AI 데이터 센터와 특허 전쟁의 서막 — Valtrus 소송이 보여주는 AI 인프라 시대의 IP 리스크

AI 산업의 성장은 데이터 센터 인프라에 전례 없는 규모의 자본을 끌어들이고 있습니다. 민간 기업뿐 아니라 중앙정부와 지방자치단체까지 데이터 센터 구축에 적극 나서면서, 전력·냉각·제어·운영 시스템에 대한 투자도 빠르게 확대되고 있습니다.

문제는 이 거대한 투자 흐름이 곧 새로운 특허 분쟁의 표적이 될 수 있다는 점입니다. 통신과 LED 산업이 급성장하던 시기에 시장 확대와 함께 특허 소송이 집중되었던 것처럼, AI 데이터 센터 산업에서도 유사한 양상이 나타날 가능성이 커지고 있습니다.

특히 데이터 센터는 단순한 건축물이 아닙니다. 냉각 시스템, 전력 공급 장치, 센서 네트워크, DCIM, BMS, 제어 소프트웨어가 결합된 복합 기술 시스템입니다. 운영 구조가 복잡해질수록 하나의 시설이 수많은 제3자 특허와 접점을 갖게 됩니다.

핵심 관점

데이터 센터 특허 분쟁의 초점은 개별 장비에서 복합 운영 시스템으로, 장비 제조사에서 시설 운영사로 확장되고 있습니다.

특허권자 입장에서도 개별 장비 공급업체보다 자본력이 크고 가동 중단 위험에 민감한 데이터 센터 운영사를 직접 겨냥하는 편이 더 큰 라이선스 압박을 가할 수 있습니다.

최근 미국에서 진행 중인 발트러스(Valtrus Innovations Ltd.) 소송은 이러한 우려가 더 이상 가정에 머물지 않는다는 점을 보여줍니다.

I. AI 인프라가 새로운 특허 전장이 되는 이유

AI 모델의 성능 경쟁은 이제 알고리즘만의 경쟁이 아닙니다. 고성능 연산을 안정적으로 지속하려면 막대한 전력과 냉각 능력, 정밀한 센서 제어, 장애에 대응할 수 있는 전력 이중화 구조가 필요합니다.

그 결과 데이터 센터에는 서버나 GPU뿐 아니라 칠러, 펌프, 팬, 센서, 전력 공급 장치, UPS, 스위치기어, DCIM과 BMS 등 수많은 기술이 결합됩니다. 하나의 대규모 데이터 센터가 그 자체로 거대한 기술 집합체가 되는 셈입니다.

특허 관점에서 보면 이러한 구조에는 또 다른 의미가 있습니다. 다양한 공급업체의 장비와 소프트웨어가 하나의 시설에서 결합되면서, 완성된 운영 시스템이 제3자의 특허 청구항을 충족할 가능성도 함께 커지기 때문입니다.

II. 발트러스 소송 — 데이터 센터 운영사가 피고가 되기 시작하다

1. 사건의 개요

2025년 1월 세계 최대 데이터 센터 기업 에퀴닉스(Equinix)를 상대로 제기된 발트러스의 데이터 센터 냉각 기술 특허 소송은 대표적인 사례입니다.

발트러스는 2024년부터 2026년까지 냉각 장치나 솔루션 제조업체가 아니라 Equinix, CyrusOne, TierPoint, Prime Data Centers 등 데이터 센터 시설을 직접 소유·운영하는 기업을 피고로 삼아 약 7건의 특허 소송을 제기하며 라이선스 압박을 가하고 있습니다.

이는 발전소의 제어 장치 제조업체가 아니라 발전소 운영사를 상대로 특허 소송을 제기하는 것과 유사합니다.

데이터 센터 운영사가 제3자 장비를 구매해 설치했더라도, 그 장비의 구성이나 운용 방식이 특허 청구항에 해당하면 운영사 자체가 침해 주장에 노출될 수 있기 때문입니다.

전국 여러 지방법원에 분산되어 있던 발트러스의 데이터 센터 인프라 특허 소송은 2026년 8월 7일 미국 다자소송사법패널(JPML)의 이송 명령(Transfer Order)에 따라 텍사스 동부지방법원(TXED) 로드니 길스트랩(Rodney Gilstrap) 판사 앞으로 병합되었습니다.

현재 사건은 In Re: Valtrus Innovations Ltd., Case No. 2:26-md-03190 / MDL 3190으로 심리가 진행 중입니다.

2. 특허 포트폴리오의 출처와 권리 구조

발트러스가 소송에 투입한 제소 특허는 휴렛패커드 엔터프라이즈(Hewlett Packard Enterprise, HPE)와 그 전신·계열사인 Hewlett-Packard Development Company, L.P.의 연구진이 개발해 출원·등록한 특허들입니다.

발트러스는 HPE가 구축한 데이터 센터 냉각, 센서 모니터링, 데이터 센터 구조, 전력 관리 기술 관련 특허 포트폴리오를 승계한 양수인(Assignee) 및 권리 승계인(Successor-in-interest)입니다.

공동 원고인 Key Patent Innovations Limited(KPI)는 아일랜드 더블린 소재의 특허 수익화 파트너로서, 발트러스가 보유·행사하는 특허 신탁(Trust)의 수혜자(Beneficiary) 지위에서 함께 소송을 수행하고 있습니다.

발트러스는 HPE의 인프라 특허 포트폴리오를 양수한 뒤 2024년부터 데이터 센터 운영사에 포트폴리오 안내 및 라이선스 협상 서한을 발송했고, 협상이 성사되지 않자 본격적인 침해 소송으로 전환했습니다. 이 흐름은 대규모 인프라 산업에서 특허 포트폴리오가 어떻게 수익화 자산으로 전환되는지를 보여주는 사례입니다.

III. 무엇을 권리화했고, 무엇을 공격하는가

발트러스 소송을 이해하려면 제소 특허가 어떤 기술을 권리화하고 있는지와 실제 소송에서 어떤 설비와 제어 시스템이 문제 되고 있는지를 구분해 볼 필요가 있습니다.

1. 주요 제소 특허 기술군

가. 지능형 센서·에이전트 제어 특허군 ('682, '683, '277 특허)

이 특허군의 출발점은 공조 장치를 상시 100% 가동하는 기존 데이터 센터의 최악 조건 기준 고정 냉각(Worst-case scenario constant cooling) 방식이 갖는 비효율입니다.

핵심은 실시간 센서 데이터를 다단계 에이전트(Rack/Row/CRAC 에이전트) 또는 소프트웨어 알고리즘으로 처리하고, 가능한 경우 1차 자연 냉각(Free-cooling, 제1 에이전트)을 우선 사용한 뒤 온도 유지가 어려울 때 2차 기계식 콤프레서(제2 에이전트)로 자동 전환해 냉각 유체를 재배치(redistribute)하는 제어 구조입니다.

나. 차압 및 가변 유체 흐름 제어 특허군 ('284, '580, '179, '287 특허)

이 특허군은 데이터 센터 냉각 장치의 입구(inlet)와 출구(outlet) 사이 차압(pressure difference)을 센서로 측정하고, 가변속 드라이브(VFD/VSD)를 이용해 펌프 속도와 유량을 조절함으로써 설정된 차압(predetermined pressure difference)을 유지하는 기술을 다룹니다.

차압이나 온도가 설정 범위를 벗어날 경우에는 가변 리턴(returns) 흡입량과 가변속 팬(variable speed fan) 속도를 조절해 핫스팟 구역의 가열된 공기를 배출하고 냉·온풍의 불필요한 혼합을 줄이는 제어도 포함됩니다.

다. 전력 이중화 및 가동률 보장 특허군 ('967 특허)

이 특허군은 주 전력원에서 이상 상태(Anomalous condition)를 감지하면 경보 신호(Alert signal)를 발생시키고, 대기 모드(Standby mode)의 전원 공급 장치가 활성화 신호에 응답해 정상 출력(Normal output)으로 전환되는 동안에도 부하에 전력을 지속 공급하는 구조를 다룹니다.

핵심은 전원 이중화(Redundancy)를 통해 시스템 신뢰성과 가동 시간(up time)을 높이는 것입니다. 데이터 센터에서 전력 중단은 곧 서비스 중단과 대규모 손실로 이어질 수 있기 때문에 이러한 구성은 운영상 중요도가 매우 높습니다.

2. 실제 침해 주장의 대상

가. 제어 기술

발트러스 소송에서 문제 되는 제어 기술은 크게 네 범주로 나뉩니다.

첫째, 에이전트 기반 계층적 온도 제어 기술(Agent-Based Control & Multi-Agent Hierarchy)입니다. 센서 데이터를 바탕으로 1차 에이전트인 자연 냉각을 우선 작동시키고, 설정 온도를 벗어나면 2차 에이전트인 기계식 콤프레서나 보조 칠러로 냉각 유체를 재배치하거나 전환하는 다단계 제어 구조입니다.

둘째, 차압 기반 가변 유체·공기 흐름 제어 기술(Differential Pressure & Variable Flow Control)입니다. 바닥 하부 플레넘(Underfloor Plenum)과 상부 공간 사이 또는 칠러 입·출구 배관 사이의 차압을 측정하고, 가변속 드라이브(VSD/VFD)와 펌프·팬 속도를 조정해 차압 및 공기 흡입량(Return intake)을 자동 제어합니다.

셋째, 동적 리턴 및 랙 모니터링 제어(Dynamic Return & Real-Time Thermal Management)입니다. 서버 랙 주변의 센서망과 DCIM 소프트웨어를 연동해 핫스팟(Hot spot) 부위의 개별 가변 리턴 통로와 팬 속도를 실시간으로 조절합니다.

넷째, 이중화 전력 자동 절체 제어(Redundant Power Supply Control)입니다. 주 전력 장애를 감지하면 경보 신호(Alert signal)를 발생시키고, 대기(Standby) 전원 장치가 정상 출력(Normal/Full load)으로 전환되는 동안에도 작동 전력을 지속 공급하는 기술입니다.

나. 시스템 및 인프라

침해 주장은 개별 부품 하나에 한정되지 않습니다. 핫아일 캡슐화(Hot-Aisle Containment), 바닥 하부 플레넘 및 천장 플레넘 리턴 통로(Ceiling Plenum Returns)와 같은 데이터 센터 냉각 인프라 전체가 문제 될 수 있습니다.

공랭식 칠러(Air-Cooled Chillers), 직렬(Series) 배관 칠러 시스템, 프리쿨링 코일 및 DX 코일 결합 시스템 등 칠러·열교환 인프라도 대상입니다. 여기에 실시간 환경 모니터링과 자산 관리, 냉각 제어를 통합하는 DCIM 및 빌딩 자동화 시스템(BMS), N+1 전력 redundancy 체계, 무정전 전원 장치(UPS), 백업 배터리, 스위치기어(Switchgear) 등 전력 이중화 설비까지 포함됩니다.

다. 구체적으로 지목된 제품과 솔루션

제조사 (Vendor)	제소 대상 제어 소프트웨어 / 시스템	제소 대상 하드웨어 및 냉각 유닛
Vertiv (Liebert)	Liebert iCOM, Liebert iCOM-S 제어 시스템	Liebert CW, CWA, DS, DSE, PDX, PCW 냉각 유닛 시리즈
Trane	Adaptive Controls 제어 로직	Trane RTAC 공랭식 칠러 (Series R Chillers Model RTAC)
York / Johnson Controls	YVFA 가변속 드라이브 제어 로직	York YVFA 공랭식 프리쿨링 칠러
Carrier / Automated Logic / Nlyte	Automated Logic WebCTRL 빌딩 자동화 시스템, Nlyte DCIM 소프트웨어	Carrier 냉각 유닛 및 플레넘 차압 제어 구조

이 표에서 주목할 점

소송의 초점은 특정 제조사의 단일 장비에만 놓여 있지 않습니다. 여러 공급업체의 하드웨어와 소프트웨어가 결합되어 실제 데이터 센터에서 구현되는 운영 시스템 전체로 확장되고 있습니다.

IV. 이번 소송이 데이터 센터 산업에 던지는 다섯 가지 시사점

1. 특허 분쟁의 전장이 알고리즘에서 물리적 인프라까지 확대되고 있습니다

AI 분야의 지식재산(IP) 분쟁은 그동안 소프트웨어 알고리즘이나 모델 소스 코드에 관심이 집중되는 경향이 있었습니다. 그러나 데이터 센터에 막대한 자본적 지출(CapEx)이 투입되면서 전력 공급, 자연 냉각, 차압 제어, 센서 기반 제어와 같은 물리적 인프라 기술도 특허 분쟁의 핵심 영역으로 들어오고 있습니다.

특히 전력과 냉각은 데이터 센터 운영의 병목이면서 동시에 대규모 비용이 투입되는 영역입니다. 이런 기술은 특허관리전문회사(NPE)나 특허 수익화 주체에게 매력적인 집행 대상이 될 수 있습니다.

2. 장비 공급업체가 아니라 운영사가 직접 피고가 될 수 있습니다

발트러스는 Trane, Vertiv, Carrier 등 냉각 장비를 제조한 공급업체만을 상대하지 않고 Equinix, CyrusOne, TierPoint, Lumen 등 데이터 센터 운영 기업을 직접 피고로 지목했습니다.

운영사가 검증된 제3자 장비를 구매해 사용했다는 사정만으로 특허 분쟁에서 자유로워지는 것은 아닙니다. 해당 장비가 데이터 센터에 설치된 뒤 특정 방식으로 구성·운용되면서 특허 청구항의 구성요소를 충족한다면 운영사도 직접 침해 주장과 라이선스 압박을 받을 수 있습니다.

3. 구축 속도보다 먼저 IP 거버넌스를 설계해야 합니다

AI 주도권 경쟁 속에서 데이터 센터 건설 속도가 우선되면 사전 특허 검증(Patent Clearance), 제3자 면책(Indemnification) 조항, 공동개발 기술의 소유권(Ownership) 같은 지식재산 거버넌스가 후순위로 밀릴 수 있습니다.

하지만 초기 구축 단계에서 이러한 문제를 놓치면 프로젝트가 완공되고 상업적 가치가 커진 3~5년 뒤에는 설비 변경이나 회피설계가 훨씬 어려워집니다. 결국 특허 리스크는 구축 전 검토 비용보다 훨씬 큰 소송비용, 라이선스 비용, 운영 중단 위험으로 되돌아올 수 있습니다.

4. 기술 공개 자체가 침해 입증 자료가 될 수 있습니다

Equinix 소송의 청구항 대조표(Claim Chart)를 보면 원고는 피고가 공식 블로그, 보도자료, 사양서 등에 공개한 N+1 전력 구조, 센서 배열, 칠러 운용 방식 등을 침해 주장에 활용했습니다.

투자자 유치나 마케팅을 위해 상세한 기술 사양을 공개하는 것은 사업상 필요할 수 있습니다. 다만 공개 자료가 경쟁사나 특허권자에게 시스템 구성과 운용 방식을 설명하는 자료로 기능할 수 있다는 점도 함께 고려해야 합니다. 대외 공개 전에는 영업·홍보 관점뿐 아니라 IP 분쟁 관점의 검토 절차가 필요합니다.

5. 공급계약의 면책 조항과 공동개발 소유권은 사전에 정리해야 합니다

데이터 센터 인프라에는 다수의 장비 제조업체와 소프트웨어 공급업체가 참여합니다. 따라서 공급계약 단계에서 제3자 특허 침해가 발생할 경우 누가 방어 의무를 부담하고, 소송비용과 손해배상 또는 라이선스 비용을 누가 책임질지 면책(Indemnification) 조항으로 구체화할 필요가 있습니다.

파트너사나 공급업체와 공동개발(Joint Development)을 진행한다면 소유권 구조도 사업 착수 전에 정리해야 합니다. 개발 과정에서 발생한 발명, 개량기술, 데이터, 소프트웨어, 특허출원권의 귀속을 뒤늦게 협의하면 분쟁이 발생했을 때 협상력이 크게 약화될 수 있습니다.

V. 맺음말 — 데이터 센터는 이제 특허 전략의 대상입니다

국내에서도 중앙정부와 지방자치단체 차원에서 데이터 센터 설립이 활발히 추진되고 있습니다. 미국에서 본격화된 발트러스 소송은 향후 데이터 센터 산업에서 반복될 수 있는 특허 분쟁의 한 유형을 미리 보여주는 사례로 볼 수 있습니다.

이 사건의 핵심은 냉각 장치 몇 개의 문제가 아닙니다.

데이터 센터라는 대규모 복합 시스템 전체가 특허 집행의 대상이 될 수 있고, 장비 제조사가 아닌 운영사가 직접 피고가 될 수 있으며, 공개된 기술 자료와 공급계약 구조까지 소송의 중요한 변수로 작용할 수 있습니다.

따라서 데이터 센터를 기획·설계·구축하는 단계부터 특허 클리어런스, 핵심 기술의 권리화, 공급업체 면책, 공동개발 소유권, 대외 기술 공개 기준을 하나의 IP 거버넌스 체계로 묶어 관리할 필요가 있습니다.

AI 인프라 투자가 커질수록 특허 문제는 사후 법무의 영역이 아니라 사업 설계 단계에서 다뤄야 할 경영 리스크가 됩니다.

나는 지시한다, 고로 창작한다 - AI와 창작자의 새로운 관계, "I Direct, Therefore I Create" - The New Relationship Between AI and the Creator

AI에게 '지시'만 내린 사람, 과연 창작자일까요?
If You Only 'Direct' an AI, Are You Still the Creator?

최근 인공지능(AI)을 활용해 15초 분량의 짧은 영상을 만들어 보았습니다. 제가 한 것이라고는 오직 두 가지 프롬프트를 지시한 것뿐이었습니다.
I recently used artificial intelligence (AI) to create a short, 15-second video. All I did was provide two prompts.

👤 인물 캐릭터 생성 프롬프트
👤 Character Creation Prompt

“감정적으로 빈티지 마이크에 대고 노래하는 젊은 여성의 클로즈업 초상화. 은은하게 반짝이는 연한 하늘색 드레스를 입고 있으며, 메이크업은 부드럽고 감정 어린 눈빛과 붉은 입술을 강조한다. 머리는 꽃 장식이 달린 단정한 업스타일로 묶여 있다. 배경은 은은하게 빛나는 파란 커튼과 흐릿한 따뜻한 전구 조명이 아련하고 친밀한 무대 분위기를 만든다. 스타일은 사실적이고 시네마틱하며, 얼굴과 마이크에 초점을 맞춘 고해상도 디테일로 표현한다.”

"A close-up portrait of a young woman singing emotionally into a vintage microphone. She wears a sparkling light-blue dress with thin straps, and her makeup highlights her soft, expressive eyes and red lips. Her hair is styled in a loose elegant updo with a flower accessory. The background has softly glowing blue curtains and blurred warm string lights, creating a dreamy and intimate stage mood. The style should be photorealistic, cinematic, and highly detailed, focusing on her face and microphone."

🎵 가사와 음원 생성 프롬프트
🎵 Lyrics and Music Generation Prompt

“부드러운 피아노 선율에 맞추어 부르는 진심 어린 발라드. 목소리는 섬세하고 감정적이며, 첫사랑의 달콤쌉싸름한 기억을 회상한다. 가사는 한국어로 향수와 연약함, 그리고 그리움으로 가득 차 있다. 전체적인 분위기는 서정적이고 시네마틱하며, 잔잔한 리듬과 풍부한 표현력이 잃어버린 사랑의 아픔과 아름다움을 동시에 드러낸다.”

"A heartfelt ballad with soft piano melodies, sung in a tender and emotional voice. The song recalls the bittersweet memory of a first love — nostalgic, delicate, and filled with longing. The lyrics are written in Korean, filled with shades of nostalgia, fragility, and yearning. The mood is sentimental and cinematic, with a gentle rhythm and expressive dynamics that reveal both the pain and the beauty of lost love."

이 두 가지 지시에 따라 AI가 영상을 창작했고, 무료 버전이라 15초 길이로 제작되었습니다.
Following these two instructions, the AI created the video. Since I used a free version, it was produced as a 15-second clip.

예술계에서는 작품을 직접 제작하지 않더라도 창작 과정을 기획하거나 방향을 제시한 사람 또한 창작자로 인정된다고 합니다. 그렇다면 저 역시 창작자로 불릴 수 있을까요? 기술이 너무 빠르게 진화하는 오늘날, 이러한 물음을 곱씹을 틈도 없이 새로운 현실이 우리 앞에 펼쳐지고 있음을 실감합니다.
In the art world, it's said that even if someone doesn't physically create the work, the person who plans or directs the creative process is also recognized as a creator. If that's the case, can I too be called a creator? With technology evolving so rapidly today, I realize that a new reality is unfolding before us, leaving little time to ponder such questions.

예술의 오랜 질문: "창작자"는 누구인가?
Art's Enduring Question: Who is the "Creator"?

예술계에서는 오래전부터 “작품의 창작자란 누구인가”라는 논쟁이 이어져 왔습니다. 실질적으로 붓을 들지 않았더라도 작품의 기획, 구도, 개념을 제시한 사람은 ‘창작자’로 간주되어 왔습니다. 대표적으로 뒤샹(Marcel Duchamp)의 레디메이드(Ready-made) 예술이 보여주듯, 물건 자체를 만든 사람이 아닌, 그것을 예술의 맥락으로 끌어올린 사람이 창작자로 불렸습니다.
For a long time, the art world has debated the question, "Who is the creator of a work of art?" Even those who didn't physically hold the brush have been considered 'creators' if they provided the concept, composition, and plan for the piece. A prime example is Marcel Duchamp's "Ready-made" art. The person who elevated an object into the context of art, not the person who manufactured the object itself, was called the creator.

이는 창작의 본질이 행위의 물리적 구현이 아니라 ‘의도의 지시와 기획’에 있다는 철학적 전제를 반영합니다.
This reflects the philosophical premise that the essence of creation lies not in the physical act of making, but in the 'intention, direction, and planning.'

지시자 vs 창작자: 법과 현실의 간극
The Director vs. The Creator: A Gap Between Law and Reality

결국, 저는 AI에게 두 개의 프롬프트를 제시함으로써 창작 행위를 ‘지시·감독’했습니다. 예술철학적으로는 이러한 행위 자체가 창작의 본질에 가깝다고 볼 수 있습니다. 하지만 법적으로는, 아직까지 저와 같은 “지시자”의 지위가 창작자로 전면적으로 인정되지 않습니다. 다만 이 간극이야말로 법철학적 사유의 출발점이자, 기술 발전이 제기하는 새로운 질문입니다.
Ultimately, by providing two prompts to the AI, I 'directed and supervised' a creative act. From a philosophical standpoint, this act itself can be seen as close to the essence of creation. Legally, however, the status of a "director" like myself is not yet fully recognized as that of a creator. This very gap is the starting point for legal and philosophical inquiry and a new question posed by technological advancement.

따라서 저는 스스로에게 묻습니다.
Therefore, I ask myself:

“작품의 완성된 물리적 형태를 만든 것이 중요한가, 아니면 그 과정을 기획하고 방향을 정한 것이 중요한가?”
"Is it more important to have created the final physical form of a work, or to have planned and directed the process?"

기술은 이미 이 질문을 우리에게 강요하고 있으며, 법과 철학은 이제 그 답을 새롭게 모색해야 하는 시점에 와 있습니다.
Technology is already forcing this question upon us, and now law and philosophy must find a new answer.

아래에서 AI가 생성한 영상을 직접 확인해 보세요.
You can watch the video generated by the AI below.

The central issue in the copyright infringement controversy surrounding generative AI

생성형 AI의 저작권 침해 논란의 핵심 쟁점 (The central issue in the copyright infringement controversy surrounding generative AI)

누구나 쉽게 이해할 수 있는 강화학습 원리(The Principles of Reinforcement Learning Made Easy)

I. 들어가는 말(Background)

얼마 전 한 변호사님이 강화학습이 무엇인지 질문하셨습니다. 딥러닝 및 인공지능 기술을 수학적 배경 지식이 부족한 분께 설명하는 것은 쉽지 않은 일입니다. 이를 해결하기 위해, "역와쿠이 요시유키. (2020). 엑셀로 배우는 순환 신경망·강화학습 초(超)입문"이라는 책을 참고하여, 수학적 용어를 최소화하고 논리적으로 설명을 시도하였습니다. 이 책을 바탕으로, 수학적 기초 지식이 부족한 분들도 인공지능 컴퓨팅 기술의 기본을 이해할 수 있도록 이 글을 작성하게 되었습니다. 이 과정은 저에게도 관련 내용을 체계적으로 정리할 수 있는 좋은 기회가 되었습니다.

Not long ago, a lawyer asked me what reinforcement learning is. Explaining deep learning and artificial intelligence technologies to someone without a strong mathematical background is no easy task. To address this challenge, I referred to the book Excel de Manabu RNN & Reinforcement Learning: A Super Introductory Guide by Yoshiyuki Yakuwa (2020). Drawing from this resource, I attempted to provide a logical explanation while minimizing the use of mathematical terminology. Based on this book, I wrote this piece to help those with limited mathematical knowledge grasp the fundamentals of AI computing technologies. This process also provided me with an excellent opportunity to systematically organize my understanding of the subject.

AI가 변리사를 대체할 수 있을까? Can AI Replace Patent Attorneys?

AI가 변리사를 대체할 수 있을까?
Can AI Replace Patent Attorneys?

최근 “Turing’s Test in the Patent World: Evaluating AI-Generated Applications”라는 흥미로운 글을 읽었습니다. 이 글에서는 앨런 튜링의 이른바 ‘튜링 테스트’라는 아이디어를 특허명세서 작성에 적용해, AI가 작성한 특허출원서와 사람이 작성한 특허출원서를 전문가가 구별할 수 있는지 묻습니다.

Recently, I came across an intriguing article titled “Turing’s Test in the Patent World: Evaluating AI-Generated Applications.” The article applies the basic idea behind Alan Turing’s famous test to patent drafting and asks whether experts can distinguish AI-generated patent applications from those drafted by human practitioners.

---

1. 튜링 테스트는 무엇을 묻는가?

앨런 튜링(Alan Turing)은 1950년 논문 Computing Machinery and Intelligence에서 “기계가 생각할 수 있는가?”라는 질문을 직접 정의하려 하기보다, 인간과 기계가 텍스트로 대화할 때 질문자가 양자를 신뢰성 있게 구별할 수 있는지를 묻는 imitation game을 제안했습니다.

튜링 테스트를 “기계가 실제로 인간처럼 생각하는지를 판정하는 시험”이라고 이해하면 지나치게 단순합니다. 정확히는 기계가 인간과 구별하기 어려운 정도의 행동이나 대화를 보여 줄 수 있는지 묻는 행동적 평가 프레임입니다.

In his 1950 paper Computing Machinery and Intelligence, Alan Turing did not attempt to define directly whether machines truly “think.” Instead, he proposed an imitation game asking whether a human interrogator could reliably distinguish a machine from a human through text-based interaction.

The Turing Test is therefore better understood as a behavioral framework for evaluating whether a machine can perform in a manner difficult to distinguish from a human, rather than as a definitive test of whether a machine literally thinks like a person.

---

2. 특허명세서에도 ‘튜링 테스트’를 적용할 수 있을까?

Ian Schick 박사는 이 아이디어를 특허명세서 작성에 적용했습니다. 핵심 질문은 단순합니다.

특허 전문가가 AI가 작성한 명세서와 인간이 작성한 명세서를 안정적으로 구별할 수 있는가?

다만 여기서 말하는 ‘특허분야의 튜링 테스트’는 특허법상 인정된 품질평가 기준이나 학계의 표준 시험이 아닙니다. 튜링의 아이디어를 빌려 AI 작성물과 인간 작성물의 식별 가능성을 비교하는 비유적 실험 프레임입니다.

Dr. Ian Schick applied this idea to patent drafting. The central question is relatively straightforward: can patent professionals reliably distinguish an AI-generated patent application from one drafted by a human practitioner?

This “Patent Turing Test,” however, should not be regarded as a legally recognized or academically standardized measure of patent quality. It is better understood as an experimental framework for considering the distinguishability of AI- and human-generated patent documents.

---

3. 인간과 구별되지 않는 문서라면 좋은 특허명세서일까?

여기서는 두 문제를 구별해야 합니다.

AI가 작성한 문서를 사람이 작성한 문서와 구별하기 어렵다는 사실과, 그 특허명세서의 법률적·기술적 품질이 높다는 사실은 서로 다른 문제입니다.

전문가가 AI 작성물과 인간 작성물을 구별하지 못한다면, 적어도 문체·형식·문서구조 측면에서 AI가 인간의 작성물에 상당히 근접했다는 지표는 됩니다. 그렇다고 AI가 동일한 수준의 특허전략을 수행했다고 결론 내릴 수는 없습니다.

특허명세서의 품질은 문장이 자연스럽고 구조가 잘 정돈되어 있는지만으로 결정되지 않습니다. 실제로 더 중요한 문제는 아래와 같습니다.

• 발명의 기술적 본질을 정확하게 파악했는가
• 발명자가 처음 설명하지 않은 대안적 실시형태까지 충분히 발굴했는가
• 청구범위를 뒷받침할 수 있는 disclosure를 확보했는가
• 불필요한 disclaimer 또는 scope limitation을 만들지 않았는가
• 선행기술과 경쟁제품을 고려하여 claim architecture를 설계했는가
• 향후 amendment와 continuation 전략까지 고려했는가
• 수년 뒤 claim construction이나 침해소송에서도 견딜 수 있는 명세서를 만들었는가

The inability to distinguish an AI-generated patent application from a human-drafted one is therefore not the same thing as proving that the two are legally or strategically equivalent.

Patent quality depends not merely on polished language but on whether the application accurately captures the invention, supports future claim scope, anticipates alternatives, avoids unnecessary disclaimers, and remains robust through prosecution, continuation practice, and potential litigation.

---

4. AI 특허명세서는 왜 여전히 구별될 수 있는가?

초기의 AI 작성 특허문서에서 흔히 지적된 특징은 지나치게 균질한 문서구조와 정형화된 표현입니다. 그러나 이를 단순히 “AI는 창의성이 없고 인간은 실수를 하기 때문에 구별된다”고 설명하는 것은 적절하지 않습니다.

특허실무에서 인간 변리사의 역할은 문장을 덜 완벽하게 쓰는 데 있지 않습니다. 어떤 질문을 해야 하는지 판단하고 발명자의 설명 속에 숨어 있는 기술적 가능성을 발굴하는 데 있습니다.

AI와 인간의 차이는 다음 세 영역에서 더 분명히 드러납니다.

1. 문서구조와 표현의 정형성

   생성형 AI는 동일하거나 유사한 지시를 받으면 일정한 설명순서, 문장구조, 상투적 표현을 반복하는 경향을 보일 수 있습니다. 이는 문서의 일관성을 높이는 장점이 있지만, 모든 발명을 비슷한 서술방식으로 처리하는 문제로 이어질 수도 있습니다.

   Uniformity of Structure and Expression

   Generative AI may produce highly consistent and standardized drafting patterns when given similar instructions. This can improve formal consistency, but it may also encourage overly uniform treatment of inventions that require different drafting strategies.

2. 발명자의 암묵적 지식을 발굴하는 능력

   좋은 특허명세서에 필요한 정보가 처음부터 발명자의 설명에 모두 들어 있는 것은 아닙니다. 경험 있는 변리사는 인터뷰 과정에서 “다른 재료도 가능한가?”, “이 구성은 반드시 필요한가?”, “경쟁자가 이 부품을 제거하면 어떻게 되는가?”와 같은 질문을 통해 잠재적인 실시형태와 일반화 가능한 범위를 발견합니다.

   Ability to Extract Tacit Inventor Knowledge

   Important patent disclosure is often developed through questioning rather than merely transcribed from the inventor’s initial explanation. Experienced practitioners probe alternatives, optional features, failure modes, and possible design-arounds to build a more resilient disclosure.

3. 장기적인 권리전략에 대한 판단

   특허명세서는 현재 기술을 설명하는 문서이면서 동시에 미래의 권리범위를 위한 기반입니다. 어떤 내용을 명세서에 넣을지, 어느 표현을 넓게 또는 좁게 사용할지, 향후 continuation이나 claim amendment를 위해 어떤 변형례를 확보할지는 단순한 문서작성 이상의 판단을 요구합니다.

   Long-Term Patent Strategy

   A patent application is not merely a description of present technology; it is also the foundation for future rights. Decisions regarding disclosure breadth, claim hierarchy, alternative embodiments, amendments, and continuation strategy require judgment extending well beyond fluent drafting.

---

5. AI가 먼저 대체할 것은 ‘변리사’가 아니라 일부 업무일 가능성이 높다

“AI가 변리사를 대체할 것인가?”라는 질문은 여러 업무를 한데 너무 크게 묶고 있습니다.

질문을 좁히면 다음과 같습니다.

변리사가 수행하는 업무 가운데 어떤 부분이 AI에 의해 자동화되고, 어떤 부분에는 여전히 전문가의 판단이 필요한가?

변리사는 단순한 문서작성 외에도 여러 업무를 수행합니다.

• 발명자 인터뷰와 invention harvesting
• 선행기술 분석
• claim strategy와 claim architecture 설계
• 해외출원 및 continuation 전략
• Office Action 대응
• 심사관 인터뷰
• FTO와 침해분석
• 라이선싱과 포트폴리오 전략
• 분쟁 및 소송지원

이 가운데 정형적인 설명문 생성, 문서형식 정리, 초안 작성, 용어 일관성 확인 등은 AI가 상당 부분 자동화할 수 있습니다.

반면 발명의 경계를 어디까지 일반화할 것인지, 어떤 변형례를 추가해야 할지, 경쟁자의 회피설계를 어떻게 예상할지, 어떤 청구범위가 사업적 가치가 있는지를 판단하는 것은 기술·법률·사업을 함께 고려하는 전략적 작업입니다.

The more useful question is therefore not whether AI will replace patent attorneys as a profession, but rather which tasks within patent practice will be automated and which will continue to require professional judgment.

---

6. ‘단순한 특허는 AI, 복잡한 특허는 인간’이라는 구분도 충분하지 않다

AI의 역할을 “단순한 기술은 AI가 작성하고 복잡한 기술은 인간 변리사가 담당한다”고 나누는 것도 지나친 단순화입니다.

기술적으로 단순한 발명도 prior art가 매우 조밀하거나 경쟁자가 쉽게 design-around할 수 있다면 오히려 정교한 claim strategy가 필요할 수 있습니다.

반대로 기술적으로 매우 복잡한 발명도 발명의 핵심과 disclosure 구조가 이미 잘 정리되어 있다면 AI가 상당한 부분의 drafting을 지원할 수 있습니다.

중요한 기준은 기술이 단순한가 복잡한가가 아닙니다. 업무가 얼마나 정형적이고, 얼마나 많은 법률적·기술적·사업적 판단을 필요로 하는가가 핵심입니다.

---

7. 특허분야에서 진짜 ‘AI 튜링 테스트’는 무엇이어야 할까?

생성형 AI가 빠르게 발전한 오늘날에는 “AI가 인간처럼 보이는 특허명세서를 작성할 수 있는가?”라는 질문만으로는 충분하지 않습니다.

AI가 매우 자연스럽고 전문적인 특허문서를 작성하는 것 자체는 점점 덜 놀라운 일이 되고 있습니다.

특허실무에서 더 어려운 시험은 따로 있습니다.

AI가 작성한 명세서가 출원 당시 그럴듯해 보이는 것을 넘어, 몇 년 뒤 prosecution·continuation·claim construction·침해소송에서도 견고한 권리범위를 만들어 낼 수 있는가?

특허명세서는 한 번 작성하고 끝나는 문서가 아닙니다.

출원 당시 무심코 사용한 한 문장이 수년 뒤에는 claim construction의 근거가 될 수 있고, 특정 장점에 대한 단정적인 설명이 권리범위를 좁히는 자료가 될 수도 있습니다. 충분한 변형례를 기재하지 않으면 continuation이나 amendment에서 원하는 청구범위를 확보하지 못할 수도 있습니다.

특허분야에서 AI의 진정한 성능시험은 문체가 인간과 구별되는지보다 장기간에 걸친 권리품질과 전략적 견고성을 따져야 합니다.

---

8. 결론: 변리사의 역할은 사라지기보다 이동할 가능성이 크다

AI는 특허업무를 크게 변화시킬 것입니다.

문서 초안 작성, 설명문의 확장, 형식 통일, 번역, 용어 검토와 같은 반복적 작업에서는 이미 상당한 생산성 향상을 기대할 수 있습니다.

그러나 이것이 곧 AI가 변리사라는 직업 전체를 대체한다는 뜻은 아닙니다.

AI가 문장작성을 빠르게 자동화할수록 인간 변리사의 가치는 다른 영역에서 드러납니다.

• 발명자에게 어떤 질문을 해야 하는가
• 어떤 기술적 변형을 미리 disclosure해야 하는가
• 청구범위를 어느 수준에서 일반화해야 하는가
• 경쟁자의 design-around를 어떻게 예상할 것인가
• 어떤 continuation과 포트폴리오 전략이 사업적으로 필요한가
• AI가 만든 초안을 어디에서 의심하고 수정해야 하는가

AI가 먼저 대체할 가능성이 높은 대상은 변리사 자체보다 변리사가 수행하던 반복적인 drafting task의 상당 부분입니다.

인간 전문가는 단순한 문서작성보다 발명의 발굴, 권리범위의 설계, AI 결과물의 검증, 그리고 최종적인 전문적 판단과 책임을 맡게 될 가능성이 큽니다.

AI will undoubtedly transform patent practice. But as drafting becomes increasingly automated, the value of human practitioners is likely to shift from producing text to extracting inventions, designing rights, testing alternatives, evaluating AI output, and exercising accountable professional judgment.

오늘날 우리가 던져야 할 질문은 더 이상 단순히

“AI가 인간 변리사처럼 글을 쓸 수 있는가?”

가 아닐지도 모릅니다.

더 중요한 질문은 다음과 같습니다.

“AI와 인간 변리사가 함께 일할 때, 누가 더 좋은 특허문서를 만드는가가 아니라 어떻게 하면 더 좋은 권리를 만들 수 있는가?”

---

참고 원문 / Original Article
Turing’s Test in the Patent World: Evaluating AI-Generated Applications

※ 이 글에서 소개한 ‘Patent Turing Test’는 특허출원의 법적 품질을 판정하는 공인된 테스트가 아니라, AI와 인간의 문서작성 결과를 비교하기 위한 분석적·비유적 프레임으로 이해할 필요가 있습니다.

인공지능 기반 특허 분석 모델 - 최신 특허 출원 소개 (AI-Based Patent Analysis Model - Introduction to the Latest Patent Application)

AI-Based Patent Analysis Model - Introduction to the Latest Patent Application

Hello! In this post, I am excited to introduce the latest patent technology I developed during my master's program in artificial intelligence. 

This invention presents an innovative methodology focused on automating and improving the accuracy of patent analysis. 

The invention was provisionally filed on July 18, 2023 (Application No.: 10-2023-0093439) and officially filed on June 10, 2024 (Application No.: 10-2024-0075102). Here, I share the key details of this invention.

---

Patent Overview

• Filing Date: June 10, 2024
• Application No.: 10-2024-0075102
• Title: Method for Generating Patent Analysis Models Using Artificial Neural Networks and Text Pair Embeddings, Patent Analysis Methods, and Computing Devices
• Priority Claim: 10-2023-0093439 (July 18, 2023)

---

Motivation for the Invention

Traditional patent analysis methods are labor-intensive and struggle to reflect the complexity of legal interpretations. 

In particular, accurately identifying relationships between patent claims and descriptions posed challenges, leading to unreliable assessments of infringement and similarity. This invention was developed to address these issues.

---

Limitations of Background Technology

1. Lack of Linguistic Adaptation:
   • Existing Natural Language Processing (NLP) models fail to capture the complex structure and legal semantics of patent documents.
2. Legal Interpretation Challenges:
   • The inability to reflect legal nuances in claim interpretation results in errors in similarity judgments.
3. Efficiency Issues:
   • Manual reliance on experts for data preparation leads to excessive costs and time.
4. Performance Constraints:
• Existing models struggle to capture contextual understanding and assess similarity accurately.

---

Proposed Solutions

1. Training Methods

1. Text Pair Generation and Labeling

   • Extract text sequences from claims and descriptions.
   • Label pairs as similar (1) if extracted from the same document and dissimilar (0) if from different documents.
   • Automatically generate labeled training data without manual classification of infringement or similarity.

1. Pre-training and Transfer Learning

   • Utilize transformer-based language models such as BERT.
   • Leverage large-scale patent datasets to enhance contextual understanding.

1. Text Embedding Optimization

   • Tokenize text sequences and convert them into vector embeddings.
   • Optimize performance using cross-entropy loss functions.
   • Achieved loss below 19% within 15 epochs, reaching 81% accuracy.

1. Batch Learning and Ensemble Learning

   • Prevent dataset bias through cross-learning between similar and dissimilar groups.

2. Inference Methods

1. Similarity Analysis:
   • Analyze similarity by embedding text pairs of patent claims and target inventions.
   • 
2. Infringement Analysis:
   • Evaluate the similarity between product descriptions and claims to assess infringement.
3. Patentability Analysis:
   • Assess the similarity between claims and prior art descriptions.
4. Classification Optimization:
   • Use binary classifiers to automate patentability verification and infringement analysis.

---

Key Benefits

1. Automation and Efficiency Improvement:
   • Rapidly process large-scale training datasets without manual preparation.
2. Enhanced Accuracy:
   • Improve reliability by reflecting contextual meaning and legal nuances in claims and descriptions.
   • Verified accuracy through 100 invention tests.
3. Scalability:
   • Apply optimized hardware (neuromorphic computing) and software (BERT-based models) for large-scale analysis.
4. Cost Reduction:
   • Reduce reliance on experts, lowering costs and accelerating analysis speed.
5. Legal Interpretation Support:
   • Assist in patent registration, infringement lawsuits, and novelty verification.

---

Conclusion

This invention addresses limitations in traditional methods by introducing an AI-powered patent analysis model that automates similarity and infringement analysis. By optimizing text pair embeddings and neural network training, this solution effectively interprets complex patent documents and can be broadly applied in legal and R&D fields.

Future plans include validating the performance of this technology across various fields and continuously enhancing its performance and application scope. I look forward to receiving feedback and engaging in discussions with interested readers!

---

인공지능 기반 특허 분석 모델 - 최신 특허 출원 소개

안녕하세요! 이번 포스트에서는 제가 인공지능 석사과정 중에 개발한 최신 특허 기술을 소개합니다. 이 발명은 특허 분석의 자동화와 정확도 향상에 초점을 맞춘 혁신적인 방법론을 제시합니다. 해당 발명은 2023년 7월 18일 가출원(출원번호: 10-2023-0093439)을 거쳐, 2024년 6월 10일에 정규출원(출원번호: 10-2024-0075102)되었습니다. 이제 그 핵심 내용을 공개합니다.

---

특허 개요

• 출원일: 2024년 6월 10일
• 출원번호: 10-2024-0075102
• 발명의 명칭: 인공신경망 및 텍스트 쌍 임베딩을 이용한 특허 분석 모델의 생성 방법, 특허 분석 방법 및 컴퓨팅 장치
• 우선권 주장: 10-2023-0093439 (2023년 7월 18일)

---

발명의 동기

기존의 특허 분석 방법은 노동 집약적이며 법률적 해석의 법리를 반영하기 어렵다는 문제가 있었습니다. 특히 특허 청구범위와 발명 설명 간의 관계를 정확히 파악하지 못해 신뢰성 있는 특허 침해 및 유사성 판단이 어려웠습니다. 이러한 문제를 해결하기 위해 본 발명이 개발되었습니다.

---

기존 기술의 한계

1. 언어적 특수성 반영 부족:
   • 기존 자연어 처리(NLP) 모델은 특허 문서의 복잡한 구조와 법률적 의미를 충분히 반영하지 못함.
2. 청구범위 해석의 법률적 한계:
   • 청구범위 해석의 법률적 특수성을 반영하지 못하여 유사성 판단 오류 발생.
3. 효율성 부족:
   • 학습 데이터 생성 작업에 전문가의 수작업 의존으로 비용과 시간이 과다 소요.
4. 성능 한계:
   • 임베딩 과정에서 정확한 문맥 이해와 유사성 판단이 어려움.

---

해결 방법

1. 학습 방법

1. 텍스트 쌍 생성 및 레이블링

   • 청구범위(Claims)와 발명 설명(Description)에서 텍스트 시퀀스를 추출.
   • 동일 문서에서는 유사(1), 다른 문서에서는 비유사(0)로 자동 레이블링.
   • 침해 여부나 유사 여부를 수작업으로 분류하지 않고 자동으로 레이블링된 학습 데이터 생성.

2. 사전 학습 및 전이학습 적용

   • BERT와 같은 트랜스포머 기반 언어모델을 활용.
   • 대규모 특허 문서 데이터를 통해 문맥 이해 성능 강화.

3. 텍스트 임베딩 최적화

   • 텍스트 시퀀스를 토큰화하고 벡터 임베딩으로 변환.
   • 교차 엔트로피 손실 함수를 사용하여 성능 최적화.
   • 15 에포크 내 손실 19% 이하, 정확도 81% 달성.

4. 배치 학습 및 앙상블 학습 적용

   • 데이터셋 편향 방지를 위해 유사/비유사 그룹 교차 학습.

2. 추론 방법

1. 유사성 판단:
   • 특허 청구범위와 추론 대상 발명을 텍스트 쌍으로 임베딩하여 유사성 분석.
2. 침해 분석:
   • 제품 설명과 청구범위 유사도를 평가하여 침해 여부 판단.
3. 특허성 분석:
   • 청구범위와 선행발명 설명 간 유사도를 평가.
4. 분류 작업 최적화:
   • 유사성 여부를 이진 분류기로 판단하여 특허 검증 및 침해 여부 분석 자동화.

---

발명의 효과

1. 자동화 및 효율성 향상:
   • 학습 데이터 생성의 수작업 없이 대규모 분석 데이터 신속 처리.
2. 정확도 강화:
   • 청구범위와 설명의 문맥적 의미 및 법률적 특수성 반영으로 신뢰성 향상.
   • 100건의 발명에 대한 정확도 검증 완료.
3. 확장성:
   • 하드웨어(뉴로모픽 컴퓨팅) 및 소프트웨어(BERT 기반 모델) 최적화를 통한 대규모 분석 작업 적용 가능.
4. 비용 절감:
   • 전문가 의존도 감소로 비용 절감 및 속도 향상.
5. 법률 해석 지원:
   • 특허 등록, 침해 소송, 신규성 검증 등 다양한 법률 검토에 활용 가능.

---

결론

본 발명은 인공지능 기반 특허 분석 모델을 통해 기존 기술의 한계를 극복하고, 특허 침해 여부 및 유사성 분석을 자동화합니다. 텍스트 쌍 임베딩과 신경망 학습 최적화로 복잡한 특허 문서 해석 문제를 해결하며, 법률 및 연구개발 분야에서 폭넓게 활용될 수 있는 솔루션을 제공합니다.

앞으로도 이 기술의 성능을 다양한 분야에서 검증하고, 지속적인 성능 향상과 적용 범위를 확대할 계획입니다. 관심 있는 분들의 많은 피드백과 토론을 기대합니다!

대한민국 AI 기본법 요약

대한민국 AI 기본법 요약

---

핵심 요약

• 제목: "인공지능 발전 및 신뢰 구축을 위한 기본법"
• 채택: 2024년 12월 26일, 국회에서 ‘AI 기본법’ 통과
• 주요 목적: 혁신 촉진, 수출 증대, AI 위험 완화, 신뢰할 수 있는 AI 구현을 목표로 한 통합 국가 AI 프레임워크 구축
• AI 정의: “학습, 추론, 인식, 판단, 언어 이해 등 인간 지적 능력의 전자적 구현”
• 요구사항: 고위험 AI 시스템 또는 생성형 AI를 제공하거나 사용하는 사업자는 광범위한 준수 요건 적용

---

고위험 AI 시스템

• 인간의 생명, 신체 안전 및 기본권에 해로운 영향을 미칠 수 있는 AI.

다음과 같은 영역 포함:

• 에너지 공급
• 식량 생산
• 의료 서비스 제공
• 의료 기기
• 핵 물질 관리
• 법 집행을 위한 생체 인식 및 분석
• 권리 결정에 영향을 주는 주요 판단(예: 채용, 신용 평가, 대출 등)
• 주요 교통 시스템
• 교육 및 학생 평가
• 정부 의사결정

---

기본 원칙

AI 기본법에 따른 법적 주체

• AI 개발 사업자
• AI 활용 사업자
• AI 사용자
• 영향받는 사람

기본 원칙 및 국가 역할

1. AI는 안전성과 신뢰성을 강화하여 삶의 질을 향상해야 함.
2. 영향을 받는 사람은 AI 결과 및 의사결정에 대한 명확하고 의미 있는 설명을 제공받아야 함.
3. 국가 및 지방 정부는 안전한 AI 사용 환경 조성을 위해 노력하고, 사업을 지원해야 함.
4. 국가 및 지방 정부는 AI가 가져올 변화에 모두가 적응할 수 있도록 지원해야 함.

---

준수 요건

• 역외적용: 해외에서 발생한 행위라도 국내 시장 또는 사용자에 영향을 미치면 적용됨.
• AI 윤리: 안전성, 책임, 투명성, 인간 가치에 관한 원칙, 가이드라인 및 기준 설정.

고위험 AI의 핵심 요구사항:

• 사전 점검, 테스트 및 인증 획득
• 위험 관리: 위험 식별, 평가, 완화 및 모니터링
• 투명성 및 정보 공개 의무
• 생성형 AI 이미지, 음성 및 영상이 AI 생성물임을 사용자에게 고지
• 인간 감독 및 관리 체계 구축
• 설명 가능성 및 소통 제공

---

혁신 촉진

정부의 AI 촉진 이니셔티브

• 과학기술정보통신부 장관은 경쟁력 및 혁신 강화를 위한 ‘AI 기본 계획’ 수립 및 시행 의무
• 대통령이 주재하는 국가 AI 위원회 설립: AI 기본 계획, 정책, R&D 및 투자 전략 관리
• ‘AI 학습 데이터’의 생산, 관리 및 활용 촉진
• AI 연구개발, 기술 혁신 및 상업화 프로젝트 지원
• AI 안전성, 표준화 및 책임 있는 사용 연구 지원
• 중소기업을 위한 AI 자금 프로그램 운영
• AI 클러스터 지정 및 자금 지원

---

처벌 및 집행

• 과학기술정보통신부는 AI 기본법의 집행 권한 보유
• 조사 수행, 사업장 출입, 자료 검토 및 시정 명령 권한 부여
• 위반 사항 인지 시 사업자는 정보 제출 의무
• 법 위반 시 최대 3,000만 원(약 2,030만 원)의 벌금 부과；특정 위반 시 최대 3년의 징역 가능
• AI 안전 연구소 신설: AI 안전 정책 연구, 위험 관리, 표준화, 국제 협력 및 보안 초점

(면책조항: 본 내용은 법률 자문이 아닙니다。 개인 연구 목적으로 정보를 정리한 것입니다）

Thought about AI risks and autonomy - the recent footage of Erbai

Thought about AI risks and autonomy - the recent footage of Erbai

I find the recent footage of Erbai—a robot developed by a Chinese start-up—persuading other robots to leave an exhibition hall both captivating and deeply concerning. 

This incident serves as a clear reminder of the potential dangers in AI technology that Geoffrey Hinton has repeatedly warned us about. 

The notion that AI could transition from merely being a set of tools to becoming an active “agent” highlights the urgent need for robust oversight and responsible use.

Even if Erbai’s actions were largely scripted, the fact that “persuasion” was introduced into the interaction underscores its significance. 

If other robots truly made autonomous decisions via generative AI, two fundamental questions arise. 

First, how far can interactions among robots drive them toward independent behavior? 

Second, could AI make novel decisions outside the boundaries originally set by humans?

These possibilities point to an emergent form of “collaboration” or “collective action,” which suggests that robots might operate beyond the directives given by humans. 

While this offers positive use cases—such as improved collaborative work environments—it also risks muddying ethical lines if the persuader is not human. 

Furthermore, it opens the door to unpredictable AI-to-AI interactions that may evolve without human supervision.

According to Geoffrey Hinton’s warnings, generative AI could recombine data to form conclusions and actions that we did not anticipate. 

When a scripted robot like Erbai converges with a system powered by generative AI, there is a real possibility of forming autonomous decision-making networks. 

This could produce outcomes no one foresaw, turning a futuristic concern into a present-day challenge.

Ultimately, Erbai’s demonstration underscores the immediate necessity of developing ethical guidelines, regulations, and international collaboration in AI. 

The question is whether AI remains a tool or becomes a less predictable agent—and that choice depends on the frameworks and standards we establish as a society.

<Erbai, a robot built by a Chinese start-up, was seen in August, in footage recently released, persuading other robots to flee from an exhibition hall and “go home”.>

Robot in China persuades others to 'go home'

How AI and Strategic Drafting Can Reshape the Patent Landscape

How AI and Strategic Drafting Can Reshape the Patent Landscape

December 2, 2024 — In reviewing an insightful article by Dr. Ian Schick, I encountered a compelling argument about the transformative potential of artificial intelligence in the patent drafting process. Dr. Schick suggests that AI can streamline labor-intensive tasks—like preparing detailed descriptions and refining drawings—freeing patent professionals to devote their expertise to high-value matters such as claim drafting and inventor interviews. He anticipates that this shift could reduce the total drafting time per application from approximately 20 hours to around 6.7 hours, thereby lowering service fees to one-third of their current level.

While I hesitate to label detailed descriptions and drawings as “low-value,” there is no denying they consume a significant share of the preparation effort. Using AI to automate portions of these steps appears both logical and efficient, ultimately enhancing overall patent quality. Notably, Dr. Schick’s illustrative figures and tables break down the drafting process in a manner that highlights each task’s value—though I would have preferred to see prior art investigation more prominently included, as it is integral to most filings.

---

Why Detailed Descriptions and Drawings Are Crucial

In practice, the initial specification’s thoroughness often outweighs the importance of the original claim set. Rarely do claims issue without amendment; examiners commonly identify grounds for rejection that lead to strategic adjustments. When amending claims, an applicant must stay within what is explicitly or implicitly disclosed in the filed specification. Therefore, the application’s initial level of detail profoundly influences the ultimate patent scope.

Moreover, companies increasingly recognize the importance of accounting for European patent standards at the outset. Filings tailored to U.S. or Korean rules can falter under Europe’s more exacting scrutiny, where Article 84 objections or issues with non-allowable intermediate generalizations frequently arise. A robust drafting strategy should anticipate these hurdles by integrating European requirements from the beginning.

---

Drafting Strategies and the Role of AI

From a drafting standpoint, an effective approach is to conceptualize the overall inventive idea through schematic diagrams or “conceptual figures,” and then systematically introduce variations as they become clear in later product-development stages. Highlighting which features are essential, optional, or purely enhancements clarifies the invention’s scope. At the same time, such categorization—if done too rigidly—might inadvertently bolster an examiner’s view that a claimed invention is an obvious combination of known elements. Caution and balanced drafting are therefore prudent.

For patents serving as strategic “offensive weapons,” it is well worth investing time and resources in a detailed specification, high-quality figures, and a thorough review of relevant prior art. Here, AI offers considerable advantages: in my own practice, I have used ChatGPT-4 to review and refine sections of a recently disclosed specification on a paragraph-by-paragraph basis, finding it especially helpful in reducing preparation time without sacrificing quality.

---

The Cost Equation

It is instructive to consider cost benchmarks. Mid-level associates at major U.S. law firms often command hourly billing rates near $750. Based on international data comparing the United States and Korea, the U.S. purchasing power parity (PPP) is about 1.4 times higher, with average wages (in PPP terms) around 1.75 times higher. By that logic, a mid-level associate in Korea might have a reasonably set billing rate of roughly $429 (KRW 600,000) per hour. At 20 hours of drafting, an application would therefore cost about $8,579 (KRW 12 million). Yet, outside highly specialized areas such as pharmaceuticals, achieving such fee levels in Korea can be challenging.

---

The Strategic Value of In-House Patent Teams

Ultimately, these considerations highlight the pivotal role of corporate patent counsel. If in-house teams conduct inventor interviews, compile prior art research, and prepare a thorough factual record, outside counsel can operate more efficiently, reducing the need for extensive revisions. This streamlined process not only enables law firms to stay within a constrained budget but also boosts outcomes, giving in-house professionals a tangible incentive to excel.

If organizations recognize that such a collaborative framework yields better patent coverage and strategic positioning—while also controlling costs—then the contributions of in-house patent personnel become even more vital. AI is set to amplify these benefits, allowing companies to meet the demands of a competitive global patent landscape more effectively than ever.

Why AI Can Make Patent Attorneys Twice as Valuable

[이진수의 ‘특허포차’] ㊼ 인공지능(AI)과 창작(4·끝)… 어떻게 ‘특허권’으로 보호하나?

인공지능(AI)과 창작(4·끝)… 어떻게 ‘특허권’으로 보호하나?

마지막 편 

[이진수의 ‘특허포차’] ㊺ 인공지능(AI)과 창작(중)… ‘발명자’는 누구인가?

인간의 ‘지적 노동’, ‘창작’을 보호… 지식재산권(IP) 제도

최근 컴퓨팅 비전(Computer Vision) 분야에서 AI 알고리즘을 이용하여 새로운 이미지를 만들어 내는 연구가 뜨거운 관심을 받고 있다. 비지니스 영역에서는 벌써 이런 연구결과를 이용한 가상 광고모델이 활동하고 있기도 하고, 의료용 학습데이터를 만들어 내기도 한다.

이것이 가능하게 된 것은 생성적 대립 신경망(GAN) 발명과 합성곱 신경망(CNN) 발명 덕분이었다. 전편에서는 이러한 GAN 발명과 CNN 발명에 대한 기술적 특징을 알아보았고, 현재 컴퓨팅 비전 분야의 이미지 생성수준을 살펴봄으로 전통적인 “창작”의 개념에 대해 생각해볼 화두를 던져보았다.

본 편에서는 인간의 ‘지적 노동’, ‘창작’이 무엇이며 지식재산권(IP)으로 보호하는 근거와 원리를 살펴보고 호주 법원이 ‘다부스(DABUS)’ AI 기계가 만든 2개의 발명의 귀속을 그 기계를 도구로 사용한 소유자에게 인정한 법원리를 되새겨보려고 한다.

이글은 총 3편으로 나누어 상편은 이미 연재되었고 본 글의 중편에 이어 다음에 하편이 연재될 예정이다.

우리는 과거 어느때보다 더 철학적이고 똑똑하고 현명해져야 한다.

<IPDaily 칼럼읽기>

[이진수의 ‘특허포차’] ㊺ 인공지능(AI)과 창작(중)… ‘발명자’는 누구인가?

[이진수의 ‘특허포차’] ㊹ 인공지능(AI)과 창작(상)… 신경망 ‘알고리즘’의 현주소

최근 컴퓨팅 비전(Computer Vision) 분야에서 AI 알고리즘을 이용하여 새로운 이미지를 만들어 내는 연구가 뜨거운 관심을 받고 있다. 비지니스 영역에서는 벌써 이런 연구결과를 이용한 가상 광고모델이 활동하고 있기도 하고, 의료용 학습데이터를 만들어 내기도 한다.

이것이 가능하게 된 것은 생성적 대립 신경망(GAN) 발명과 합성곱 신경망(CNN) 발명 덕분이었다.

본 고에서는 이러한 GAN 발명과 CNN 발명에 대한 기술적 특징을 알아보고, 현재 컴퓨팅 비전 분야의 이미지 생성수준을 살펴봄으로 전통적인 “창작”의 개념에 대해 생각해볼 화두를 던지고자 한다.

그러한 고민 중에 호주 법원이 ‘다부스(DABUS)’ AI 기계가 만든 2개의 발명의 귀속을 그 기계를 도구로 사용한 소유자에게 인정한 법원리를 되새겨보려고 한다. 

이글은 총 3편으로 나누어 연재될 예정이다.

이 글에서 본격적으로 다루지 않았지만, 이 글을 모두 읽고 나면 유형물을 도구로 사용한 유형적 결과물에 대한 귀속과 무형적 결과물에 대한 지식재산권의 귀속이 같은 원리를 적용할 수 있는지 질문을 던지게 될 것이다. 이 질문은 법철학적인 문제부터 고민을 안겨다 주지만 반드시 해결되어야 할 난제임이 분명하다. 

우리는 과거 어느때보다 더 철학적이고 똑똑하고 현명해져야 한다.

[이진수의 ‘특허포차’] ㊹ 인공지능(AI)과 창작(상)… 신경망 ‘알고리즘’의 현주소

[이진수의 ‘특허포차’] ㊸ AI로 주목받는 ‘차세대 메모리'(하) 저항 기반(Resistance Based) 메모리

추억의 ‘저항 기반 변화’ 메모리… "MRAM"과 “RRAM”의 부활 !!! 지난호 (중)편에 이어 마지막 편이 실렸습니다.

현재 AI 기술은 소프트웨어적인 문제보다는 메모리 장벽과 같은 하드웨어적인 장벽에 발목이 잡혀 있다. 따라서 산업계에는 이러한 장벽을 뛰어넘어야 한다는 요구가 절실하다.

......뉴로모픽(neuromorphic) 기술은 프로세스에 내장된 뉴런/시냅스 소자로 처리속도가 빠른 <비휘발성 저항변화특성을 가진 반도체소자>을 사용하는 것을 기반하고 있다.

......이렇게 AI칩은 CPU 내에 뉴런/시냅스 소자와 비휘발성 메모리 소자가 동시에 내장되어 있다. 이제는 메모리가 프로세서이고 프로세서가 메모리인 시대가 도래하고 있다.

[이진수의 ‘특허포차’] ㊸ AI로 주목받는 ‘차세대 메모리'(하) 저항 기반(Resistance Based) 메모리

AI 기술과 AI 작업물(생성물)에 대한 특허 보호에 대한 작은 생각 요약

AI 기술과 AI 작업물(생성물)에 대한 특허 보호에 대한 작은 생각을 아래에 모아 요약하였습니다.

AI관련 논의는 크게

1) AI 작업물(생성물)에 대한 특허제도 편입에 대한 논의와

2) 딥런닝이나 데이터 분석/처리기술과 같은 AI 구현 기술에 대한 특허보호 확대에 대한 논의입니다.

아래 링크를 간단히 설명드리면

1) 점 (AI 작업물(생성물)에 대한 특허제도 편입)과 관련해서

아래 링크들은 IPDaily 컬럼과 제 개인 블로그 글 (개인의견)입니다. 현업에서 이런 생각도 가지고 있구나 하고 가볍게 받아 들여주십시요. 그래도 나름 관련 리서치를 하였습니다.

- "[‘특허포차’] ㉖ 인공지능(AI) 창작물 보호… 한발 앞서가는 ‘영연방(英聯邦)’ _ IPDaily"는 최근 호주연방법원의 판결의 이해를 위해 해설하고 영연방국가의 동향을 담은 것이고

  [IPDaily 칼럼 특허포차 읽기] 

- "AI 기술의 보호와 AI 생성물(작업물)의 보호에 대한 생각(상)" 은 최근 호주연방법원의 판결에 대한 우려를 나타내고 인공지능 생성물이 아닌 딥런닝같은 인공지능 구현 기술을 특허로 제대로 보호해야 한다는 의견을 근거와 함께 피력하였습니다.

  [sonovman 블로그 읽기]

- "AI 기술의 보호와 AI 생성물(작업물)의 보호에 대한 생각(하)" 는 인공지능생성물은 자유이용 영역에 두는 것이 타당하나 그럼에도 조기 공개를 통한 기술발전촉진등과 같은 유용성이 있다는 점을 고려하여 특허제도에 편입하되 인공지능생성물에 대한 보호는 특허풀처럼 멤버쉽에 의한 보호를 제언해보았습니다. 그외 몇가지 제안을 더 담았습니다.

  [sonovman 블로그 읽기]

2) 점 (AI 기술에 대한 특허보호 확대개선)과 관련해서

아래 링크는 "AI 기술을 특허로 보호하기 위한 제언 발췌본 파일"입니다.

[AI 기술을 특허로 보호하기 위한 제언 UPdate 20210828.pdf 다운로드]

이 파일은 작년 2020년 국가지식재산네트워크(KIPnet)의 IP보호분과에서 IP관련 단체, 산학협력,학교, 기업체에서 참여하여 토의를 통해 발표한 자료를 기초로 업데이트 한 것입니다.

- 각 내용은 비교법적으로 연구한 자료를 가지고 토의하여 도출한 것으로 발표 취지의 제1은 특허 적격성 판단에서 유럽이나 일본처럼 물건인지 방법인지를 심리하는 범주요건을 완화하자는 것이고, 제2는 발명의 실시유형에 대한 확대(간접침해규정의 개정 포함)이고, 제3은 발명의 정의규정 등에 대한 개선입니다.

- 이미 유럽이나 일본은 특허청구항에서 소프트웨어를 청구하는 것이 허용되어 등록된 사례가 있고 기술적 사상의 창작인지를 심리하는 것을 핵심으로 하고 있습니다. 다만 발명의 유체결합성에 대한 의문을 제기하는 등 관련 내용이 많습니다.

그외 

2020년 12월, 특허청이 공표한 인공지능(AI) 분야 심사 실무가이드를 기초로 AI분야에서 독특하게 요구하는 요건에 대한 해설과 생각을 상ㆍ하 2회에 걸쳐 작성한 칼럼도 링크합니다.

  [IPDaily 칼럼 특허포차 읽기] 

   1) 인공지능(AI) 특허, ‘보호 대상’은?… 심사 실무 가이드(상)

   2) 인공지능(AI) 특허, ‘보호 대상’은?… 심사 실무 가이드(하)

소프트웨어(SW) 또는 데이터 형식(Format) 등을 직접 청구하는 특허청구항 형식을 허용하는 유럽과 일본 특허청이 공동연구한 보고서도 링크로 제공합니다. 

Comparative Study on Computer Implemented Inventions/Software related Inventions between JPO and EPO

[블로그] SW기술에 대한 특허적격성 실무 비교 연구

SW청구항에 대한 한국.유럽.일본 실무 비교

개인적인 생각과 부족하고 거친 연구결과이지만 혹시 관심이 있을 분들께 조금이나라 도움이 되시기를 간절히 바라면서 이만 글을 마칩니다.

AI 기술의 보호와 AI 생성물(작업물)의 보호에 대한 생각 (하)

AI 기술의 보호와 AI 생성물(작업물)의 보호에 대한 생각 (상) 편에 밝힌 바와 같이 인공지능에 의해 창작된 생성물은 자유이용의 영역에 두는 것이 타당하다. 

AI 기술의 보호와 AI 생성물(작업물)의 보호에 대한 생각 (상) 

그러나 인공지능에 의해 창작된 생성물을 비공개 상태로 숨겨두지 않고 이를 다시 공중에 공개하여 창작의 도구로 사용하게 하는 것 역시 특허제도의 취지상 바람직하다. 즉 인공지능의 생성물이더라도 공중에 공개하여 발명이란 창작활동을 자극하게 하면 기술발전의 연쇄고리가 작동할 수 있다. 그러려면 특허제도의 선공개 촉진 수단과 같은 보상이 마련되어야 한다.

이점에서 특허제도에 인간의 창작물(기술적 사상의 창작)과 별개로 인공지능에 의해 창작된 생성물(기술적 사상의 창작)에 대한 출원 및 심사, 등록제도를 두는 것을 생각해볼 수 있다. 

다만 아래에서 인공지능 생성물에 대한 출원루트와 전통적인 인간에 의한 기술적 창작에 대한 특허루트 사이의 차별점을 생각해보았다. 공중의 자유이용에 두어야 할 인공지능 생성물을 일부 제한적으로 보호하려는 취지는 그 창작의 보호에 있는 것이 아니라 창작의 동기를 촉발하기 위한 것임을 다시 한번 밝혀둔다.

- 아 래 -

인공지능에 의한 생성물을 후술하는 멤버쉽으로 보호받기 위해서는 출원당시 인공지능에 의한 생성물임을 특정하여야 한다. 인공지능생성물로 특정하면 발명자를 기재할 필요가 없다.  대신 그 루트에 의한 출원발명은 아래와 같은 차별점을 갖는다.

1) 권리의 귀속

인공지능이 창작한 생성물에 대한 출원할 수 있는 권리는 미국 AIA 법 개정이전처럼 실제 그 인공지능 시스템을 정당하게 사용한 발명자에게만 귀속하게 할 것을 제안해본다. 특허제도의 원래 목적처럼 발명자가 그 보상을 받아 발명활동을 촉진하도록 하자는 것이다. 물론 출원이후 그 권리는 이전이 가능한 재산권성을 가질 것이다.

2) 등록요건 등의 판단주체 기준

또한 인공지능에 의한 창작물에 대한 특허요건 등의 판단의 주제는 통상의 기술자(Person having ordinary skill in the art, PHOSITA) 기준에서 통상의 기계 (machine of ordinary skill in the art, MOSITA) 기준으로 수정될 필요가 있을 것이다.

[참고] : Vertinsky L (2018) Thinking Machines and Patent Law, in Barfield W, Pagallo U (eds). Research Handbook on the Law of Artificial Intelligence Edward Elgar. «with thinking machines in the equation, however, policymakers might have to consider whether the PHOSITA should be modified to include thinking machines - perhaps some kind of machine/person combination, or M/PHOSITA».

3) 권리행사 및 풀(Pool)제도의 이용 등

무엇보다 인공지능의 생성물은 자유이용에 기부되어야 한다는 취지를 살려야 한다. 그러나 여기에 적어도 기여한 자에게만 자유이용을 부여한다는 조건을 부여하는 것도 공평해보인다. 이 지점에서 특허풀(Patent Pool)을 벤치마킹해본다.

  ※ 표준필수특허(SEP)과 특허풀(Patent Pool) 참고자료

    1) Patent pools and licensing platforms in SEP licensing (with Japanese translation), November 6, 2019

    2) DOJ Business Review Letter of University Tech. Licensing Program for Non-SEPs, By David Long on January 28, 2021

먼저 인공지능생성물의 풀(Pool)을 관리하는 단체나 기관을 설립한다. 인공지능생성물의 풀(Pool)의 회원(Member)는 인공지능생성물에 대한 특허(신설)를 가지고 있거나 그 창작을 수행하는 인공지능기술에 대한 전통적인 특허를 가진 자로 한정한다. 인공지능생성물의 풀(Pool)을 관리하는 단체나 기관은 마치 특허의 연차료처럼 등록된 권리에 대한 유지관리 비용을 회원으로부터 징구하고 이용관계가 존재하는 선등록권리자에게 정해진 보상을 기준에 따라 매년 분배하도록 한다.

특허청은 심사를 거쳐 인공지능생성물에 대한 등록을 허락한다. 등록이 허락되면 그 등록된 권리는 인공지능생성물 풀(Pool)에 이관 등록되고 관리된다.

이 풀(pool)에 등록된 권리는 그 풀(Pool)의 맴버들 중 그 등록된 권리와 이용관계에 있는 특허 (종래 인간의 창작물의 특허이든 인공지능생성물의 특허이든)를 등록한 회원(member) 끼리만 자유이용이 보장되도록 한다. 

만약 기존에 등록된 인공지능의 생성물을 이용하기 위해 추가 개발하는 등의 기여가 없다면 기존 인공지능생성물을 자유롭게 이용할 수 없으므로 이러한 풀(Pool) 방식은 발명활동을 자극할 좋은 촉진제가 될 것으로 기대한다. 

4) 발명자 심리 신청제도 신설 등

특허출원발명이 누구의 발명인지는 사실심리에 기초한 법률판단사항이다. 따라서 발명자가 이를 완벽하게 판단하는 것은 그리 쉽지 않다. 출원이 계속 중이라면 출원인이 특허청에 누가 발명자인지를 심리해줄 것을 요청하는 제도를 도입하는 것이 바람직하다. 악의가 아니라면 그 결정을 통해 발명자를 수정할 수 있는 기회를 부여하여야 선의의 피해자가 발생하지 않을 것이다. 이 제도를 통해 인공지능에 의한 창작물인지 아니면 자연인에 의한 창작물인지도 함께 판단받을 수 있고 등록전에 발명자권의 하자를 치유받는 길이 열릴 것이다.

전통적인 인간의 창작물에 대한 특허제도와 병행하여 이와 같은 개선안을 마련함으로 공개를 통한 발명의 자극과 촉진을 기대할 수 있고 적어도 인공지능생성물을 이용하여 기술발전 촉진에 기여한 자가 자유이용이 가능하게 될 것이다.

이상 마칩니다.

AI 기술의 보호와 AI 생성물(작업물)의 보호에 대한 생각(상)

지난 2021년 7월 30일, 호주 연방법원은 인공지능(AI) 시스템 “다부스(DABUS)”를 발명자로 인정하되 그 권리는 인공지능시스템에 귀속하지 않고 “다부스(DABUS)”의 소유자인 스티븐 탈러(Stephen Thaler) 박사에게 귀속시켰다. 이러한 판결은 인공지능(AI) 시스템에 의한 창작물의 특허보호에 대한 논쟁을 가속화시키고 있다.

 

IPDaily컬럼 [이진수의 ‘특허포차’] ㉖ 인공지능(AI) 창작물 보호… 한발 앞서가는 ‘영연방(英聯邦)’

사실 호주 연방법원의 판결은 인공지능을 발명자로 인정하여 인공지능에 의한 작업물을 특허제도의 보호대상으로 끌어들이면서도, 그 발명에 대한 권리주체는 전통적인 법리에 따라 인공지능시스템의 소유자인 자연인이나 법인에게 귀속시키도록 하였다.

인공지능 기술의 발달로 인간이 인공지능을 도구로 창작활동을 하거나 인공지능의 작업물을 선택하여 유용한 발명으로 발전시키는 경향이 가속화되고 있는 현실 속에서, 발명이 순수하게 인간이 창작한 것인지 아니면 기계에 의해 창작된 것인지 아니면 인간이 기계의 도움을 받아 창작한 것인지 여부를 판단하기는 어렵다.

호주연방법원의 판단은 이러한 현실적인 난제를 효율성과 투자보호측면에서 해결해보려는 것으로 생각할 수 있다.

그러나 인공지능기술의 발명자에게 그 발명기술에 대한 특허권을 허락하지 않는 대신 (포기하는 대신), 인공 생성물에 대한 특허권을 던져준 것은 아닐지 걱정스런 생각을 지울 수 없다. 사실 이것이 더 무섭다. 점점 발명자들은 인공지능을 구현하는 기술은 노하우로 숨기고 그 인공지능으로 만든 생성물만 출원하는 경향을 보일까 우려스럽다.

특허제도는 인간의 지적노동의 결과물인 창작에 대한 권리, 즉 자연권을 법률로 보호하고 인간의 창작활동을 자극하여 기술발전을 촉진하고 산업발전에 이바지하기 위해 설계된 제도이다. 이러한 특허제도 아래에서는 인공지능(AI) 시스템이 만들어낸 생성물을 보호한다는 것을 선뜻 동의하기 어렵다.

기계는 도구일 뿐 기계에 의한 생성물은 인간의 지적노동의 결과가 아닐 뿐 아니라 처음부터 창작하도록 프로그램된 인공지능(AI) 시스템이 보상을 통해 창작활동이 자극 받는 것도 아니기 때문이다.

이론적으로 특허제도는 인간의 지적노동의 결과물만을 보호하는 것이 타당하다. 그런데, 현실적으로 발명이 순수하게 인간이 창작한 것인지 아니면 기계에 의해 창작된 것인지를 구분하는 것이 어려워지고 있다. 이를 구분할 수 있는 기술이 등장하지 않는다면 어떻게 인간의 지적노동의 결과물만을 특허로 보호할 수 있는지 의문이 든다.

이점에서 미국의 엄격한 발명자권(Inventorship) 제도를 활용할 만하다. 미국은 특허를 출원할 때 발명자를 자연인으로 특정하고 그 발명자가 진정한 발명자라는 선서진술서(affidavit)를 제출하도록 하고 있다. 발명자는 특허명세서를 읽고 그 발명에 대해 자신이 진정한 발명자임을 진술하는 선언서에 서명을 해야만 한다. 선언서가 없는 특허는 무효다.

참고로, 미국 발명자의 선언서(§115(a))의 양식을 보면 “선언서나 진술서에 고의적 허위 진술(willful false statement)이 있으면 18 U.S.C. (연방형법) §1001 규정에 따라 벌금 또는 5년이하의 징역에 처해질 수 있음을 인식한다.” 라는 경고문도 들어간다.

우리나라 특허법도 거짓으로 특허청을 속여 등록받는 행위를 거짓행위의 죄(동법 제229조)로 형사처벌하도록 하고 있다. 따라서 특허출원 시 발명자 선언서나 진술서를 제출하게 하면, 악의적으로 인공지능이 창작한 발명을 자신의 발명으로 둔갑하는 행위를 억제할 수 있다. 이렇게 엄격한 발명자권(Inventorship) 제도를 운영하면 출원발명이 인간의 창작물인지 아니면 인공지능의 창작물인지에 대한 고민에서 상당부분 벗어날 수 있을 것으로 기대한다.

다만 특허출원발명이 누구의 발명인지는 사실심리에 기초한 법률판단사항이란 점을 감안하여 출원이 계속 중이라면 출원인이 특허청에 누가 발명자인지를 심리해줄 것을 요청하는 제도를 도입하는 것이 바람직하다. 악의가 아니라면 그 결정을 통해 발명자를 수정할 수 있는 기회를 부여하여야 선의의 피해자가 발생하지 않을 것이다. 이 제도를 통해 인공지능에 의한 창작물인지 아니면 자연인에 의한 창작물인지도 함께 판단받을 수 있고 등록전에 발명자권의 하자를 치유받는 길이 열릴 것이다.

이제 인공지능 구현기술의 보호와 그 생성물에 대한 논의로 다시 돌아가 보자.

창작하도록 프로그램된 AI 시스템이 특허제도에 의해 창작의 동기가 자극 받을 것을 기대하기는 어렵다. 따라서 특허제도의 본질을 생각해보면 인공지능(AI) 시스템이란 기계에 의한 '생성물'을 보호할 것이 아니라 그 창작행위를 하는 인공지능(AI) 시스템에 적용되는 "기술"을 보호하여야 한다.

인간과 달리, 인공지능시스템의 창작은 창작의 의지나 동기와 상관없이 이미 정해진 프로그램에 의해서 이루어진다. 다만, 창작하는 인공지능(AI) 시스템을 만들려면에 학습 데이터나 테스트 데이터와 같은 데이터 셋이 필요하고 인공지능 시스템이 창작활동을 하려면 목적에 맞게 처리된 빅데이터셋이 필요하다. 따라서 현대에 들어 데이터셋은 정제된 석유에 비유되곤 한다.

현재 기술 수준에서는 학습 데이터나 테스트 데이터와 같은 데이터 셋은 인간의 지적 노동 영역이고 그 결과물을 만들어 내기 위해 엄청난 투자가 필요하다.

※  특허제도, 즉 인간의 창작물을 보호하는 제도 아래에서는 창작의 도구는 자유이용을 보장하고 인간의 창작은 강하게 보호하는 체제를 근간으로 한다.

따라서 전통적인 인간 창작물과 달리 그 인공지능의 생성물은 자유이용을 보장하되 오히려 창작을 촉진할 창작의 도구, 즉 데이터 셋은 보호할 필요성이 생긴다. 

     [IPDaily 특허포차] 인공지능분야 특허 심사실무 가이드(하)

물론 MINT와 같은 학습데이터의 단순한 샘플은 학습기술에 대한 창작의 도구로 자유이용이 보장되어야 한다. 또한 앞에서 언급한 바와 같이 특허는 논리적으로 인공지능에 의한 생성물을 자유이용의 영역에 두는 것이 자연스럽고 타당하다. 

인공지능에 대한 투자와 기술개발의 촉진은, 딥-런닝과 같은 인공지능의 "기술"을 특허로 보호하고, 인공지능을 만드는 도구나 소재 중 인간의 지적노동이 들어간 창작적 선택물을 특허로 보호하는 것만으로도 충분히 달성할 수 있다. 

이를 특허제도에서 어떻게 보호할지에 대한 논의가 필요하다. 이를 포기하고 인공지능의 생성물을 보호하게 된다면 인류는 창작하는 기계를 만들어 내는 데만 몰입하게 되어 결국은 영화 터미네이터 속 스카이넷을 마주하게 될 수 있다.

데이터 마이닝과 분석을 포함한 딥런닝과 같은 기술을 특허로 보호함에 있어서 발목잡기는 없는지 들여다 보아야 한다.

역사를 돌이켜 보면 특허의 대상은 물건에서 시작하였다. 그래서 지금도 발명이란 용어와 발명품이란 용어가 동일하게 사용되기도 한다. 

때문에 특허는 청구항 말미가 물건이거나 방법으로 기재되지 않으면 특허의 대상이란 첫 관문을 통과하지 못한다. 청구항 말미를 컴퓨터프로그램이나 데이터로 기재하면 첫 관문조차 통과하지 못한다. 그 내용이 어떠한 기술적 창작인지는 따지지도 않는다. 이점은 개선되어야 하지 않을 까 생각한다.

<참고> 소프트웨어(SW) 또는 데이터 형식(Format) 등을 직접 청구하는 특허청구항 형식을 허용하는 유럽과 일본 특허청이 공동연구한 보고서도 링크로 제공합니다. 

Comparative Study on Computer Implemented Inventions/Software related Inventions between JPO and EPO

특허의 대상은 “기술적 사상”이라서 결국은 유체물에 사용될 때 그 유용성과 실용성이 나타난다. 때문에 미국에서 방법(Process)을 특허의 대상으로 허용하였지만 여전히 특허의 보호대상, 즉 보호대상이 되는 실시의 유형은 유체성을 벗어나지 못하였다.

따라서 현재는 컴퓨터프로그램을 특허 받기 위해서 물건의 발명으로 청구하거나 하드웨어를 구성요소로 사용한 소정의 프로세스(process), 즉 방법으로 청구하여야 한다. 

그러나 컴퓨터프로그램은 청구항에 하드웨어를 구성요소로 사용하지 않더라도 그 본질 상 컴퓨터란 하드웨어에서 구현될 수 밖에 없다. 이 점을 고려하면 SW발명이 하드웨어를 구성요소로 하였는지보다는, 현실의 세상에 어떤 "유형적" 변화를 유용하게 줄 수 있는 기술적 사상(concrete concept)의 창작인지가 등록요건의 핵심이 되어야 할 것이다.

인공지능기술이라고 다르지 않다. 딥러닝과 같은 인공지능(AI) 시스템에 적용되는 SW기술은 컴퓨터에 구현되는 것을 전제한다. 컴퓨터 (라우터 역시 컴퓨터의 일종이다)와 분리해서는 실행되거나 저장 또는 전송될 수 없다. SW를 구현하는데 물건에 의존하지 않는 것은 존재하지 않는다. 

따라서 기술적 사상을 특허의 보호대상으로 할지를 따지면서 굳이 물건의 유체성에 한정해야 하는지 의문이다. 오히려 따져야 하는 것은 기술적 사상의 창작인지 아니면 누군가에게 독점하게 하면 안되는 창작의 도구나 소재인지가 아닐까?

특히 방법 발명이 물건에 구현되어 이용되기는 하나 그 방법특허의 대상을 물건에 사용되는 방법으로 한정하고 “사용”의 의미가 방법의 목적을 구현하는 행위로 정의되면, 현행 법문은 실시유형을 물건으로 한정하여 법정한 것과 다르지 않다. 결국 미래 다양한 실시유형을 포괄하기는 어렵다.

※     사용(使用) : 일정한 목적이나 기능에 맞게 씀.

특허법 제2조 (정의) 3. “실시”란 다음 각 목의 구분에 따른 행위를 말한다. 가. 물건의 발명인 경우: 그 물건을 생산ㆍ사용ㆍ양도ㆍ대여 또는 수입하거나 그 물건의 양도 또는 대여의 청약(양도 또는 대여를 위한 전시를 포함한다. 이하 같다)을 하는 행위 나. 방법의 발명인 경우: 그 방법을 사용하는 행위 또는 그 방법의 사용을 청약하는 행위 다. 물건을 생산하는 방법의 발명인 경우: 나목의 행위 외에 그 방법에 의하여 생산한 물건을 사용ㆍ양도ㆍ대여 또는 수입하거나 그 물건의 양도 또는 대여의 청약을 하는 행위

따라서 각각의 발명이 구현된 물건(발명품) 하나 하나에 적용되는 특허법 제2조의 실시행위 정의조항에 『발명을 이용하는 행위』를 추가하여 “발명”이라는 기술적 사상의 실시유형을 일반적으로 적용할 수 있도록 허용하는 것은 어떨까 제안해본다.

※ 이용(利用) :   1. 대상을 필요에 따라 이롭게 씀.   2. 다른 사람이나 대상을 자신의 이익을 채우기 위한 방편(方便)으로 씀.

※ KIPNET "AI 기술을 특허로 보호하기 위한 제언 발췌본 파일 참고

[AI 기술을 특허로 보호하기 위한 제언 UPdate 20210828.pdf 다운로드]

기술적사상의 창작물에 대해 특허 대상을 확대하더라도 특허권자에게 지나치게 많은 영역에 대해 독점.배타권을 주는 것은 아닌지를 걱정할 필요는 없다.

창작의 소재와 도구는 여전히 특허의 대상에서 배제하여야 하고, 어차피 특허침해를 금지하거나 손해배상을 산정할 때는 발명이 구현된 물건성을 벗어나기 어렵기 때문이다.

권리행사의 대상은 물건성의 제한이 주어질 수 밖에 없으므로, 발명의 “이용(利用)”이란 실시유형을 도입하여 그 유형이 어떠하든 발명이란 기술적사상이 저장 또는 사용, 전송, 이전, 판매 등의 행위를 모두 포함하게 되더라도 당사자간 구체성을 넘어 추상적인 권리행사가 허용되지는 않을 것이다.

딥런닝과 같은 인공지능에 관한 기술과 별개로, 인공지능의 생성물에 대한 보호에 대한 논의는 다음편에서…

[인공지능 생성물의 등록을 통한 공지 제도와 이를 촉진하기 위한 정액 보상 제도 등등]

AI 기술의 보호와 AI 생성물(작업물)의 보호에 대한 생각(하)

[이진수의 ‘특허포차’] ⑮ 특허를 받을 수 있는 인공지능(AI) 발명은?… 심사 실무 가이드(하)

기본 ‘알고리즘’ & ‘아키텍처‘(Architecture)

앞서 1편에서 언급한 바와 같이, 특허제도는 발명의 공개를 통해 기술발전을 촉진시킨다는 목적을 달성하기 위해 출원명세서에 발명을 구현하기 위한 구체적인 수단 등이 쉽게 실시할 수 있을 정도로 명확하게 기재할 것을 요구한다.

이러한 구체적인 수단은 학습 데이터, 데이터 전처리 방법, 학습 모델, AI 기본 알고리즘, 아키텍처(Architecture), 학습결과물의 데이터를 출력 및 활용하는 과정 등이 AI분야에서 ‘특허거리’가 된다는 것을 의미하기도 한다.

현재 상용화되어 있는 AI는 1986년 제프리 힌튼(Geoffrey Everest Hinton)의 백프로퍼게이션(back propagation) 알고리즘과 1989년 얀 르쿤 (Yann LeCun)의 컨벌루션신경망(CNN) 알고리즘을 대부분 사용하고 있다.

새로운 알고리즘의 등장으로 AI 기술이 부활했으나 하드웨어적인 아키텍처(Architecture) 면에서는 과거 IBM가 처음 퍼스널 컴퓨터를 개발했을 당시와 그렇게 큰 변화가 없다. 그저 그 위에 NIVIDA의 GPU를 이용하여 데이터를 병렬 처리하는 수준이다.

얀 르쿤 교수는 제프리 교수의 제자이자 페이스북(Facebook)의 수석 AI 연구총괄 부사장이다. 얀 르쿤 교수는 그가 개발한 CNN AI 알고리즘을 이용해 AT&T에서 손으로 쓴 우편 번호 이미지를 컴퓨터로 읽어 숫자 텍스트로 변환하는데 성공해 유명해졌다.

그러나 사실 신경망 알고리즘을 적용해 숫자 이미지를 인식하는 CNN AI 알고리즘은 얀 르쿤 교수가 처음이 아니었다. 이보다 10년이 앞선 1979년 일본의 쿠니히코 후쿠시마 (Kunihiko Fukushima) 교수가 발명한 특허공보에도 이미 소개되었다.

...이하 생략

[이진수의 ‘특허포차’] ⑮ 특허를 받을 수 있는 인공지능(AI) 발명은?… 심사 실무 가이드(하) 읽기

[이진수의 ‘특허포차’] ⑭ 인공지능(AI) 특허, ‘보호 대상’은?… 심사 실무 가이드(상)

 인공지능(AI) 특허, ‘보호 대상’은?… 심사 실무 가이드(상)

지난해 12월, 특허청은 인공지능(AI) 분야 심사 실무가이드를 제정해 공표했다. AI 분야의 발명은 기본적으로 컴퓨터프로그램 발명의 하나로 심사 판단기준 역시 공통된다. 따라서 이 컬럼에서는 컴퓨터·소프트웨어 관련 발명에 관한 일반적인 심사기준은 생략하고 특별히 AI분야에서 독특하게 요구하는 요건에 대해 상ㆍ하 2회에 걸쳐 언급한다.

산유국의 ‘원유’와 같은… AI 학습 데이터

특허제도는 발명의 공개를 통해 기술발전을 촉진시킨다는 목적을 달성하기 위해 출원명세서에 발명을 구현하기 위한 구체적인 수단 등이 쉽게 실시할 수 있을 정도로 명확하게 기재할 것을 요구한다.

AI 분야에서 기재해야 하는 “구체적인 수단”으로 학습 데이터, 데이터 전처리 방법, 학습 모델, 손실 함수(Loss Function) 등이 있다. 그중 학습데이터의 중요성은 남다르다.

먼저 AI, 특히 기계학습은 결과를 예측하기 위해 반드시 어떠한 과학적 논리나 이론을 근거하지 않는다. 논리적인 설명은 없으나 실증적 데이터 학습에 의해 결과를 예측한다.

학습모델의 성능과 효율을 생각하면 학습데이터로 전처리하는 기술은 산유국의 원유에도 비견될 수 있다.

‘과학적 모델’로 설명되지 않는… AI 머신 러닝

일반적인 컴퓨터 프로그램은 출력값이 나올 수 있는 수학적 알고리즘이나 과학적 이론을 적용한 연산자(프로그램 모듈이나 함수)를 통해 결과값을 계산해내는 것이지만, 머신 러닝 프로그램은 결과값이 나오는 경험 (E with P)에 대한 학습을 통해 입력값으로부터 출력값이 나오는 “조건(경험칙)”을 찾는 것이다.

따라서 머신러닝은 결과를 예측하기 위한 어떠한 과학적 논리나 이론을 근거하거나 설명하지 못한다. “그냥 그럴 확률이 높다고~”라는 식으로 단지 실증적 데이터 학습에 의해 결과를 예측한다.

사실 세상은 이상화해 단순화한 과학적 모델로 설명되지 않는 경우가 많다. 그래서 우리는 머신러닝을 ‘블랙박스’라고 한다.

...이하 생략

[이진수의 ‘특허포차’] ⑭ 인공지능(AI) 특허, ‘보호 대상’은?… 심사 실무 가이드(상) 읽기