[AI·소프트웨어] Desjardins 심판이 보여준 AI 특허 적격성과 진보성의 차이
핵심 요약
미국 AI 특허에서 §101 적격성을 인정받아도 §103 진보성 거절은 남을 수 있습니다. Desjardins 심판은 학습된 모델 파라미터와 입력 특징을 구별하는 일이 청구범위 해석에서 왜 중요한지 보여줍니다.
미국에서 AI 알고리즘 특허출원을 진행하던 중, 심판부가 “이 발명은 추상적인 수학적 아이디어이므로 특허 대상이 아니다”라고 판단했습니다. 재심에서 그 판단이 뒤집혔다면 발명자는 특허를 받을 수 있을까요?
2025년 미국 특허심판 Ex parte Desjardins 사건의 답은 그렇지 않았습니다. 특허적격성(35 U.S.C. §101) 거절은 취소됐지만, 선행기술을 결합하면 자명하다는 §103 거절 판단은 유지됐기 때문입니다. 더 흥미로운 부분은 §103 판단의 핵심에 단순한 법리 문제가 아니라 학습 데이터의 입력 특징(input feature)과 신경망 내부 학습 파라미터(model parameter)를 어떻게 구별하는가라는 기술문제가 있었다는 점입니다.
1. 실제 심판에서 무엇이 뒤집혔고, 무엇은 남았을까요?
사건은 Ex parte Desjardins, Appeal No. 2024-000567입니다. 최초 심판은 2025년 3월 4일, 재심(ARP) 결정은 같은 해 9월 26일 내려졌고, USPTO는 11월 4일 이를 선례적 결정(precedential)으로 지정했습니다. 사건 출원번호는 16/319,040이며, 원출원인은 DeepMind Technologies Limited였습니다.
§103 거절 유지 + §101 거절이유 신규 부가
새로운 §101 거절 취소. 그 밖의 최초 판단은 변경하지 않음
ARP 결정을 선례적 결정으로 지정
따라서 이 사건을 “AI 알고리즘의 특허등록을 인정한 사건”이라고 소개하면 결과가 달라집니다. 이 결정이 보여주는 것은 특허가 될 수 있는 기술적 대상인가라는 질문과 그 기술이 기존 선행기술을 고려해도 비자명한가라는 질문을 각각 심사해야 한다는 사실입니다.
2. 발명은 AI 모델이 새로운 일을 배울 때 과거 지식을 잊지 않도록 하는 방법입니다
신경망은 Task A를 학습한 뒤 같은 파라미터로 Task B를 학습하면 Task A 성능이 떨어질 수 있습니다. 이를 파국적 망각(catastrophic forgetting)이라고 합니다. 출원은 이전 과제의 학습에서 중요한 파라미터를 새로운 과제의 학습 과정에서 더 강하게 보호하려는 기술입니다.
2019년 공개공보 US20190236482A1의 FIG. 1과 FIG. 2를 보면 그 구성이 명확합니다. FIG. 1에는 학습모델 110, 중요도 계산 엔진 112, 새 과제 학습데이터 114, 학습된 파라미터 116, 목적함수 118, 과거 과제 중요도 가중치 120이 서로 연결되어 있습니다. FIG. 2에서는 과거 과제의 파라미터 중요도를 구한 뒤 새 데이터를 취득하고 다시 학습하는 순서가 표시됩니다.
미국 공개공보 원도면 크게 보기
미국 공개공보 원도면 크게 보기
기술의 핵심은 ‘Task B 학습을 중단한다’는 것이 아닙니다. 기존 모델의 파라미터를 조정하되, Task A에 중요도가 높은 파라미터는 많이 바꾸지 않도록 목적함수에 조건을 부여하면서 새 과제의 성능도 높이는 것입니다.
3. 공개공보의 제1항과 2025년 심판에서 다룬 제1항은 정확히 구별해야 합니다
여기에는 특허문서 분석에서 자주 놓치는 부분이 있습니다. 2019년 공개 제1항은 중요도가 큰 파라미터의 변경을 더 강하게 제한하는 구성으로 설명돼 있습니다. 반면 2025년 ARP 결정문 2~3면에 인용된 심판 대상 제1항은 사후확률분포(posterior distribution)의 근사 → 각 파라미터의 중요도 할당 → 중요도 기반 penalty term을 포함한 목적함수 최적화까지 구체적으로 제시합니다.
| 문서 | 구성 표현의 핵심 | 읽을 때 확인할 점 |
|---|---|---|
| US20190236482A1 2019 공개 제1항 | 이전 Task A에 중요한 파라미터의 변동을 더 강하게 제한 | 공개 당시의 청구범위와 실시예 |
| 2025 ARP 심판 대상 제1항 | posterior 근사·개별 파라미터 중요도·Task B 목적함수의 penalty term | 심판부가 실제로 판단한 문언 |
| US20260094064A1 2026 후속 공개 | 같은 패밀리의 별도 후속 미국 출원 | 새 출원 자체의 독립항·권리상태를 따로 확인 |
같은 발명군이라는 이유로 공개 A1의 제1항, 후일 심판에서 인용된 제1항, 후속 출원의 제1항을 서로 바꾸어 쓰면 안 됩니다. 보정의 구체적인 이유는 출원경과와 보정서를 확인해야 설명할 수 있으며, 심판부의 기술적 판단은 그 심판에서 실제로 다룬 청구항을 기준으로 이해해야 합니다.
4. §101에서는 수학적 개념이 있어도 ‘모델 자체의 개선’을 인정했습니다
ARP는 청구항에 추상적 수학 개념이 포함된다는 점을 부인하지 않았습니다. USPTO의 적격성 판단에서 Step 2A, Prong One에 해당하는 검토를 통과하지 못했더라도, Prong Two에서 그 개념이 실제 기술적 개선이라는 실질적 적용(practical application)으로 통합됐는지를 별도로 판단했습니다.
다룬 문제: 첫 과제의 중요도 높은 파라미터를 새 과제 학습 중 보호할 수 있는가?
청구된 처리: 파라미터 중요도에 연결된 penalty를 이용해 새 과제의 학습을 제어하는가?
기술적 작용: 여러 과제를 위해 서로 다른 모델 인스턴스를 별도로 저장하는 경우와 달리, 하나의 모델에서 이전 지식의 보존과 새로운 과제 학습을 함께 지향하는가?
결정문이 주목한 것은 기술효과를 명세서에 적었다는 사실만이 아닙니다. 그 효과가 이전 과제 성능을 보호하면서 새로운 과제의 파라미터를 조정하는 실제 청구구성과 연결되어 있다는 점입니다. 이후 USPTO의 2025년 12월 MPEP 개정 예고도 이 결정을 기존 기술적 개선 심사 원칙 안에서 설명했습니다.
따라서 미국 §101 대응에서 ‘수학식이 들어 있으므로 안 된다’와 ‘AI 시스템이니 자동으로 된다’는 두 가지 단순화 모두 정확하지 않습니다. 입력 데이터·중간 연산·모델 상태·기술효과의 관계를 독립항에 어떻게 구성했는지가 설명의 출발점입니다.
5. §103에서는 입력 특징과 모델 파라미터를 같은 것으로 볼 수 있는지가 갈렸습니다
최초 PTAB는 Marcheret·Jamaluddin·Rousset·Gordon·Mehanna 등 선행기술의 결합을 근거로 §103 거절을 유지했습니다. 그러나 이 판단에는 Horvath 심판관의 일부동의·반대의견이 있었습니다. §101 판단에는 동의했지만 §103 거절은 뒤집어야 한다는 취지였습니다. 최초 PTAB 결정 28~30면의 별개의견을 함께 읽어야 사건을 정확히 이해할 수 있습니다.
특히 쟁점이 된 것은 Mehanna의 입력 feature의 영향도와 Desjardins의 이전에 학습된 model parameter의 중요도가 청구항 해석상 대응할 수 있는지입니다.
| 기술적 객체 | 값이 존재하는 곳 | 무엇을 바꾸는가 |
|---|---|---|
| 입력 특징 x | 예측할 때 모델에 입력되는 사용자·신호·이미지 등 데이터 | 모델에 주어지는 입력 정보 |
| 학습 파라미터 θ | 훈련을 거쳐 모델 내부에 저장된 가중치·편향 등 | 입력에 대한 모델의 계산관계 |
| 파라미터 중요도 F | 기존 과제의 학습결과를 토대로 계산한 민감도·근사치 | 새 과제 학습 중 θ를 얼마나 보호할지 |
| 목적함수의 penalty | Task B의 최적화 손실식 | 중요한 θ의 이동 비용을 높이는 규칙 |
단순한 이진분류 모델 y = σ(θ₁x₁ + θ₂x₂)를 생각해 보겠습니다. 여기서 x₁은 입력데이터의 첫 번째 특징이고 θ₁은 그것에 곱해지는 학습된 계수입니다. x₁이 예측에 얼마나 영향을 주는지를 측정하는 것과, Task A를 유지하기 위해 θ₁을 얼마나 바꾸지 않아야 하는지를 계산하는 것은 서로 다른 데이터와 질문입니다.
다수의견은 심사단계의 넓은 합리적 해석(BRI)과 선행기술 전체 결합을 바탕으로 §103 거절을 유지했습니다. 반면 Horvath 심판관은 입력 특징과 학습 파라미터를 구별할 필요가 있다는 점을 강조했습니다. 이 사건의 실무적 가치는 어느 견해가 옳다고 선언하는 것보다, 청구항 속 ‘parameter’가 모델 내부 변수인지 입력 속성인지 명세서에서 얼마나 정확히 정의해야 하는지를 보여준다는 데 있습니다.
6. 실제 연구의 EWC 수식을 대입하면 기술적 차이가 더 분명해집니다
이 사건의 발명자들과 관련 연구진이 발표한 Kirkpatrick 등, PNAS 2017 Overcoming catastrophic forgetting in neural networks은 EWC(Elastic Weight Consolidation)를 통해 과거 과제의 중요한 가중치를 더 강하게 보호하는 원리를 설명합니다. 논문의 식 (3)은 다음과 같이 표현됩니다.
여기서 Fi는 Task A에 대한 파라미터 중요도, θA,i*는 과거 과제 학습의 기준값, λ는 기존 과제 보호에 얼마만큼 비중을 줄지 결정하는 계수입니다. 이 식은 EWC 논문의 구체적인 설명식으로, 심판 대상 독립 제1항에 동일한 수식의 모든 항이 문언 그대로 필수라는 뜻은 아닙니다.
| 가상 파라미터 | Fi 중요도 | θ 변경 폭 | Penalty 기여(λ = 1) |
|---|---|---|---|
| θ₁: 과거 과제에 중요 | 10 | 0.2 | 0.20 |
| θ₂: 과거 과제에 덜 중요 | 1 | 0.2 | 0.02 |
변화량이 동일한데도 θ₁의 벌점이 θ₂의 10배입니다. 기존 과제를 유지하는 데 중요한 계수를 쉽게 바꾸지 않도록 새 학습에 비용을 부여한 것입니다. 이는 모델이 새 과제를 학습하면서 이전의 정보를 잃지 않도록 돕는 기술기전입니다.
PNAS 원논문의 Figure 1은 과거 Task A의 낮은 오차영역과 새로운 Task B의 낮은 오차영역을 파라미터 공간에서 겹쳐 보여줍니다. 파란색의 무제약 최적화 경로와 중요도별로 이동을 제어하는 EWC 경로를 비교하면 이 식의 역할이 직관적으로 드러납니다. 다만 계산표의 10·1·0.2 값은 원리 설명을 위한 가정이며 논문의 실제 모델 측정값은 아닙니다.
7. 2026년 후속 출원까지 보면 심판결과와 포트폴리오가 구분됩니다
이 발명군의 원 미국 공개 US20190236482A1에 연결된 출원번호는 16/319,040입니다. Google Patents의 공개 서지에는 이 출원이 Abandoned로 표시되어 있습니다. 동시에 같은 발명군의 후속 미국 공개 US20260094064A1이 2026년에 별도로 존재합니다.
따라서 2025년 ARP의 §101 판단을 “이 패밀리는 이미 미국 등록특허가 됐다”라고 쓰지 않아야 합니다. 반대로 원출원의 상태표시 하나로 후속 미국 출원의 청구항까지 소멸했다고 볼 수도 없습니다. 원출원·후속출원·국가별 등록항·현행 원부는 각각의 문언과 절차 상태를 확인해야 합니다.
AI 기업이 계속학습 알고리즘을 개량하고 있다면 제품 버전에 따라 기존 학습 파라미터의 중요도 추정, 새 과제의 손실함수 설계, 과거 과제 성능 검증이 어떻게 달라졌는지를 먼저 정리하는 편이 유용합니다. 이것이 후속 출원에서 어떤 처리를 청구하고 어떤 선행기술과 구별할지 정하는 출발점이 됩니다.
마치며 — 심판에서 이긴 쟁점과 개발팀이 증명해야 할 기술을 구분해야 합니다
이 사건은 미국에서 AI 알고리즘도 기술적 개선을 이루는 경우 특허적격성을 인정받을 수 있음을 보여줍니다. 동시에 적격성 판단이 해결돼도 선행기술과 무엇이 실제로 다른지라는 질문은 남아 있습니다.
기업이 이 사례에서 바로 바꿀 수 있는 실무는 세 가지입니다. 먼저 청구항의 입력 feature·학습 parameter·파라미터 중요도·penalty를 서로 다른 자료형과 처리 시점으로 정의합니다. 이어 기존 학습의 보존 효과와 새 과제의 성능을 동일한 실험조건에서 함께 검증합니다. 마지막으로 §101에서는 모델 작동 자체의 개선을 설명하고, §103에서는 인용문헌별 구성과 결합 논증을 따로 대응합니다.
AI 특허의 강점은 ‘새 모델을 학습했다’는 설명이 아니라, 어느 파라미터를 왜 보호하고 어떤 학습동작을 어떻게 바꿨는지를 재현 가능하게 보여주는 데 있습니다. 그 증거가 다음 제품의 설계·출원·심사 대응으로 이어져야 합니다.