MIM) sandwich. The resistance switching (RS) effect — where resistance changes based on electrical stimulation history — divides into three categories by mechanism:
ECM (Electrochemical Metallization): Conductive filament formation through metallic cation migration in solid electrolyte
TCM (Thermochemical Mechanism): Chemical state changes in oxides driven by temperature increase
VCM (Valence Change Mechanism): Oxygen anion migration and lattice valence changes induced by electric fields
Currently, PCM (phase-change materials), CBRAM (Conductive Bridging RAM), ReRAM (oxide-based), and MRAM (magnetic resistance) are competing in this space. These devices store information in multi-level resistance states while simultaneously performing computation. Arranging them in large-scale crossbar arrays forms the computational core of a neuromorphic architecture.
4. Core Mechanisms of Neuromorphic Computation: Hardware Implementation of MVM and STDP
The essence of memristor-based neuromorphic computing lies in implementing complex software algorithms directly through physical laws.
Matrix-Vector Multiplication (MVM) is the most representative example. Ohm's Law and Kirchhoff's Current Law process this operation in hardware instantaneously. The conductance (G) at each crosspoint of the crossbar array represents the matrix weight; the input voltage (V) represents the vector. The resulting current (I) equals the product of the two values according to Ohm's Law (I = G·V), and summing by column yields the matrix product per Kirchhoff's Law. Physical law itself performs the computation — no separate arithmetic unit required.
Memristors also implement STDP (Spike-Timing-Dependent Plasticity), the biological learning principle. The process of strengthening (LTP, Long-Term Potentiation) or weakening (LTD, Long-Term Depression) synaptic connection strength based on the timing difference between pre- and post-synaptic spikes is reproduced directly by the variable resistance characteristics. The hardware itself can learn and adapt without intervention from an external processing unit.
5. Hardware Implementation Case Studies: IBM Neuromorphic Core and HP Neuristor
Theoretical discussion has already moved into the stage of actual hardware implementation.
IBM — Tuma Research Team
IBM's Tuma research team simulated changes in neural membrane potential using PCM-based neurons. The structure maps the process of gradually decreasing resistance according to spike current — leveraging the crystallization dynamics of amorphous phase-change materials — onto the neuron activation state. The key achievement is reproducing "stochastic neural firing," a hallmark of the biological brain, by exploiting device-level randomness.
HP — Pickett Research Team
HP's Pickett research team designed the "Neuristor" using a Mott memristor based on niobium dioxide (NbO2). Grounded in the Hodgkin-Huxley model, this design implements the All-or-Nothing principle — responding only to stimulation above threshold potential — in electronic circuitry. Spike patterns generated by two memristors alternating between SET and RESET reproduced complex brain operations such as signal amplification and periodic firing at the circuit level.
6. Technical Challenges and Breakthrough Strategies: From Sneak Paths to the 3T1C Architecture
Technical problems remain to be solved before commercialization. The "Sneak Path" problem — current leaking into unselected cells in large-scale arrays — is being mitigated using 1T1R (1 Transistor 1 Resistor) or 1S1R (1 Selector 1 Resistor) structures combined with a V/2 biasing scheme.
Device non-idealities such as conductance drift and noise are being addressed through hardware-aware training and mixed-precision in-memory computing approaches.
The 3T1C (3 Transistors 1 Capacitor) circuit structure significantly improves linearity and granularity in weight updates, and is drawing increasing attention as a means of compensating for memristor physical limitations at the architectural level. This structural improvement is expected to contribute to narrowing the accuracy gap in SNNs (Spiking Neural Networks).
7. Conclusion: The Cognitive Computing Future That Memristors Make Possible
Memristor technology is not an extension of semiconductor performance improvement. It is a realistic path toward realizing low-power processing systems that approach the efficiency of the human brain. The industrial implications are substantial. In autonomous vehicles requiring real-time judgment without cloud connectivity, energy-constrained edge computing environments, and IoT applications, neuromorphic systems provide processing efficiency that is difficult to achieve through conventional approaches.
Going forward, competitive advantage in computing will hinge on Co-design capability — the capacity for hardware and algorithms to evolve in tandem by reflecting each other's constraints and strengths. As the Von Neumann architecture approaches its limits, the importance of memristor-based neuromorphic computing will only grow. It stands to become a foundational technology for an era in which AI operates efficiently beyond the walls of the data center.
※ This column is a reconstruction of a hardware architecture research report originally submitted during the author's master's program in computer science.
이 글은 필자가 컴퓨터과학 석사 과정 재학 중 하드웨어 아키텍처 과목 보고서로 제출했던 연구를 요약·재구성한 것입니다. 당시의 주요 논점은 지금도 여전히 유효하며, 최근 관련 동향을 반영해 일부 내용을 보완했습니다.
1. 서론: 지능의 폭발과 컴퓨팅 인프라의 구조적 한계
GPT-3를 기점으로 AI는 '지능의 폭발'이라 불리는 국면에 들어섰습니다. 그런데 이 성장의 이면에서 컴퓨팅 인프라는 구조적 한계를 드러내고 있습니다. AI 수요에 따른 데이터 처리량과 에너지 소비는 빠르게 늘고 있지만, 하드웨어 발전 속도는 그 증가세를 따라잡지 못하고 있습니다.
수치가 이 불균형을 단적으로 보여줍니다. 2025년 전 세계 데이터 생산량은 181 제타바이트(ZB)에 이를 전망이며, 2020년 전 세계 데이터센터가 소비한 에너지는 1조 9,730억 kWh에 달했습니다. 미국 전체 연간 소비전력의 절반에 육박하는 규모입니다. 비용 측면도 명확합니다. 단일 V100 GPU로 GPT-3를 훈련하면 355년에 약 460만 달러(3년 약정 클라우드 가격 기준)가 소요됩니다. 하드웨어 연산 성능이 2년마다 3배 증가하는 동안 모델 크기는 같은 기간 410배 늘었습니다.
OpenAI는 이 추세가 이어지면 2027년 LLM 학습 비용이 미국 GDP에 육박할 것이라고 경고했습니다. 기존 아키텍처만으로는 이 격차를 메우기 어렵습니다. 인간의 뇌를 모사하는 '뉴로모픽 컴퓨팅(Neuromorphic Computing)'으로의 전환은 기술 선택의 문제가 아니라, 현실적으로 검토해야 할 경로가 됐습니다.
2. 폰 노이만 아키텍처의 황혼: '메모리 벽'과 전력 효율의 딜레마
수십 년간 컴퓨팅을 이끌어온 폰 노이만 아키텍처(Von Neumann Architecture)의 한계가 드러나고 있습니다. 데이터와 명령어를 분리 저장하고 처리 장치로 옮기는 구조가 AI 워크로드 앞에서 구조적 병목이 되고 있기 때문입니다.
'메모리 벽(Memory Wall)'이 그 대표 사례입니다. 지난 20년간 하드웨어 최대 연산 능력(FLOPS)이 60,000배 증가하는 동안 DRAM 대역폭과 인터커넥트 속도는 각각 100배, 30배 증가하는 데 그쳤습니다. 연산 속도와 데이터 이동 속도 사이의 격차는 20년간 계속 벌어진 셈입니다.
트랜지스터 축소에 의존하는 무어의 법칙(Moore's Law)이 사실상 한계에 이른 것도 문제입니다. CMOS 기반 디지털 회로로 비휘발성 시냅스 가중치를 효율적으로 구현하기가 어려워졌습니다.
연산과 저장을 한 소자에서 처리해 데이터 이동 자체를 줄이는 '인메모리 컴퓨팅(In-Memory Computing)'이 이 구조적 한계를 우회하는 현실적인 접근입니다.
3. 멤리스터(Memristor): 뇌의 시냅스를 모사하는 제4의 소자
이 구조적 한계를 우회하는 소자로 주목받는 것이 멤리스터(Memristor)입니다. 1971년 레온 추아(Leon Chua)가 수학적으로 예측하고 2008년 HP 연구소에서 실제로 구현한 이 소자는, 통과한 전하량에 따라 저항이 변하고 그 상태가 유지됩니다. 전하 이력에 따라 특성이 달라진다는 점에서 뇌의 시냅스 작동 방식과 물리적으로 유사합니다.
멤리스터의 기본 구조는 금속-절연체-금속이 층을 이룬 'MIM 샌드위치'입니다. 전기 자극 이력에 따라 저항이 바뀌는 저항 스위칭(RS, Resistance Switching) 효과는 메커니즘에 따라 세 가지로 나뉩니다.
ECM(Electrochemical Metallization): 고체 전해질 내 금속 양이온의 이동으로 전도성 필라멘트 형성
TCM(Thermochemical Mechanism): 온도 상승에 따른 산화물의 화학적 상태 변화
VCM(Valence Change Mechanism): 전기장에 의한 산소 음이온 이동 및 격자 원자가 변화
현재 PCM(상변화 물질), CBRAM(전도성 브리징 RAM), ReRAM(산화물), MRAM(자기 저항) 등이 경쟁하고 있습니다. 이들은 다단계 저항 상태로 정보를 저장하면서 연산도 동시에 처리합니다. 이 소자들을 대규모 '크로스바 어레이(Crossbar Array)'로 배열하면 뉴로모픽 아키텍처의 연산 핵심부가 구성됩니다.
4. 뉴로모픽 연산의 핵심 메커니즘: MVM과 STDP의 하드웨어적 구현
멤리스터 기반 뉴로모픽 컴퓨팅의 핵심은 복잡한 소프트웨어 알고리즘을 물리 법칙으로 직접 구현한다는 데 있습니다.
행렬-벡터 곱셈(MVM, Matrix-Vector Multiplication)이 가장 대표적입니다. 옴의 법칙(Ohm's Law)과 키르히호프의 법칙(Kirchhoff's Law)이 이 연산을 하드웨어에서 즉각 처리합니다. 크로스바 어레이 각 교차점의 전도도(G)는 행렬 가중치를, 입력 전압(V)은 벡터를 담당합니다. 흐르는 전류(I)는 옴의 법칙(I = G·V)에 따라 두 값의 곱이 되고, 열별로 합산하면 키르히호프 법칙에 따라 행렬 곱 결과가 나옵니다. 별도의 연산 장치 없이 물리 법칙이 연산을 수행하는 구조입니다.
멤리스터는 생물학적 학습 원리인 STDP(Spike-Timing-Dependent Plasticity)도 구현합니다. 스파이크 발생 시간차에 따라 시냅스 연결 강도를 강화(LTP, Long-Term Potentiation)하거나 약화(LTD, Long-Term Depression)시키는 과정을, 저항 가변 특성이 그대로 재현합니다. 외부 연산 장치의 개입 없이 하드웨어 자체가 학습하고 적응할 수 있습니다.
5. 하드웨어 구현 사례 연구: IBM 뉴로모픽 코어와 HP 뉴리스터
이론 수준의 논의는 이미 실제 구현 단계로 이어지고 있습니다.
IBM 투마(Tuma) 연구팀
IBM의 투마(Tuma) 연구팀은 PCM 기반 뉴런으로 신경 세포막의 전위 변화를 모사했습니다. 비정질 상변화 물질의 결정화 동역학을 활용해 스파이크 전류에 따라 저항이 점진적으로 감소하는 과정을 뉴런 활성화 상태로 치환한 구조입니다. 소자 수준의 무작위성을 역이용해 생물학적 뇌의 '확률적 신경 발화(Stochastic Neural Firing)'까지 재현해낸 것이 이 연구의 핵심 성과입니다.
HP 피켓(Pickett) 연구팀
HP의 피켓(Pickett) 연구팀은 나이오븀 이산화물(NbO2)을 활용한 Mott 멤리스터로 '뉴리스터(Neuristor)'를 설계했습니다. 호지킨-헉슬리(Hodgkin-Huxley) 모델을 기반으로 한 이 설계는 문턱 전위 이상의 자극에만 반응하는 '전부 또는 전무(All-or-Nothing)' 원리를 전자 회로로 구현한 것입니다. 두 멤리스터가 SET과 RESET을 반복하며 만들어내는 스파이크 패턴은 신호 증폭과 주기적 발화 등 뇌의 복잡한 동작을 회로 수준에서 재현했습니다.
6. 기술적 난제와 돌파 전략: 스니크 패스부터 3T1C 구조까지
상용화 단계에서는 아직 해결해야 할 기술 문제들이 남아 있습니다. 대규모 어레이에서 선택되지 않은 셀로 전류가 새는 '스니크 패스(Sneak Path)' 문제는 1T1R(1 Transistor 1 Resistor) 혹은 1S1R(1 Selector 1 Resistor) 구조와 V/2 바이어스 스킴으로 억제하고 있습니다.
전도도 드리프트와 노이즈 등 소자의 비이상성(Non-ideality)은 '하드웨어 인식 학습(Hardware-aware training)'과 '혼합 정밀도(Mixed-precision) 인메모리 컴퓨팅' 접근법으로 대응하고 있습니다.
3T1C(3 Transistors 1 Capacitor) 회로 구조는 가중치 업데이트의 선형성(Linearity)과 세분성(Granularity)을 크게 개선하며, 멤리스터의 물리적 한계를 아키텍처 수준에서 보완하는 방법으로 주목받고 있습니다. 이 구조 개선이 SNN(스파이크 신경망, Spiking Neural Network)의 정확도 격차를 좁히는 데 기여할 것입니다.
7. 결론: 멤리스터가 열어가는 인지 컴퓨팅의 미래
멤리스터 기술은 반도체 성능 개선의 연장선이 아닙니다. 인간 뇌에 가까운 저전력 처리 시스템을 실현할 현실적 경로입니다. 산업적 파급력도 큽니다. 클라우드 연결 없이 실시간 판단이 필요한 자율주행차, 에너지 제약이 심한 엣지 컴퓨팅(Edge Computing), IoT 분야에서 뉴로모픽 시스템은 기존 방식으로는 달성하기 어려운 처리 효율을 제공합니다.
앞으로 컴퓨팅 경쟁력은 하드웨어와 알고리즘이 서로의 특성을 반영하며 함께 발전하는 '공진화(Co-design)' 역량에서 갈릴 것입니다. 폰 노이만 구조가 한계에 다가설수록 멤리스터 기반 뉴로모픽 컴퓨팅의 중요성은 커집니다. AI가 데이터센터 밖에서도 저전력으로 구동하는 시대를 여는 핵심 기술이 될 것이기 때문입니다.
※ 이 칼럼은 컴퓨터과학 석사 과정에서 제출한 하드웨어 아키텍처 연구 보고서를 기반으로 재구성한 심층 기술 칼럼입니다.
Inventor’s note. This article explains, for a general audience, the concept and operation of an AI-based patent-analysis technology that I invented and filed for patent protection. Semantic similarity produced by the system should be understood as an analytical signal for prioritizing patents or products for closer review, not as a final legal determination of infringement.
Training on Claims and Descriptions to Detect Patent Risk
Patent searching is far more difficult than it first appears. When a product specification and a patent claim use the same terminology, comparison is relatively straightforward. Real disputes, however, are rarely so convenient. The same technical concept can be expressed with completely different terms, reordered features, or a mixture of broader and narrower concepts. Pure keyword search can easily miss those relationships.
The technology I invented and filed for patent protection starts from that problem. Its purpose is to move beyond simple word matching and train an AI model to evaluate how closely the technical meaning of a patent claim corresponds to descriptions found in other documents. The key idea is to use structural relationships that already exist inside patent documents as training signals. Instead of requiring human experts to read tens of thousands of document pairs and manually label each one, the patent documents themselves provide a substantial part of the supervision.
To understand the approach, it is useful to begin with the structure of a patent specification. The claims define the legal boundary of the right, while the description explains the invention and how it can be implemented. Article 42(4)(1) of the Korean Patent Act requires claims to be supported by the description. The requirement is intended to prevent an applicant from monopolizing subject matter that was not actually disclosed and to ensure that a person skilled in the art can understand the relationship between the claimed invention and the specification.
From a machine-learning perspective, that legal and documentary structure can be converted into a useful data relationship. A claim and a description extracted from the same patent will generally have a high degree of semantic relevance. By contrast, a claim taken from one patent and a randomly selected description passage from another patent will, statistically, be less likely to be relevant. This makes it possible to assign label 1 to same-patent claim–description pairs and label 0 to randomly paired passages from different patents.
One distinction is critical. Label 1 should not be equated with a legal finding of infringement, and label 0 should not be treated as a legal finding of non-infringement. These are proxy labels for teaching the model semantic correspondence, not judgments issued by a court. Two different patents can be technically related, and a claim paired with its own description says nothing by itself about infringement by a third party. The inventive idea lies in converting high-probability positive and negative relationships embedded in patent-document structure into large-scale training data.
This design reduces the bottleneck of manual labeling. In conventional supervised learning, experts must review document pairs and decide whether they are relevant. In the patent field, accurately reading even a single document can be time-consuming, so labeling costs rise quickly as the dataset grows. By automatically pairing a claim with its own description and randomly pairing it with descriptions from other patents, software can generate training pairs at scale.
Negative samples play an equally important role. If a model sees only strongly related pairs, it may overfit and begin treating a few overlapping words as sufficient evidence of relevance. Training with claim–description pairs drawn from different patents teaches the model that lexical overlap alone is not enough. Positive samples teach what meaningful correspondence looks like; negative samples help define where that correspondence ends.
The next problem is document length. Standard BERT has a maximum input length of 512 tokens, while patent descriptions routinely contain thousands of words. Feeding a claim together with an entire description into BERT is therefore impractical.
In the implementation described in my invention, the long description is divided into smaller passages of roughly 310 tokens. The system then evaluates the semantic relationship between the claim and each passage and prioritizes passages with higher relevance. Instead of simply truncating the patent from the beginning, the model first identifies portions that are more likely to explain the claimed subject matter.
Vector operations such as the dot product can be used during this process. In intuitive terms, the claim is represented as a semantic vector and each description passage is represented as another vector. The system then scores how closely those vectors point in the same semantic direction. A higher score suggests a stronger semantic relationship between the claim and the passage.
The selected text is then arranged in a structure that allows BERT to distinguish the two inputs. A representative sequence is [CLS] + claim + [SEP] + description + [SEP]. The [SEP] token marks the boundary between the two text segments, segment embeddings indicate which tokens belong to which segment, and the final representation of [CLS] can serve as a pooled vector for classification.
This architecture matters because a model does not naturally perceive document boundaries in the way a human reader does. People can use headings, line breaks, and layout to understand that two passages come from different sources. A language model needs explicit structural signals that tell it where comparison target A ends and comparison target B begins.
The training stage applies an alternating-batch strategy to label 1 and label 0 datasets. Rather than indiscriminately mixing the two groups, the system computes their losses separately and updates parameters in a direction that reduces both. The objective is to reduce the risk that the model becomes overly influenced by whichever class is more numerous or easier to learn.
According to the experimental results recorded in the source manuscript, cross-entropy loss decreased from 0.89 to 0.19 over 15 epochs, while accuracy reached approximately 80%. In a comparison designed to test semantically similar content expressed with different terminology, all 17 text pairs were classified as label 1. These figures should be understood as results obtained under the specific experimental conditions described in the manuscript, not as a guarantee of identical performance across all technologies and patent disputes.
The significance of the result lies in the type of problem being addressed. One of the hardest situations in patent searching occurs when the same technical content is described with different vocabulary. Suppose one document refers to an “adhesive fixing mechanism,” while another describes a functionally similar structure using completely different terminology. A keyword engine may assign low relevance simply because the documents share few literal words. A semantic model has the potential to compare how the features function and relate to one another in context.
This naturally brings the doctrine of equivalents to mind. Patent infringement analysis does not necessarily end merely because an accused product or method differs from the literal wording of a claim. Korean Supreme Court precedent recognizes that, under specified conditions, a modified element may still fall within the scope of the patent under the doctrine of equivalents when the problem-solving principle, substantially identical effect, ease of substitution, and other requirements are satisfied and no exclusion applies.
Semantic similarity produced by an AI model, however, is not the same thing as legal equivalence. A high similarity score does not automatically establish infringement, and a low score does not eliminate legal risk. A legal analysis still requires consideration of every claim element, prosecution history, prior art, conscious exclusion, and the specific requirements of the doctrine of equivalents.
The practical value of the invention is therefore not that an AI system replaces a judge. Its more important role is to narrow the universe of documents that human experts need to examine. From thousands or millions of patents and product documents, the system can identify candidates that appear semantically close to a target claim and allow patent attorneys, lawyers, engineers, and R&D teams to focus their detailed review where it matters most.
During product development, the technology can help screen competitor patents and product specifications for early risk signals. Patent owners can compare market-facing technical descriptions with their own claims to prioritize monitoring. The same underlying architecture can also support prior-art searching by finding technically relevant documents that use different vocabulary from the claim being searched.
In patent AI, the most expensive resource is not necessarily the GPU or the number of model parameters. The harder problem is often obtaining high-quality labeled data. Expert labels are valuable but expensive and slow. Public patent data is abundant, but raw documents do not automatically provide task-specific labels. This invention is an attempt to bridge that gap by exploiting the legal and documentary structure already embedded in patent specifications.
I would not reduce the idea to the slogan that it “turns law into mathematics.” A more precise description is that it identifies machine-readable learning signals within the structures and rules accumulated in legal documents. The relationship between claims and descriptions, the selection of relevant passages, the construction of positive and negative samples, and the explicit separation of paired text together transform semantic patent comparison into a computable problem.
There are clear areas for further development. Patent terminology and drafting conventions differ across technical fields, making domain-specific training important. Random negative sampling can occasionally pair a claim with a genuinely relevant passage from another patent. Closing the gap between semantic relevance and legal infringement will require richer information, including claim-element analysis, prosecution history, prior art, and expert-labeled decisions. BERT’s sequence-length limitation can also be addressed with longer-context models or hierarchical architectures.
Even so, the starting insight remains powerful. A patent is not merely a block of text. It contains a distinctive relationship between claims that define legal scope and a description that explains the underlying technology. Once that relationship is converted into training data, AI can move beyond finding documents that use the same words and begin identifying documents that may be technically related for deeper review.
The proper role of AI in patent practice is not to take the final legal judgment away from human experts. It is to find meaningful connections across a scale of documents that humans cannot efficiently examine one by one, and then place the most relevant candidates in front of the people responsible for the legal and technical conclusion. My filed invention begins at precisely that boundary: not simply searching the words of patents, but attempting to read the technical meaning they are intended to protect.
References
Reference
Chinsu Lee,
Method for Generating a Patent Analysis Model Using an Artificial Neural Network
and Text-Pair Embedding, Patent Analysis Method, and Computing Device,
Korean Patent Application No. 10-2024-0075102,
filed June 10, 2024.
Application No.: 10-2024-0075102
Filing Date: June 10, 2024
Earlier Application: 10-2023-0093439, filed July 18, 2023
Inventor / Applicant: Chinsu Lee
Title of Invention:
Method for Generating a Patent Analysis Model Using an Artificial Neural Network
and Text-Pair Embedding, Patent Analysis Method, and Computing Device
발명자 노트. 이 글은 내가 발명하여 출원한 AI 기반 특허분석 기술의 아이디어와 작동 원리를 일반 독자가 이해할 수 있도록 풀어쓴 기술 칼럼이다. AI의 의미 유사도 평가는 침해 여부에 대한 법적 확정판단이 아니라, 정밀 검토가 필요한 특허·제품 후보를 선별하기 위한 분석 신호로 이해하는 것이 정확하다.
청구항과 발명의 설명을 학습시켜 특허 리스크를 찾는 방법
특허 검색은 ‘같은 단어를 찾는 일’로 끝나지 않는다. 제품 설명과 청구항에 같은 표현이 반복된다면 비교는 어렵지 않다. 실무가 까다로운 이유는 같은 기술을 전혀 다른 말로 쓸 수 있어서다. 구성의 순서를 바꾸고, 상위개념과 하위개념을 섞고, 기능을 다른 표현으로 풀어내면 키워드 검색만으로는 연결고리를 놓치기 쉽다.
내가 발명해 출원한 기술은 이 문제에서 출발했다. 목표는 AI가 특허문서의 단어를 단순히 대조하는 수준을 넘어, 청구항이 담고 있는 기술적 의미와 다른 문서의 설명이 얼마나 밀접하게 대응하는지를 학습하도록 만드는 것이다. 핵심은 특허문서 안에 이미 존재하는 구조적 관계를 학습 데이터로 쓰는 데 있다. 사람이 수만 건의 문서를 읽고 일일이 정답표를 만드는 방식이 아니라, 특허문서 자체가 일정 부분 학습 신호를 제공하도록 설계했다.
출발점은 특허문서의 구조다. 특허의 청구범위는 권리의 경계를 정하고, 발명의 설명은 그 발명이 무엇이며 어떻게 구현되는지를 구체적으로 풀어낸다. 우리 특허법 제42조 제4항 제1호가 청구항이 발명의 설명에 의하여 뒷받침될 것을 요구하는 이유도 여기에 있다. 공개되지 않은 내용까지 권리로 독점하는 일을 막고, 통상의 기술자가 청구된 발명과 명세서의 대응관계를 이해할 수 있도록 하려는 취지다.
이 법적 구조를 학습 데이터의 관점에서 다시 보면 성격이 달라진다. 동일한 특허문서에서 추출한 청구항과 발명의 설명은 원칙적으로 서로 높은 관련성을 가진다. 반대로 서로 다른 특허에서 무작위로 가져온 청구항과 설명 조각은 통계적으로 관련성이 낮을 가능성이 크다. 이 관계를 이용하면 동일 특허에서 나온 청구항–설명 쌍에는 레이블 1, 서로 다른 특허에서 가져온 쌍에는 레이블 0을 부여할 수 있다.
다만 선을 분명히 그어야 한다. 레이블 1을 곧바로 ‘법적 침해’, 레이블 0을 ‘법적 비침해’라고 부르는 것은 정확하지 않다. 이것은 법원의 침해판단 결과를 붙인 정답지가 아니라, 모델이 의미적 대응관계를 학습하기 위한 대리 레이블(proxy label)이다. 서로 다른 특허라고 해서 언제나 비관련 기술인 것도 아니고, 같은 특허의 청구항과 설명이 곧 제3자의 침해를 뜻하는 것도 아니다. 이 기술의 핵심은 특허법의 구조에서 얻은 높은 확률의 정·부 관계를 대량의 학습 데이터로 전환한다는 데 있다.
이 설계의 실익은 수작업 레이블링에서 가장 먼저 드러난다. 일반적인 지도학습이라면 전문가가 문서 쌍을 하나씩 읽고 ‘관련 있음’과 ‘관련 없음’을 판정해야 한다. 특허는 한 건을 제대로 읽는 데에도 시간이 든다. 데이터가 커질수록 비용이 가파르게 불어나는 이유다. 같은 특허의 청구항과 설명을 자동으로 묶고, 다른 특허의 설명을 무작위로 결합하면 이 병목을 상당 부분 걷어낼 수 있다.
부정 샘플은 단순한 들러리가 아니다. 관련성이 높은 쌍만 보여 주면 모델은 몇몇 단어가 겹친다는 이유만으로 두 문서가 관련 있다고 오판하기 쉽다. 다른 특허에서 가져온 청구항–설명 쌍을 함께 학습시키는 이유가 여기에 있다. 모델은 단어 몇 개의 일치와 기술적 대응관계를 구별해야 한다. 긍정 샘플이 대응의 모습을 보여 준다면, 부정 샘플은 그 경계가 어디까지인지를 깎아 준다.
그다음 걸림돌은 문서 길이다. BERT는 기본 구조상 한 번에 처리할 수 있는 입력 길이가 최대 512토큰으로 제한된다. 그러나 특허의 발명의 설명은 수천 단어를 훌쩍 넘는 경우가 흔하다. 청구항과 전체 설명을 한 번에 모델에 넣는 방식은 애초에 성립하기 어렵다.
내가 제안한 방식은 긴 발명의 설명을 약 310토큰 내외의 조각으로 먼저 나눈다. 이어 청구항과 각 조각의 의미적 관련도를 계산해 점수가 높은 부분을 입력 후보로 고른다. 문서 앞부분부터 기계적으로 잘라 넣는 방식과는 다르다. 제한된 입력 공간을 청구항과 직접 맞닿아 있을 가능성이 높은 설명에 우선 배정한다.
설명 조각을 고르는 과정에는 벡터 간 도트 프로덕트 같은 연산을 쓸 수 있다. 복잡한 수학식으로 생각할 필요는 없다. 청구항을 하나의 의미 벡터로, 설명 조각도 또 하나의 의미 벡터로 표현한 뒤 두 벡터가 얼마나 같은 방향을 가리키는지 점수화한다고 이해하면 된다. 점수가 높을수록 청구항과 그 설명 조각이 의미적으로 가까울 가능성이 높다.
선별된 텍스트는 BERT가 두 문장을 구별해서 읽을 수 있는 형식으로 구성한다. 대표적인 입력은 [CLS] + 청구항 + [SEP] + 발명의 설명 + [SEP]와 같은 구조다. [SEP]는 두 텍스트의 경계를 표시하고, 세그먼트 임베딩은 각 토큰이 어느 문장에 속하는지를 알려 준다. [CLS] 토큰의 최종 표현은 두 텍스트의 관계를 분류하기 위한 대표 벡터로 활용할 수 있다.
이 장치는 청구항과 설명이 하나의 긴 문장으로 섞이는 것을 막는다. 사람은 제목, 문단, 줄바꿈을 보고 두 문서의 경계를 자연스럽게 이해하지만 모델에는 그런 직관이 없다. 입력 구조 자체가 ‘여기까지가 비교 대상 A이고, 여기부터가 비교 대상 B’라는 정보를 제공해야 한다.
학습 단계에서는 레이블 1과 레이블 0을 번갈아 처리하는 교대 배치 전략을 쓴다. 두 종류를 처음부터 한 바구니에 섞지 않고 그룹별 손실을 따로 계산한 뒤, 두 손실을 함께 줄이는 방향으로 파라미터를 갱신한다. 어느 한쪽 데이터가 더 많거나 더 쉽게 학습된다는 이유로 모델의 판단 기준이 한 방향으로 기우는 것을 막기 위한 장치다.
원고에 기록된 실험에서는 15에포크의 학습 과정에서 교차엔트로피 손실값이 0.89에서 0.19로 낮아졌고, 정확도는 약 80% 수준에 도달했다. 특히 서로 다른 표현을 사용한 비교 사례에서 17개의 텍스트 쌍을 모두 레이블 1로 판별한 결과가 제시되어 있다. 이 수치는 해당 실험 조건에서 얻어진 결과로 이해해야 하며, 모든 산업과 모든 특허분쟁에서 동일한 성능이 보장된다는 뜻은 아니다.
숫자보다 더 눈여겨볼 것은 표현이 달라졌을 때의 반응이다. 특허 검색의 난점은 같은 기술을 다른 말로 숨길 수 있다는 데 있다. 한 문서가 ‘접착 고정 메커니즘’이라고 쓴 구성을 다른 문서가 전혀 다른 용어로 풀어 썼다고 해 보자. 키워드 검색은 공통 단어가 적다는 이유로 두 문서를 멀리 떨어뜨릴 수 있다. 의미 기반 모델이 노리는 지점은 그 반대다. 표현이 달라도 문맥 안에서 각 구성이 어떤 기능을 하고 서로 어떤 관계를 맺는지 비교한다.
이 대목은 자연스럽게 균등론을 떠올리게 한다. 실제 특허침해 판단에서도 청구항의 문언과 침해제품의 표현이 다르다는 이유만으로 판단이 끝나지는 않는다. 대법원 판례는 문언과 달리 변경된 부분이 있더라도 과제의 해결원리, 작용효과, 치환의 용이성 등 일정한 요건을 충족하고 특별한 제외사유가 없다면 균등침해가 성립할 수 있다고 본다.
하지만 AI의 의미 유사도와 법률상 균등침해는 동일한 개념이 아니다. 모델이 두 기술을 매우 유사하다고 평가했다고 해서 곧바로 침해가 성립하는 것은 아니다. 반대로 모델의 점수가 낮다고 해서 법적 위험이 사라지는 것도 아니다. 청구항의 모든 구성요소 충족 여부, 출원경과, 공지기술, 의식적 제외, 균등론의 각 요건 등은 별도로 검토해야 한다.
이 발명의 실무적 가치는 ‘AI가 판사를 대신한다’는 데 있지 않다. 더 중요한 역할은 사람이 읽어야 할 문서를 훨씬 좁혀 주는 데 있다. 수천, 수만 건의 특허와 제품 문서 가운데 청구항과 의미적으로 강하게 대응하는 후보를 먼저 찾아내고, 변리사·변호사·연구개발 담당자가 그 후보를 정밀 검토하도록 만드는 것이다.
활용 장면은 여러 갈래다. 신제품 기획 단계에서는 경쟁사 특허와 제품 사양서를 비교해 위험 후보를 일찍 추릴 수 있다. 특허권자는 시장에 나온 신제품의 기술 설명과 자신의 청구항을 대조해 모니터링 순서를 정할 수 있다. 선행기술 조사에서는 청구항과 다른 표현을 쓰는 문헌을 끌어올리는 보조도구가 된다. 침해 리스크 분석, 특허 모니터링, 선행기술 검색이 같은 의미 비교 구조 위에서 만나는 셈이다.
특허 AI에서 진짜 비싼 자원은 GPU나 모델 파라미터만이 아니다. 실제로는 ‘좋은 학습 데이터를 어떻게 확보할 것인가’가 더 큰 문제일 때가 많다. 전문가가 만든 레이블은 정확하지만 비싸고 느리다. 공개 특허문서는 방대하지만 그대로는 학습 정답이 아니다. 이 발명은 그 사이에서 특허문서가 원래 지닌 법적·문서적 구조를 이용해 데이터 생성 비용을 낮추려는 시도다.
이 기술을 ‘법률을 수학으로 바꾸는 것’이라고만 부르면 핵심을 놓친다. 보다 정확하게 말하면, 법률문서가 오랫동안 축적해 온 구조와 규칙에서 AI가 학습할 수 있는 신호를 찾아내는 것이다. 청구범위와 발명의 설명의 관계, 관련 문단을 골라내는 과정, 긍정·부정 샘플의 구성, 두 텍스트를 구분하는 입력 구조가 결합되면서 특허문서의 의미적 대응관계를 계산 가능한 문제로 바꾼다.
남은 과제도 적지 않다. 기술분야가 달라지면 용어와 문장 구조도 달라지므로 도메인별 학습이 필요하다. 무작위 부정 샘플 속에 실제 관련 문헌이 섞이는 문제도 피할 수 없다. 의미 유사도와 법적 침해판단 사이의 간극을 좁히려면 청구항 구성요소별 분석에 출원경과, 선행기술, 전문가 판정 데이터를 겹쳐야 한다. 512토큰이라는 BERT의 제약 역시 더 긴 컨텍스트 모델이나 계층형 구조를 쓰면 다른 방식으로 풀 수 있다.
그래도 출발점 자체는 선명하다. 특허문서는 단순한 텍스트 덩어리가 아니다. 권리를 정의하는 청구항과 그 권리를 기술적으로 설명하는 본문 사이에 특별한 관계가 존재한다. 그 관계를 학습 데이터로 바꾸면, AI는 키워드가 같은 문서를 찾는 검색기에서 한 걸음 더 나아가 ‘기술적으로 왜 관련 있는가’를 탐색하는 도구가 될 수 있다.
특허 업무에서 AI의 자리는 인간 전문가의 최종 판단을 빼앗는 곳이 아니다. 오히려 전문가가 판단해야 할 후보를 더 빠르고 넓게 찾아 주는 자리다. 수많은 문서 속에서 놓치기 쉬운 의미적 연결을 먼저 포착하고, 그다음에 사람이 법률과 기술의 기준으로 결론을 내리는 구조다. 내가 출원한 이 발명은 바로 그 경계에서 출발한다. 특허의 문장을 검색하는 기술을 넘어, 특허가 보호하려는 기술적 의미를 읽기 위한 시도다.
참고자료
이진수,
「인공신경망 및 텍스트 쌍 임베딩을 이용한 특허 분석 모델의 생성 방법,
특허 분석 방법 및 컴퓨팅 장치」,
대한민국 특허출원 제10-2024-0075102호,
2024. 6. 10. 출원.
출원번호: 10-2024-0075102
출원일: 2024. 6. 10.
기초출원: 10-2023-0093439 (2023. 7. 18.)
발명자 / 출원인: 이진수
발명의 명칭:
인공신경망 및 텍스트 쌍 임베딩을 이용한 특허 분석 모델의 생성 방법,
특허 분석 방법 및 컴퓨팅 장치
Experiments in granting legal status to rivers and ecosystems offer an unexpected
framework for thinking about AI personhood—but the analogy has important limits.
Reader Note:
This article is intended for comparative-law research and general informational purposes only.
It is not legal advice regarding any particular matter.
When lawyers think about the holders of legal rights and obligations, the natural person is the obvious starting point.
But modern law has never confined legal personality exclusively to biological human beings.
Corporations, foundations, and other legally constituted organizations may hold rights and incur obligations
separate from those of their members, owners, or representatives.
That does not mean a corporation possesses every right that a human being possesses.
Legal capacity depends on the nature and purpose of the entity and on the governing law.
Rights that presuppose a human body, family status, or personal dignity do not simply transfer to a corporation.
Nor does a corporation act physically on its own; it acts through directors, officers, agents, and other legally recognized representatives.
The central question is therefore functional:
Must legal personhood be treated as a single, indivisible status,
or can the law assemble particular rights, duties, representative structures,
procedural capacities, and pools of assets for a defined legal purpose?
That question becomes increasingly relevant as legal systems confront autonomous artificial intelligence.
The point is not that existing corporate law can simply be transplanted to an AI model.
A better starting point is to examine situations in which the law has already conferred limited legal status
on entities that are not human beings.
One of the most provocative examples is the growing body of law concerning
ecological legal personhood and the broader Rights of Nature movement.
1. What Is Ecological Legal Personhood?
The basic idea is to move certain natural objects, animals, or ecosystems from the category of merely protected
objects of law into the category of entities capable of holding legally cognizable interests in their own right.
Those interests may include continued existence, ecological integrity, restoration, preservation, and freedom from pollution.
The theory does not necessarily claim that a river should possess the same constitutional rights as a human being.
Instead, it asks whether the law can confer limited legal capacity tailored to the nature
and purpose of the ecological entity, with human guardians or representatives exercising those rights on its behalf.
Must every holder of legal rights be a human being capable of personally articulating its own will?
2. Christopher Stone and the Origins of the Theory
The modern intellectual starting point is generally associated with Professor Christopher D. Stone's
1972 article, Should Trees Have Standing?—Toward Legal Rights for Natural Objects.
Stone challenged the conventional structure of environmental litigation,
which typically required a human plaintiff to demonstrate a legally cognizable injury.
He asked why injury to a forest, river, or other natural object could not be recognized as an injury to that entity itself.
His proposal had institutional consequences, not merely rhetorical ones:
The natural object could be given procedural standing.
A guardian or representative could act on its behalf.
Damage could be measured from the perspective of the natural object itself.
Recoveries could be dedicated to restoration and preservation rather than treated as private human compensation.
The broader conceptual point is that the ability to hold rights does not always require the ability personally to exercise them.
Corporations act through human agents. Other legal subjects may act through guardians.
Stone's proposal asked whether similar representative structures could be extended to nature.
3. Four Components of Legal Personhood
First: The Content of the Rights
The rights assigned to an ecological entity are ordinarily limited to interests appropriate to that entity:
existence, preservation, restoration, ecological integrity, habitat protection, and freedom from unlawful degradation.
Second: Representation
A river or forest cannot communicate legal instructions in human language.
Someone must therefore exercise its rights.
Possible representatives include public agencies, local communities, Indigenous communities,
scientific experts, or specially constituted guardians.
Third: Procedural Capacity
A right with no mechanism for enforcement may have little practical value.
A legal system must therefore decide whether the ecological entity may appear as a named party
or whether designated individuals or organizations may invoke its rights.
Fourth: Liability and Assets
If legal status includes duties as well as rights, additional questions arise:
Who bears those duties? What assets answer for liabilities?
And when a representative enters a transaction on behalf of the entity,
to whom should the resulting obligations be attributed?
This fourth category becomes particularly important when the analysis shifts from ecological personhood to AI.
4. Comparative Examples
4.1 Colombia — The Atrato River
In 2016, Colombia's Constitutional Court, in Decision T-622/16,
recognized the Atrato River, its basin, and tributaries as a
subject of rights entitled to protection, conservation, maintenance, and restoration.
The case arose against the background of serious environmental harm associated with unlawful mining.
The court connected the ecological degradation not only to the river itself but also to the life, health,
water, food, cultural, and territorial interests of affected communities.
The court also required a representative structure involving the state and local communities.
The legal status of the river therefore did not eliminate human agency;
it reorganized the legal framework through which that agency would be exercised.
4.2 New Zealand — The Whanganui River
An especially clear statutory example is New Zealand's
Te Awa Tupua (Whanganui River Claims Settlement) Act 2017.
Section 14 expressly declares Te Awa Tupua to be a legal person
with the rights, powers, duties, and liabilities of a legal person.
The statute further establishes Te Pou Tupua to act as the human face of Te Awa Tupua.
The significance of the Whanganui model is institutional.
The statute does not merely announce that a river “has rights.”
It connects legal personality to representation, powers, duties, liabilities,
administrative structures, and dedicated funding.
For debates over AI personhood, that structure is more instructive than the label itself.
Legal personhood can operate as a vehicle for assigning defined legal functions to a legally recognized unit.
4.3 Ecuador — The Rights of Nature and Estrellita
Ecuador constitutionalized the Rights of Nature in 2008.
Its Constitutional Court subsequently addressed the legal status of wildlife in the
Estrellita case.
The important point is not that animals receive a mechanical copy of human rights.
Rather, the content of the relevant legal protections is understood in light of the species,
its natural behavior, and its ecological needs.
This provides another example of legal status being tailored to the characteristics and purpose of the rights-bearing entity.
4.4 Spain — Mar Menor
Spain enacted Ley 19/2022 in 2022,
granting legal personality to the Mar Menor lagoon and its basin.
The legislation treats the ecosystem itself as a legally recognized holder of rights.
4.5 India — The Ganges and Yamuna
In 2017, the Uttarakhand High Court characterized the Ganges and Yamuna Rivers as “living entities.”
The decision attracted worldwide attention.
It should not, however, be treated as equivalent to the comparatively settled statutory framework in New Zealand.
The Indian decision became the subject of further Supreme Court proceedings and difficult questions concerning implementation.
5. The Korean Experience
5.1 The Cheonseongsan Salamander Litigation
One of South Korea's best-known cases involving the legal status of a nonhuman natural entity arose from
litigation over the Cheonseongsan tunnel project.
In its June 2, 2006 decision in Cases 2004Ma1148 and 2004Ma1149,
the Supreme Court accepted the lower court's conclusion that the salamander lacked independent capacity to be a party to litigation.
The Court also declined to derive a direct injunction claim solely from the constitutional environmental-right provision.
The case illustrates the basic rule under current Korean law:
a natural object does not become an independent litigating entity merely because substantial ecological interests are at stake.
A legal basis for that status is required.
5.2 The Jeju Ecological-Personhood Debate
Jeju has been the site of sustained policy discussion concerning possible legal status for particular species,
ecosystems, and natural environments, including the Indo-Pacific bottlenose dolphins associated with Jeju waters.
As of August 2026, however, ecological legal personhood has not become an operative statutory status
under the Jeju Special Act.
The concept is therefore better understood as an ongoing legislative and policy proposal
rather than an established Korean legal personhood regime.
6. Principal Critiques of Ecological Personhood
6.1 The Basis for Legal Capacity
Traditional corporations have governance structures, property, decision-making institutions,
and rules defining their purposes.
A river or forest has none of these features in the conventional corporate sense.
The legal system must therefore define both the source and the boundaries of the entity's legal status.
6.2 Legitimacy of Representation
Who speaks for nature?
A government agency, environmental organization, scientist, local resident,
or Indigenous community may have very different conceptions of the ecosystem's best interests.
Appointment procedures, independence, conflicts of interest, accountability,
and removal mechanisms therefore matter greatly.
6.3 Defining the Entity
Some ecosystems have relatively identifiable geographic boundaries.
Others do not.
Migratory species, groundwater systems, ocean currents, and interconnected habitats demonstrate
how difficult it can be to define the legal perimeter of the rights-bearing entity.
6.4 Conflicts With Other Rights
Rights of nature may conflict with property rights, fishing rights, mining rights,
development interests, and occupational freedoms.
Recognizing ecological rights does not itself determine how every such conflict should be resolved.
6.5 The Problem of Liability
If nature is assigned duties in addition to rights, the conceptual difficulties multiply.
Could a river be liable for flood damage?
What constitutes its liability estate?
Who bears a contractual obligation undertaken by its representative?
These questions reveal why rights-bearing status and full private-law personhood should not automatically be treated as the same thing.
7. Limited Rights-Bearing Status as a More Workable Model
For many ecological entities, a limited-purpose legal status may be more workable than an attempt
to reproduce the complete bundle of rights associated with a human or conventional corporation.
Possible protected interests could include:
continued existence;
ecological integrity;
habitat preservation;
protection against degradation;
remediation of pollution; and
restoration of damaged ecosystems.
A specialized guardian could exercise those rights based on scientific evidence
and structured participation by affected communities.
8. Local Legislation and Its Limits
Local governments may be able to create administrative mechanisms for environmental protection
within the scope of delegated authority and local governmental functions.
Examples may include protected-area designation, advisory or guardianship bodies,
monitoring, restoration planning, and public-participation procedures.
Creating an entirely new form of nationwide private-law capacity or independent litigation capacity,
however, is a different matter.
Such status affects private rights, litigation rules, property interests, and third parties
and ordinarily requires a clear statutory foundation.
The same point applies to AI.
A local government could conceivably experiment with AI registration, insurance requirements,
supervisory mechanisms, or dedicated funds.
It is far more difficult for a local ordinance, standing alone,
to create a new private-law legal person with nationwide capacity to sue and be sued.
9. What Ecological and AI Personhood Have in Common
First, legal personhood is not biologically limited to human beings.
Corporations demonstrate that proposition in ordinary private law.
Some rights-of-nature regimes demonstrate it in a very different context.
Legal personality may therefore be understood as a status constructed by law for a defined institutional purpose.
The relevant question is not simply whether AI is human, but whether assigning AI a defined legal status would solve a real legal problem.
Second, personhood need not be all-or-nothing.
Property-holding capacity, contractual capacity, procedural capacity,
tort liability, representation, and a dedicated liability estate can be analyzed separately.
The useful question is therefore not whether AI should “be treated like a person.”
It is whether particular AI systems should possess particular legal capacities under particular conditions.
Third, legal personality does not necessarily depend on human-like consciousness.
A corporation has no biological brain, yet the legal system attributes acts and legal consequences to it.
The Whanganui River was not granted legal personhood because it possesses human cognition.
Its legal affairs are conducted through a representative institution.
For AI law, this suggests that the philosophical question of machine consciousness should be separated
from the institutional question of whether the law needs a distinct unit for assigning rights, transactions, assets, and liability.
10. The Critical Difference Between Ecological and AI Personhood
The analogy nevertheless has a major limit:
the purposes of the two forms of personhood are fundamentally different.
Ecological personhood is primarily protective.
A river ordinarily does not enter commercial transactions, manage investment portfolios,
or operate businesses in competition with human actors.
The legal status is principally designed to protect ecological interests from human activity.
The rationale for AI personhood, if it ever becomes necessary, would be quite different.
Highly autonomous AI systems may participate in contracting, asset management, financial transactions,
information generation, automated decision-making, robotic control, and other conduct capable of affecting third parties.
Ecological personhood is principally a form of
rights-bearing status for protection.
AI personhood could instead become a form of
legal status for allocating acts, transactions, and liability.
11. AI Personhood and the Harder Question of Liability Assets
A workable AI-personhood regime would have to confront a problem that is often obscured by philosophical debates:
What property would stand behind the AI's liabilities?
If an AI were recognized as a separate legal person but held no meaningful assets,
a successful plaintiff might obtain a judgment against an empty shell.
Personhood without an adequate liability estate could weaken, rather than improve, accountability.
A serious institutional model might therefore require some combination of:
a mandatory minimum pool of dedicated assets;
liability insurance;
capital contributed by the developer or operator;
a statutory compensation fund;
a human representative or administrator;
accounting and transaction records;
registration and public disclosure;
regulatory supervision; and
formal insolvency or liquidation procedures.
Viewed this way, AI personhood is not primarily a debate about granting “rights to machines.”
It begins to resemble a question of corporate law, insurance law, and tort law:
Should the legal system create a distinct liability-bearing vehicle for certain autonomous systems?
12. Do We Need an AI Legal Person at All?
That question leads to the strongest objection.
Existing law can already impose obligations on developers, manufacturers, service providers,
operators, owners, and users.
Why introduce another legal person?
The objection should be taken seriously.
Legal personhood is an instrument, not an end in itself.
It is useful only if it improves the allocation of rights and responsibility.
Indeed, poorly designed AI personhood could create a liability shield.
An operator might capitalize an AI entity with minimal assets and later argue that
“the AI made the decision independently.”
The new legal person could then become a mechanism for externalizing risk.
AI personhood should never operate as an automatic release of developers,
owners, or operators from otherwise applicable responsibility.
Any serious proposal would therefore have to consider joint liability,
guarantee obligations, minimum capitalization, compulsory insurance,
and perhaps doctrines analogous to veil piercing.
13. The Real Lesson Ecological Personhood Offers AI Law
The real lesson is not that “if a river can be a legal person, an AI can be one too.”
That analogy is too crude.
The more useful lesson is that legal personhood can be modular and functional.
The law can decide which rights, duties, assets, representatives,
and liabilities should attach to a particular legally recognized unit.
Function
Ecological Legal Person
Hypothetical AI Legal Person
Protected interest
Ecological existence and restoration
May not be independently necessary
Contract capacity
Limited
Potentially relevant
Property
Funds or related assets
Dedicated liability assets likely necessary
Litigation capacity
Central feature
Potentially relevant
Representation
Guardian or joint representative
Administrator or statutory representative
Liability
Specially limited or structured
Central issue
Insurance
Secondary
Potentially critical
Supervision
Environmental/public authorities
Possible AI regulator
Institutional purpose
Protection of nature
Allocation of transactions and responsibility
Personhood, on this view, is a legal technology for deciding
where rights, duties, representation, property, and responsibility should reside.
14. Conclusion
The Rights of Nature cannot simply be transplanted into AI law.
The underlying objectives are materially different.
Ecological personhood is primarily designed to protect natural systems.
AI personhood, if it ever becomes useful, is more likely to concern the allocation of transactions,
decision-making authority, risk, and liability arising from autonomous activity.
The comparative experience nevertheless supports an important proposition:
Legal personhood need not be understood as a philosophical declaration that an entity is equivalent to a human being.
It can instead operate as an institutional device for assigning defined rights, duties,
representation, assets, and liabilities to a legally recognized unit.
Accordingly, the first question for AI law should not be:
“Is AI a person?”
The better questions are:
What concrete problem would separate AI legal status solve?
Which AI systems, if any, should qualify?
What rights and obligations should attach to that status?
Who would represent and supervise the AI?
What assets would answer for its liabilities?
How should responsibility be allocated among the AI, developer, owner, and operator?
Would AI personhood improve accountability—or create a new liability shield?
That is the most valuable contribution the ecological-personhood debate makes to AI law.
It shifts the analysis away from the metaphysical question of whether a machine is “like us”
and toward the institutional question lawyers ultimately must answer:
What legal structure best allocates authority, risk, and responsibility?
Selected Authorities and References
Christopher D. Stone, Should Trees Have Standing?—Toward Legal Rights for Natural Objects, 45 Southern California Law Review 450 (1972).
자연과 생태계에 법적 지위를 부여한 세계 각국의 실험은
AI 법인격을 어떻게 생각해야 하는지에 뜻밖의 단서를 제공한다.
읽기 전 안내:
이 글은 비교법적 연구와 일반적인 정보 제공을 목적으로 하며,
개별 사건에 대한 법률의견이나 법률자문이 아닙니다.
법에서 권리와 의무의 주체를 생각할 때 가장 먼저 떠오르는 존재는
자연인(natural person)이다. 그러나 현대 법질서에서 법적 인격이나
권리능력이 반드시 생물학적 인간에게만 인정되는 것은 아니다. 법은 사회적·경제적 필요에 따라
회사·재단과 같은 조직이나 재산결합체에 자연인과 독립된 법인격을 부여해 왔다.
법인은 구성원이나 대표자와 별개의 권리·의무의 주체가 된다. 그렇다고 법인이 자연인과 동일한
권리를 모두 갖는 것은 아니다. 법인의 권리능력은 법률과 목적, 법인의 성질에 의해 제한되며,
생명·신체·혼인처럼 인간의 생물학적·인격적 속성을 전제로 하는 권리는 그대로 적용될 수 없다.
또한 법인은 대표기관을 통하여 의사를 형성하고 법률행위를 수행한다.
핵심 문제:
법인격을 하나의 완전하고 불가분적인 지위가 아니라,
권리·의무·책임재산·대표기관·소송상 지위를 필요에 따라 조합하는
법적 설계기술로 볼 수 있는가?
이 질문은 장래 인공지능에게 어떤 법적 지위를 부여할 것인지 논의할 때도 중요하다.
그렇다고 현행 법인제도를 AI 모델에 그대로 적용할 수 있다는 뜻은 아니다.
오히려 먼저 살펴볼 필요가 있는 것은 법이 이미 인간이 아닌 존재에게 제한적인 법적 지위를
부여해 온 사례들이다. 대표적인 실험이 생태법인(Eco Legal Person)과
보다 넓은 의미의 자연의 권리(Rights of Nature)다.
1. 생태법인이란 무엇인가
생태법인론은 자연·동물·생태계를 단순한 법적 보호의 객체로만 보지 않고,
일정한 범위에서 독립된 권리주체 또는 법적 인격체로 구성하여
그 자체의 보전·복원·생태적 완전성 등의 이익을 법적으로 주장할 수 있도록 하자는 구상이다.
핵심은 자연에게 인간과 동일한 모든 기본권을 부여하는 것이 아니다.
특정 자연물이나 생태계에 제한된 권리능력을 인정하고,
인간인 후견인이나 대표기관이 이를 대신 행사하도록 설계하는 데 있다.
강에 법적 지위를 부여한다고 해서 강에게 선거권이나 혼인권까지 인정한다는 의미는 아니다.
그 권리는 강의 존재, 유지, 복원, 오염방지, 생태적 건전성 등
그 자연물의 성질과 제도적 목적에 맞게 구성된다.
법적 권리의 주체는 반드시 자신의 의사를 직접 표현할 수 있는 인간이어야 하는가?
2. Christopher Stone과 이론의 출발
생태법인과 자연의 권리 논의에서 가장 자주 언급되는 이론적 출발점은
Christopher D. Stone 교수가 1972년 발표한
Should Trees Have Standing?—Toward Legal Rights for Natural Objects다.
Stone은 환경소송에서 인간이 입은 손해만을 중심으로 보는 전통적 접근을 넘어,
숲·강·호수 같은 자연물 자체의 손해를 독립적으로 법정에서 주장할 수 있어야 한다고 제안했다.
그가 상정한 제도는 단순한 권리선언에 그치지 않는다.
자연물 자체에 소송상 지위를 인정한다.
자연을 대신해 권리를 행사하는 후견인 또는 대표자를 둔다.
자연물의 손해를 자연물 자체의 손해로 평가한다.
배상금이나 회복조치를 자연의 복원과 보전에 사용한다.
중요한 것은 자연이 인간과 동일한 의사능력을 갖추어야만 권리주체가 되는 것은 아니라는 발상이다.
법인도 기관을 통해 의사를 형성한다. 생태법인론은 이러한 대표구조를 자연물까지 확장할 수 있는지를 묻는다.
3. 법적 인격의 네 가지 구성요소
첫째, 권리의 내용
자연물에 인정되는 권리는 일반적으로 존재·보전·복원·오염방지·생태적 완전성 등
그 대상의 성질에 적합한 내용으로 제한된다.
둘째, 대표기관
강이나 숲은 자신의 의사를 인간의 언어로 표현하지 못한다.
따라서 국가기관, 지역공동체, 원주민 공동체, 전문가 또는 독립된 후견기구 등이
권리행사의 대표자가 될 수 있다.
셋째, 소송상 지위
권리를 선언하더라도 그 침해를 법원에 제기할 사람이 없다면 실효성이 약하다.
따라서 자연 자체를 원고로 인정하거나,
일정한 개인·단체가 자연의 권리를 주장할 수 있도록 원고적격을 부여하는 구조가 필요하다.
넷째, 책임과 재산
자연물에게 권리뿐 아니라 의무까지 인정한다면 책임은 누가 부담할 것인지,
책임재산은 무엇인지, 대표자의 행위로 발생한 채무를 누구에게 귀속할 것인지가 문제가 된다.
이 문제는 AI 법인격과 연결할 때 특히 중요하다.
4. 해외의 구현 사례
4.1 콜롬비아 — Atrato River
콜롬비아 헌법재판소는 2016년 T-622/16 판결에서
Atrato 강과 그 유역·지류를 보호·보전·유지·복원의 권리를 가지는
권리주체(sujeto de derechos)로 인정했다.
불법 광산개발과 오염은 지역공동체의 생명·건강·물·식량·문화·영토와 관련된 권리뿐 아니라
자연 자체의 보호 필요성과도 연결되어 평가되었다. 강의 권리는 국가와 지역공동체가 공동으로 대표하도록 설계되었다.
4.2 뉴질랜드 — Whanganui River
가장 명확한 법률상 법적 인격 사례 중 하나는
Te Awa Tupua (Whanganui River Claims Settlement) Act 2017이다.
이 법은 Te Awa Tupua를 명시적으로 legal person으로 규정하며,
법적 인격체가 갖는 권리·권한·의무·책임을 가진다고 선언한다.
그 권리와 의무를 실제로 행사하는 대표기관이 Te Pou Tupua다.
Whanganui 모델의 중요한 점은 단순히 “강에게 권리를 주었다”는 데 있지 않다.
법적 인격, 대표기관, 권리와 권한, 의무, 책임, 행정적 지원과 기금까지
하나의 제도적 구조로 연결했다는 점이다.
4.3 에콰도르 — 자연의 권리와 Estrellita
에콰도르는 2008년 헌법에서 자연의 권리를 명문화한 대표적인 국가다.
이후 헌법재판소의 Estrellita 사건에서는
야생동물이 자연의 일부로서 권리주체가 될 수 있다는 접근이 제시되었다.
중요한 것은 인간의 권리를 동물에게 기계적으로 복제하지 않는다는 점이다.
동물의 종별 특성, 자연적 행동, 생태적 필요에 맞게 권리의 내용을 구성한다.
4.4 스페인 — Mar Menor
스페인은 2022년 Ley 19/2022를 제정하여
Mar Menor 석호와 그 유역에 법적 인격을 부여했다.
법률은 해당 생태계를 독립적인 권리주체로 구성하였다.
4.5 인도 — Ganges와 Yamuna
Uttarakhand High Court는 2017년 Ganges강과 Yamuna강을
“living entities”로 보는 판단을 내렸다.
다만 이 판단은 이후 인도 대법원 절차와 집행 문제의 대상이 되었으므로,
뉴질랜드처럼 안정적으로 정착된 법정 법인격 제도와 동일하게 평가하는 것은 주의해야 한다.
5. 한국의 논의
5.1 천성산 도롱뇽 사건
한국에서 자연물의 법적 주체성과 관련해 가장 널리 알려진 사례는
천성산 터널공사와 관련된 이른바 도롱뇽 사건이다.
대법원은 2006. 6. 2.자 2004마1148·1149 결정에서
도롱뇽의 당사자능력을 인정할 수 없다고 본 원심판단을 수긍하였다.
또한 헌법상 환경권 규정만을 근거로 직접 공사금지를 청구하기도 어렵다고 판단하였다.
5.2 제주 생태법인 논의
제주에서는 남방큰돌고래 등 특정 생물종·생태계·자연환경에 법적 지위를 부여하는
생태법인 제도가 지속적으로 논의되어 왔다.
그러나 2026년 8월 현재 생태법인이 제주특별법상의 시행 제도로 성립한 것은 아니다.
따라서 이를 국내에서 이미 작동하고 있는 법정 법인격 제도라고 설명하기보다는,
입법·정책적으로 검토되고 있는 영역으로 보는 것이 정확하다.
6. 생태법인론에 대한 주요 비판
6.1 권리능력의 근거
전통적인 법인은 조직·정관·재산·의사결정기관을 갖는다.
이에 비해 강이나 숲은 스스로 조직을 형성하거나 의사를 결정하지 않는다.
어떤 법적 근거로 어느 범위까지 권리주체성을 인정할 것인지가 문제된다.
6.2 대표의 정당성
국가, 지방정부, 환경단체, 지역주민, 전문가, 원주민 공동체 가운데
누가 자연의 “최선의 이익”을 대변할 것인지도 어렵다.
선임방법·독립성·이해상충·책임을 함께 설계해야 한다.
6.3 대상의 경계
강이나 호수와 달리 철새·해양생물·지하수·해류처럼 이동하고 상호연결된 대상은
법인격의 공간적·생태적 경계를 정하기 어렵다.
6.4 다른 권리와의 충돌
자연의 권리는 토지소유권, 어업권, 광업권, 개발권, 직업수행의 자유 등과 충돌할 수 있다.
자연의 권리를 인정한다는 이유만으로 언제나 다른 권리에 우선한다고 볼 수는 없다.
6.5 책임의 문제
권리뿐 아니라 의무도 인정한다면 더 어려운 문제가 발생한다.
홍수로 피해가 발생했다고 해서 강이 손해배상책임을 져야 하는가?
그 책임재산은 무엇인가? 대표자가 체결한 계약의 채무는 누구에게 귀속되는가?
7. 제한적 권리주체성이라는 대안
생태법인에게 자연인과 동일한 완전한 법인격을 부여하기보다
목적에 맞는 제한적 권리주체성을 설계하는 방법이 보다 현실적일 수 있다.
생존 및 존속
생태적 완전성 유지
서식환경 보호
훼손 방지
오염 제거
훼손된 환경의 복원
독립적인 후견기구가 과학적 조사와 지역공동체의 참여에 기초해 이러한 권리를 행사하도록 하는 방식이다.
8. 조례의 가능성과 한계
지방자치단체는 지방자치사무의 범위와 상위법의 위임에 따라
생태보전 대상 지정, 관리위원회 설치, 모니터링, 복원계획, 주민·전문가 참여 등의
행정제도를 설계할 수 있다.
그러나 조례만으로 자연물에 전국적인 민법상 권리능력이나
민사·행정소송상의 독립된 당사자능력을 새롭게 창설하는 것은 별개의 문제다.
그러한 지위에는 법률 차원의 명확한 근거가 필요하다.
AI도 마찬가지다. 지방자치단체가 AI 등록제·책임보험·기금·감독체계 등을
실험할 가능성은 생각할 수 있지만,
조례만으로 AI에게 독립적인 민사상 법인격이나 전국적인 소송능력을 부여하기는 어렵다.
9. 생태법인과 AI 법인격은 무엇이 같은가
첫째, 법인격은 생물학적 인간에게만 가능한 지위가 아니다
회사와 재단이 그러하고 일부 법질서에서 강과 생태계가 그러하듯,
법적 인격은 자연적 사실이라기보다 법률이 특정 목적을 위해 구성하는 제도적 지위일 수 있다.
AI에게 어떤 법적 지위를 부여하는 것이 실제 사회적·법적 문제를 해결하는 데 필요한가?
둘째, 법인격은 전부 아니면 전무의 문제가 아니다
법적 주체에게 필요한 기능만을 제한적으로 인정할 수 있다.
재산보유능력, 계약능력, 소송능력, 손해배상책임, 대표기관, 책임재산을
각각 별개의 제도요소로 볼 수 있다.
셋째, 법적 인격과 실제 의사능력은 반드시 일치하지 않는다
법인은 생물학적 두뇌가 없지만 법률상 의사를 가진 것으로 취급된다.
Whanganui River 역시 인간과 같은 인지능력 때문에 법적 인격이 인정된 것이 아니다.
대표기관을 통해 법적 행위가 이루어진다.
따라서 AI가 인간과 같은 의식을 가지고 있는지의 철학적 문제와,
독립된 책임귀속 단위를 만들 필요가 있는지의 제도적 문제는 구분할 필요가 있다.
10. 그러나 생태법인과 AI 법인격은 결정적으로 다르다
가장 중요한 차이는 법인격을 인정하려는 목적이다.
생태법인의 주된 목적은 자연의 보호다.
자연은 일반적으로 인간과 계약하고 거래하며 사업을 수행하는 능동적 경제행위자가 아니다.
반면 고도로 자율적인 AI는 계약 체결, 자산관리, 금융거래, 정보생성,
자동의사결정, 로봇제어 등 경제적·사회적 활동에 관여할 수 있다.
이 경우 핵심은 행위의 효과와 책임을 누구에게 귀속할 것인가라는 문제다.
생태법인이 주로 보호를 위한 권리주체화라면,
AI 법인격은 경우에 따라
행위와 책임의 귀속을 위한 주체화가 중심이 될 수 있다.
11. AI 법인격에서 더 어려운 문제 — 책임재산
AI 법인격을 현실적인 제도로 만들려면 철학적 인격 논의보다
책임재산의 문제가 먼저 해결되어야 할 수 있다.
AI를 독립된 법적 주체로 인정해도 그 AI에게 아무런 재산이 없다면
피해자는 실질적인 배상을 받지 못할 수 있다.
따라서 다음과 같은 요소가 검토되어야 한다.
최소 규모의 독립 책임재산
의무적인 책임보험
개발자 또는 운영자의 출자
법정 책임기금
인간인 대표자 또는 관리자
회계 및 거래기록
등록과 공시
감독기관
청산절차
이 관점에서 보면 AI 법인격은 단순히 “AI에게 권리를 줄 것인가”의 문제가 아니라
새로운 책임귀속 단위를 만들 필요가 있는가라는
회사법·보험법·불법행위법의 문제에 가깝다.
12. AI를 굳이 별도의 법인으로 만들 필요가 있는가
보다 근본적인 반론도 있다.
현재도 AI 서비스를 제공하는 회사·개발자·운영자·사용자에게 책임을 부과할 수 있는데,
왜 AI 자체에 새로운 법인격이 필요한가?
이 반론은 중요하다. 법인격은 문제를 해결하기 위한 수단이지 그 자체가 목적이 아니기 때문이다.
오히려 자본이 거의 없는 AI 법인을 만들어 놓고 인간 운영자가
“AI가 독립적으로 판단했다”고 주장할 수 있다면
법인격은 피해자 보호가 아니라 책임회피 장벽으로 악용될 수도 있다.
AI 법인격은 개발자·소유자·운영자의 책임을 자동으로 면제하는 수단이 되어서는 안 된다.
필요하다면 공동책임, 보증책임, 최소책임재산, 의무보험,
법인격부인과 유사한 제도를 함께 설계해야 한다.
13. 생태법인이 AI 법인격 논의에 주는 진짜 교훈
생태법인이 주는 교훈은 “자연도 법인이 되었으니 AI도 법인이 될 수 있다”는 것이 아니다.
더 중요한 것은 법인격을 기능별로 설계할 수 있다는 점이다.
기능
생태법인
가상의 AI 법인
보호이익
생태계의 존속·복원
필수적이지 않을 수 있음
계약능력
제한적
필요할 수 있음
재산보유
기금·관련 재산
책임재산 필요
소송능력
중요한 요소
필요할 수 있음
대표기관
후견인·공동대표
관리자·법정대표자
책임
제한적·특수 설계
핵심 문제
보험
보조적
매우 중요할 수 있음
감독
환경·공공기관
AI 감독기관 가능
존재목적
자연보호
책임귀속·거래안정 등
결국 법인격은 권리·의무·대표·재산·책임을 어느 법적 단위에 귀속시킬 것인지 결정하는
제도적 기술이라고 볼 수 있다.
14. 결론
생태법인 논의를 AI 법인격에 그대로 옮겨올 수는 없다.
두 제도는 법적 인격을 인정하려는 목적부터 다르다.
그러나 자연의 권리를 둘러싼 세계 각국의 실험은 중요한 사실을 보여준다.
법인격은 인간과 동일한 존재임을 선언하는 철학적 칭호가 아니라,
특정한 사회적 목적을 위해 권리·의무·대표·재산·책임을
하나의 법적 단위에 귀속시키는 제도적 기술일 수 있다.
따라서 장래 AI 법인격 논의의 첫 질문은
“AI가 인간인가?”가 되어서는 안 될 것이다.
더 중요한 질문은 다음과 같다.
AI에게 독립된 법적 지위를 부여하면 실제로 어떤 문제가 해결되는가?
어떤 AI에게 어떤 조건으로 어떤 권리와 의무를 인정할 것인가?
누가 AI를 대표하고 감독할 것인가?
AI의 책임재산은 무엇으로 구성할 것인가?
개발자·소유자·운영자와 AI 사이의 책임을 어떻게 배분할 것인가?
AI 법인격이 책임을 강화할 것인가, 아니면 책임회피의 장벽이 될 것인가?
생태법인론의 가장 큰 연구가치는 바로 이 지점에 있다.
AI 시대의 법인격 논의 역시 이러한 기능적 관점에서 출발할 필요가 있다.
참고문헌 및 주요 자료
진희종. (2021). 「‘생태법인(Eco Legal Person)’ 실용화 방안 — 제주남방큰돌고래 적용 모델을 중심으로」. 대동철학, 97, 259–282.
조희문. (2025). 「자연 권리 인정기준에 관한 비교법적 연구 — 에콰도르 Los Cedros 사건과 콜롬비아 Atrato 사건을 중심으로」. 외법논집, 49(2), 145–174.
조희문. (2025). 「동물의 법적 주체성에 관한 비교법적 연구: 라틴아메리카 판례 분석과 한국에의 시사점」. 강원법학, 79, 279–318.
김선희. (2023). 『자연의 권리에 관한 비교법적 연구』. 헌법재판연구원.
Stone, C. D. (1972). Should Trees Have Standing?—Toward Legal Rights for Natural Objects. Southern California Law Review, 45, 450–501.
From securing Freedom to Operate as a defensive measure to deploying patents as strategic commercial assets: an examination of how Fragmented IPR affects manufacturing costs, market entry, and industry growth.
1. How the Role of Intellectual Property Rights Has Changed
Across manufacturing and high-technology industries, intellectual property rights (IPR) have evolved from a legal shield used primarily to avoid infringement disputes into strategic assets that can shape competitive advantage and market structure. At the center of that evolution are two distinct objectives: the traditional goal of securing Freedom to Operate (FTO), and the more assertive use of patents as commercial weapons to preserve or expand a competitive position.
FTO: The Defensive Shield for Market Access and Coexistence
During the formative years of the wireless communications and consumer electronics industries in the 1980s and 1990s, the number of significant market participants was relatively limited and technology boundaries were comparatively well defined. A company's immediate patent objective was therefore to secure enough legal operating space to manufacture and sell its products without facing an injunction or a major damages claim. Patent strategy was, in that sense, principally defensive.
The broad cross-licensing arrangements that developed among large corporations during this period reflected the same logic. Their primary purpose was not necessarily to maximize royalty income, but to reduce mutual infringement exposure and create a stable legal framework in which both sides could continue doing business.
Patents as Commercial Weapons: From Legal Protection to Competitive Leverage
By the twenty-first century, patents were no longer treated solely as legal obstacles to be cleared or defensive rights to be preserved. Patent owners increasingly began to deploy IPR as part of an industrial strategy: to raise barriers to competitive entry, generate royalty income through organized licensing programs, and create leverage in partnerships and ecosystem formation as technologies converged.
A patent portfolio can therefore serve two functions at once. It can protect a company's FTO while also giving the company bargaining power over market access, commercial relationships, and the structure of the surrounding industry.
2. Fragmented IPR and the Cost of Market Entry
As patents have become more strategically important, modern knowledge-based industries have also had to confront the problem of Fragmented IPR. Products such as smartphones and autonomous drones are not built on a single foundational technology. They incorporate dozens or hundreds of complementary technologies, with the relevant patent rights often dispersed among many different owners. When those rights become highly fragmented, the cost of assembling the permissions necessary to enter the market rises with them.
Four recurring problems follow from this fragmentation:
Transaction costs: the time, legal expense, and administrative burden of identifying numerous rights holders and negotiating with them one by one.
Royalty Stacking: the cumulative effect of multiple patent royalties, which can materially increase the cost of manufacturing and commercialization.
Barriers for startups: uncertainty over aggregate licensing costs, combined with limited in-house licensing resources, may cause smaller firms to abandon market entry altogether.
Slower industry growth: fewer manufacturers can mean a smaller overall market, ultimately weakening the royalty base available even to patent owners.
3. A Hypothetical Example: The “Smart AI Drone” and Patent Fragmentation
Consider a hypothetical startup, DroneWorks, developing a next-generation “smart AI drone.” To commercialize an autonomous urban delivery drone worldwide, DroneWorks must lawfully secure access to five complementary patented technologies and thereby obtain the FTO necessary to launch the product:
Company A's high-density safety battery-control patent (a technology essential to the product's cost structure)
Company B's real-time GPS obstacle-avoidance sensing technology (required for safety compliance)
Company C's wind-resistant camera-gimbal stabilization technology (required for imaging quality)
Company D's object-recognition AI autopilot algorithm (the core of autonomous flight)
Company E's anti-hacking end-to-end encrypted wireless transmission protocol (required for security)
Without a multilateral licensing mechanism such as a patent pool or patent platform, DroneWorks would have to negotiate separately with all five companies. If each rights holder demanded a royalty equal to 5% of the drone's sale price, the aggregate royalty burden would reach 25%. Add months of bilateral negotiations and substantial international legal fees, and the economics of the startup's product could deteriorate before commercial launch.
If DroneWorks ultimately abandons market entry, the effect does not stop with the startup. New products arrive later, infrastructure deployment slows, and Companies A through E lose a potential royalty-paying licensee. This is the practical logic of the Tragedy of the Anticommons in intellectual property: individually rational exercises of exclusionary rights can collectively suppress transactions and reduce the size of the market from which all rights holders would otherwise benefit.
4. Licensing Models and the Evolution of Governance
Industries have developed different licensing structures to reduce the transaction costs created by Fragmented IPR. Three representative models are bilateral licensing, patent pools, and patent platforms.
Comparison
Bilateral Licensing
Patent Pool
Patent Platform
Structure
Individually negotiated; no common framework
Centralized and standardized
Hybrid of centralized governance and negotiated flexibility
Patent Evaluation
Each party conducts its own review, often over an extended period
A central IPEC independently evaluates whether patents are genuinely essential
Central IPEC review, with room to account for transaction-specific circumstances
License Terms
Fully negotiable and transaction-specific
Standard pool rates on a take-it-or-leave-it basis
Standard SLA/SRR framework with room for bilateral bargaining and tailored terms
Primary Advantage
Highly granular value allocation in relatively simple technology environments
Substantial reduction in transaction costs for a single standardized technology
Flexibility suited to complex, multi-standard, converged industries
Representative Examples
Manufacturing/assignment licenses and defensive cross-licensing arrangements among large companies
MPEG-2, DVD, and Blu-ray portfolio licensing
3G W-CDMA (PlatformWCDMA / 3G Patents Ltd.)
A Patent Platform is a hybrid model that combines the centralized screening function of a patent pool with the contractual flexibility of bilateral licensing. A neutral expert body, the IPEC, evaluates the essentiality of Essential Patents, while a standard licensing agreement (SLA) and standard royalty rate (SRR) provide a baseline FTO framework and fallback rule. The parties can still negotiate around that baseline to reflect non-monetary consideration, broader cross-licenses, or other transaction-specific terms.
The value of a patent platform therefore lies not in forcing every transaction into identical terms, but in reducing verification and bargaining costs through standardized rules while preserving sufficient flexibility for commercially meaningful customization.
5. The Economics of Royalties: Does a Higher Rate Always Produce More Revenue?
Royalty Rate is not merely a pricing term; it is a variable that can affect downstream product cost, adoption, and the size of the addressable market. Drawing on the equipment-cost and royalty-cost model discussed in Goldstein & Kearsey's Technology Patent Licensing, the following comparison illustrates how a High Royalty Regime and a Low Royalty Regime may produce very different commercial outcomes.
Cost Stack
High Royalty Regime
Low Royalty Regime
Tier 1: R&D
$20 (fixed research investment)
$20 (fixed research investment)
Tier 2: BOM
$50 (hardware assembly and packaging cost)
$50 (hardware assembly and packaging cost)
Tier 3: IPR Costs
$15 (higher aggregate royalty burden)
$5 (lower rate through platform coordination)
Tier 4: Mark-up
$15 (manufacturer margin)
$15 (manufacturer margin)
Final Equipment Price
$100 (higher price barrier)
$90 ($10 lower price)
Annual Unit Volume
1 million units (slower market entry and limited adoption)
5 million units (market expansion)
Aggregate Royalty Revenue
1 million × $15 = $15 million
5 million × $5 = $25 million
The model illustrates an important point: Royalty Rate and Total Royalty Revenue do not necessarily move in the same direction. At a $15 royalty, the equipment price reaches $100, unit sales remain at 1 million, and aggregate royalty revenue is $15 million. If platform coordination reduces the unit royalty to $5, the equipment price falls to $90, annual volume increases to 5 million units, and aggregate royalty revenue rises to $25 million.
Under these assumptions, the market expands fivefold and patent owners receive 66.7% more aggregate royalty revenue despite accepting a lower per-unit rate. The theory is that a lower IPR cost burden reduces the end-product price, encourages demand and manufacturing participation, and creates a Catalyzer Effect that enlarges the market from which royalty revenue is ultimately derived.
The 3G W-CDMA Example
Goldstein & Kearsey, in Technology Patent Licensing, point to 3G W-CDMA as a historical example of this pricing mechanism. They explain that PlatformWCDMA coordinated royalty rates in a manner that lowered equipment-cost barriers and encouraged global mobile network operators to accelerate large-scale investments in 3G infrastructure. As adoption increased, worldwide W-CDMA subscriptions exceeded 4 million in the first quarter of 2004.
Goldstein & Kearsey further contrast W-CDMA's expansion across Asia, Australia, and Europe with cdma2000, which they characterize as having remained more concentrated in certain markets, including Korea (92%), the United States, and parts of Japan. In their account, W-CDMA ultimately developed into a successful global standards ecosystem.
6. What This Means for IP Management
As patents have expanded from defensive tools for preserving FTO into strategic commercial assets, companies have gained additional ways to use intellectual property in competition and negotiation. At the same time, Fragmented IPR and Royalty Stacking can increase manufacturing costs and make market entry more difficult.
A sound licensing strategy therefore cannot be built solely around maximizing the nominal royalty rate for each patent. It must also account for transaction costs, the licensee's practical ability to enter and remain in the market, and the possibility that broader market adoption may generate greater aggregate returns for patent owners. That is why FTO, patent pools, Patent Platforms, and Royalty Rate are best analyzed as parts of a single licensing-governance problem rather than as isolated legal concepts.
References
Goldstein, L. M., & Kearsey, B. N. (2004). Technology patent licensing: An international reference on 21st century patent licensing, patent pools and patent platforms. Aspatore Books.
