[AI·소프트웨어] Desjardins 심판이 보여준 AI 특허 적격성과 진보성의 차이

미국 AI 심판에서 §101 거절이 취소돼도 §103 거절은 별개입니다.

핵심 요약미국 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.
USPTO Appeals Review Panel 결정문 표지·사건번호. 재심 결정 원문 11쪽

2025. 3. 4. 최초 PTAB§103 거절 유지 + §101 거절이유 신규 부가
2025. 9. 26. ARP새로운 §101 거절 취소. 그 밖의 최초 판단은 변경하지 않음
2025. 11. 4. USPTOARP 결정을 선례적 결정으로 지정
최초 PTAB 결정(31쪽) · ARP 결정(11쪽) · USPTO 선례 지정 목록

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.

FIG. 1 모델과 중요도 계산미국 공개공보 원도면 크게 보기
FIG. 2 학습 방법 202·204·206미국 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.
문서구성 표현의 핵심읽을 때 확인할 점
US20190236482A12019 공개 제1항이전 Task A에 중요한 파라미터의 변동을 더 강하게 제한공개 당시의 청구범위와 실시예
2025 ARP 심판 대상 제1항posterior 근사·개별 파라미터 중요도·Task B 목적함수의 penalty term심판부가 실제로 판단한 문언
US20260094064A12026 후속 공개같은 패밀리의 별도 후속 미국 출원새 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.
USPTO ARP, 2025. 9. 26. 결정 7~9면다룬 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?ARP 공식 결정문 판단 부분(7~9면) 직접 읽기
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 객체값이 존재하는 곳무엇을 바꾸는가
입력 특징 x예측할 때 모델에 입력되는 사용자·신호·이미지 등 데이터모델에 주어지는 입력 정보
학습 파라미터 θ훈련을 거쳐 모델 내부에 저장된 가중치·편향 등입력에 대한 모델의 계산관계
파라미터 중요도 F기존 과제의 학습결과를 토대로 계산한 민감도·근사치새 과제 학습 중 θ를 얼마나 보호할지
목적함수의 penaltyTask B의 최적화 손실식중요한 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.
Loss = LossB + (λ/2) Σi Fi(θi − θA,i*)²
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 파라미터Fi 중요도θ 변경 폭Penalty 기여(λ = 1)
θ₁: 과거 과제에 중요100.20.20
θ₂: 과거 과제에 덜 중요10.20.02

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

AI·소프트웨어,미국심판,Desjardins,USPTO,인공지능,진보성,이동우