Transformer 특허가 서비스 침해를 곧바로 뜻하지 않는 이유

핵심 요약
Transformer라는 모델명을 사용한다고 특정 특허를 침해하는 것은 아닙니다. Google 등록 제1항의 인코더·디코더 필수구성을 실제 서비스 구조와 대조해야 합니다.

제품에 사용하는 AI 기술과 같은 이름의 등록특허를 발견하면 개발팀과 경영진은 대응이 필요한지부터 판단해야 합니다. 특히 Transformer처럼 널리 쓰이는 기술은 이름만으로 확인할 범위를 정하기 어렵습니다. 직접 모델을 운영하는지, 외부 API를 사용하는지에 따라 조사할 사실도 달라집니다.

관련 특허를 찾은 뒤에는 국가별 유효 청구항과 서비스의 실제 구성을 대조해야 합니다. 구글의 공개 등록공보를 출발점으로 논문, 청구항, 서비스 제공 구조를 구분해 읽으면 추가 조사나 구현 변경이 필요한 지점을 좁힐 수 있습니다.

특허 제목은 분석의 출발점입니다

Transformer를 쓰는 서비스가 많아지면서 관련 특허의 존재만으로 사업을 중단해야 하는지 묻는 경우가 있습니다. 구글의 US10452978B2는 어텐션 기반 시퀀스 변환 신경망을 다루는 공개 등록공보입니다. 우리 서비스와 해당 특허의 관계는 출시 국가의 권리상태와 실제 구현에 대응하는 청구항을 확인해 판단합니다.

기술 설명과 청구항을 구별합니다

논문은 기술의 원리와 성능을 이해하는 데 도움을 주지만, 특허의 보호범위는 청구항을 중심으로 검토합니다. 인코더·디코더, 입력 표현, 각 계층과 처리의 연결 등 실제 기재된 요소를 제품과 비교해야 합니다. 제품이 사용하는 모델의 구조를 모르는 상태에서 모델 계열 이름만으로 침해나 비침해를 말하기 어렵습니다.

등록 청구항을 실제 연산 구조로 나누어 읽기

미국 등록특허 US10452978B2 제1항은 단순히 ‘어텐션을 이용한 AI’가 아닙니다. 입력 시퀀스의 각 위치를 표현하는 인코더 신경망, 인코더 서브네트워크의 각 입력 위치에서 그 위치의 Query와 여러 입력 위치의 Key·Value를 사용해 결과를 만드는 셀프어텐션 서브계층, 그리고 인코딩된 표현을 받아 출력 시퀀스를 만드는 디코더 신경망의 관계를 함께 기재합니다.

이에 비해 제2항은 입력 임베딩과 위치 임베딩의 결합을, 제9항은 복수의 인코더 셀프어텐션 계층을, 제10항은 학습된 선형변환으로 Query·Key·Value를 만들고 가중합을 산출하는 처리를 추가로 구체화합니다. 논문에서 익숙한 구현요소라도 등록 제1항의 필수 구성인지, 종속항에서 더 좁혀 놓은 구성인지를 구분해야 합니다.

예컨대 기업이 디코더 전용 생성모델을 이용한다면 ‘Transformer를 쓴다’는 명칭만으로 위 제1항의 인코더·디코더 결합을 충족한다고 결론낼 수 없습니다. 실제 사용 모델의 인코더 존재 여부, 위치별 Q/K/V 계산, 외부 API에서 수행되는 단계와 해당 국가의 권리상태를 확인한 뒤 대응관계를 검토해야 합니다. 이는 특정 제품의 침해·비침해 결론이 아니라, 제1항을 기술구성으로 분해하는 분석 방법입니다.

국가와 서비스 제공 구조도 중요합니다

사용자가 있는 국가, 서버가 동작하는 위치, 모델을 직접 운영하는지 외부 API를 호출하는지에 따라 확인할 사실이 달라집니다. 공개 데이터베이스의 권리상태 표시는 조사 출발점으로 활용하되 실제 판단 시에는 해당 관청의 기록과 패밀리를 확인해야 합니다. 라이선스가 있으면 누가 어떤 권리를 누구에게 허락했는지도 별도로 대조합니다.

기업의 다음 선택으로 연결합니다

검토 결과가 필요한 것은 개발을 계속할지, 구현을 바꿀지, 추가 권리를 조사할지 결정하기 위해서입니다. 인트로는 문제될 수 있는 구성과 성능을 유지하면서 바꿀 수 있는 구성을 나누어 살핍니다. 특허권자가 당장 소송하지 않을 것이라는 추측보다 제품과 청구항의 구체적 대응이 의사결정의 근거가 되어야 합니다.

US10452978B2 제1항에서 구체적으로 요구하는 구성

Google US10452978B2 등록 제1항은 입력 토큰의 나열을 다른 출력 시퀀스로 변환하는 컴퓨터시스템에 관하여, 인코더 서브네트워크의 self-attention과 입력 인코딩을 받아 출력을 생성하는 디코더를 규정합니다. 핵심은 이름이 아니라 입력 인코딩·self-attention·디코딩이 결합되는 방식입니다.

Vaswani 등 Attention Is All You Need 2017 Fig. 1 인코더와 디코더 스택의 연결 원도면 — Vaswani et al., *Attention Is All You Need*, Figure 1. Harvard NLP Annotated Transformer · 논문 원문. 인코더·디코더 각각의 어텐션 경로를 청구항 구성과 비교합니다.

등록항	확인해야 할 기술요소
독립 제1항	입력 시퀀스 → encoder self-attention(Q·K·V) → encoded representation → decoder 출력
종속 제2항	입력 임베딩에 위치 임베딩을 결합하는 구성
종속 제9·10항	복수의 attention head 및 학습된 Q/K/V 선형변환의 추가 한정

문장을 한 방향으로 생성하는 decoder-only 서비스라면 위 시스템 제1항의 encoder 및 대응 관계가 실제 구현에 존재하는지부터 검토해야 합니다. 없다는 첫 추정만으로 다른 관련 특허까지 사라지는 것은 아니며, 실제 시스템 아키텍처와 국가별 청구범위에 근거해 판단하는 것이 중요합니다.

인트로 인사이트

Transformer 관련 특허 검토는 개발과 출시를 판단할 근거로 이어져야 합니다. 제품 버전과 출시 국가를 정하고 청구항을 실제 시스템 구성에 대응시키면, 확인된 부분과 구현 정보가 더 필요한 부분을 구분할 수 있습니다. 변경안을 선택할 때에는 청구항과의 관계에 더해 고객에게 필요한 성능이 유지되는지도 함께 판단해야 합니다.