[AI·소프트웨어] 영상 AI는 인식 결과를 동작으로 바꿀 때 특허가 달라집니다

영상 AI는 인식 이후의 미래상태 예측·동작·실패 피드백에서 다른 특허구성이 됩니다.

핵심 요약영상 AI의 인식 정확도가 높아도 실제 장치의 동작까지 검증된 것은 아닙니다. VLA 특허에서는 미래상태 예측과 로봇 실행, 실패 진단과 피드백을 서로 다른 기술구성으로 분석해야 합니다.영상 AI를 도입하는 기업은 먼저 인식 정확도부터 확인합니다. 생산라인 카메라가 결함을 찾아내는지, 작업자의 행동을 구분하는지, 엣지 장치에서 추론이 지연 없이 수행되는지가 출발점입니다. 그런데 AI가 판정한 뒤 실제 기계가 움직이거나 다음 작업을 결정해야 한다면 특허에서 확인할 대상이 한 단계 더 늘어납니다.
INTLAW는 2025년 엣지 영상 AI·시각언어모형(VLM) 제품의 영상 입력·처리·결과 활용 관계를 분석하고, 경쟁특허 및 후속 권리화 후보를 검토하는 IP-R&D를 수행했습니다. 이러한 제품 분석에서 중요한 것은 모델 이름 자체보다 입력과 출력 사이의 실제 동작을 바꾼 기술적 연결입니다. 영상 AI를 로봇의 행동으로 확장하면 이 연결은 ‘현재 상태 → 다음 상태 예측 → 실제 명령 실행 → 실패 확인’으로 더 구체화됩니다.
2026년 공개된 NVIDIA의 로봇 AI 미국 출원 두 건을 보면 차이가 분명합니다. 한 건은 미래 영상을 만들어 동작을 실행하는 방법을, 다른 한 건은 작업 실패를 자연어로 설명해 로봇 애플리케이션에 피드백하는 방법을 다룹니다. 둘 다 영상과 언어를 사용하지만 보호하려는 처리관계는 서로 다릅니다.
1. 영상을 설명하는 VLM과 행동을 출력하는 VLA는 다릅니다
VLM(Vision–Language Model)은 영상과 언어를 입력받아 영상의 의미나 질문에 대한 설명을 만들 수 있습니다. VLA(Vision–Language–Action)는 여기에 로봇이 실행할 동작을 데이터로 표현하고, 시각·언어 입력과 실제 제어를 연결합니다.
Google DeepMind가 2023년 공개한 RT-2는 그 차이를 잘 보여줍니다. 기존 시각언어모형을 로봇 데이터로 추가 학습하면서 로봇 동작을 토큰의 나열로 출력하도록 했습니다. 여기에는 동작 지속/종료, 말단장치(end-effector)의 위치 변화, 회전, 그리퍼 상태가 포함됩니다.
그림 1. RT-2의 행동 토큰 구조. 자연어를 생성하는 것과 달리 제어할 로봇의 위치·회전·그리퍼 상태를 출력한다는 점이 중요합니다. Google DeepMind 연구 원문·실제 그림.
예컨대 “빨간 부품을 집어 오른쪽 트레이에 놓으라”는 명령을 해석한 뒤 단순히 “빨간 부품을 발견했습니다”라는 문장을 반환하는 것과, 그리퍼를 이동·회전·개폐하도록 제어값을 생성하는 일은 다릅니다. 영상 이해의 정확도가 95%이더라도 실제 집기 성공률이 95%라는 뜻은 아닙니다. 두 수치는 다른 실험으로 측정해야 합니다.
그림 2. RT-2의 공동학습과 실제 로봇 제어. 웹 영상·언어 지식과 로봇 시연 데이터가 행동 출력으로 연결되는 연구 흐름입니다. 원자료 확인.
학술자료의 맥락에서도 구분이 필요합니다. OpenVLA(CoRL 2024 발표·PMLR 2025 출판)는 7B 모델과 97만 개 로봇 시연 궤적을 이용한 행동정책 학습·적응을 설명합니다. 이 수치와 결과는 해당 논문의 실험조건에서 읽어야 하며, RT-2와 NVIDIA 공개출원의 청구항을 동일하게 만든다는 의미는 아닙니다.
2. 첫 번째 NVIDIA 공개출원: 미래 장면을 예측한 뒤 로봇이 실제로 움직입니다
US20260070225A1(2026년 3월 12일 공개)의 독립 제1항은 현재 영상과 작업을 설명하는 텍스트를 받아 미래 영상(future image)을 예측하고, 현재·미래 영상과 텍스트를 함께 사용해 동작을 예측한 뒤, 그 동작을 로봇이 실행하도록 규정합니다.
그림 3. US20260070225A1 원공보 대표도. 현재 영상·미래 시각목표·행동 예측의 단계가 어떤 입력에 의존하는지 설명하는 도면입니다. 공개공보 및 청구항 원문.
청구항명시된 연산·행동추가 확인할 구현
제1항(독립)현재영상+작업텍스트 → 미래영상 → 동작 예측 → 로봇 실행미래영상 생성과 실제 로봇 제어의 연결
제2항(종속)동작 후 다음 현재영상을 얻어 재예측·재실행닫힌 제어루프와 후속 관측
제4항(종속)시각·텍스트 토큰화, 미래 시각 토큰 및 행동 토큰의 예측·복호화모델 내부의 토큰 처리 세부구조
제5항(종속)미래 시각토큰 생성의 causal attention, 행동 예측의 full attention어텐션 마스크의 추가 한정

이 특허에서 미래 영상이라는 중간 산출물이 중요합니다. 어떤 로봇이 카메라 영상과 텍스트만으로 곧바로 관절 동작을 내보내는 방식이라면, ‘VLA’라는 이름이 같아도 미래영상 예측이라는 제1항의 구성에 실제로 대응하는 과정이 있는지 따로 확인해야 합니다.
반대로 미래 영상을 만드는 연구용 시각화가 있다고 해서 해당 청구항의 모든 필수구성이 충족되는 것도 아닙니다. 제1항에는 그 예측을 동작 생성에 사용하고 실제 로봇을 움직이는 행위가 포함됩니다. 따라서 학습 기록뿐 아니라 실행 시점의 입력 영상·중간 영상·행동명령·기계 동작 기록까지 연계한 검증이 필요합니다.
3. 두 번째 NVIDIA 공개출원: 실패를 설명하고 다음 수행에 피드백합니다
US20260091502A1(2026년 4월 2일 공개)의 제1항은 로봇 조작 작업의 수행상황을 묘사한 입력을 VLM으로 처리하여 작업 실패를 감지하고 실패에 대한 자연어 설명을 생성한 뒤, 이를 로봇 애플리케이션에 피드백으로 전달하는 방법을 청구합니다.
그림 4. US20260091502A1 원공보 대표도. 작업 수행의 실패 감지와 설명 생성이 다음 작업계획의 개선과 연결되는 처리에 주목할 수 있습니다. 공개공보·청구항 원문.
예를 들어 그리퍼가 부품을 집었지만 이동 중 놓친 장면이 기록됐다고 해보겠습니다. VLM이 단순히 “작업 실패”라는 라벨을 출력하는 방식과, “그리퍼가 이동 중 물체를 유지하지 못했습니다”라는 원인 설명을 생성해 후속 작업계획이나 보상함수 조정에 사용할 수 있도록 전달하는 방식은 다릅니다.
공개항기술적 관계확인할 대상
방법 제1항실패상황 입력 → VLM 실패 감지 → 자연어 설명 → 로봇 애플리케이션에 피드백 제공설명의 생성·전달 조건
방법 제2·3항실제 작업 또는 하위작업을 묘사한 영상 프레임영상·시간정보와 실패 판단
시스템 제12항실패감지·설명·피드백을 수행할 프로세서 구성을 규정시스템 청구형태의 대응
시스템 제15항피드백을 보상계산·계획 개선 또는 하위작업 성공검증에 사용피드백 사용방식의 추가 한정

이 출원의 방법 제1항에는 미래 로봇 상태의 영상 예측이나 즉시 액추에이터를 작동시키는 단계가 반드시 포함되지는 않습니다. 중심은 실패를 설명하는 정보가 로봇 애플리케이션으로 전달되는 처리입니다. 제15항에 나온 보상·계획·하위작업 검증의 선택지는 시스템 종속항의 추가조건으로 구분해야 합니다.
4. 같은 카메라를 사용해도 세 가지 기술의 증거는 다릅니다
제품 입장에서는 하나의 영상 AI 기능처럼 보이더라도 권리화 단계에서는 서로 다른 종류의 증거가 필요합니다. INTLAW가 엣지 영상 AI·VLM IP-R&D를 수행하면서 검토한 것처럼, 입력·처리·결과 활용을 실제 구현단위로 나누면 차이가 선명해집니다.
기술축기술적 결과발명을 설명할 때 필요한 자료
영상 인식·장면 이해객체·상태·이벤트 판정학습·시험 데이터, 라벨, 오검출·미검출, 추론 지연
미래상태 예측실행 전에 목표 상태를 나타내는 영상 또는 표현 생성현재영상·미래영상·시각토큰 간 관계, 예측 오차
로봇 동작 실행그리퍼·로봇 자세·동작명령의 물리적 수행명령벡터, 실제 궤적, 완료/충돌/정지 조건, 제어 주기
실패 감지·피드백실패 설명 및 다음 수행 개선용 정보 전달실패 발생시점, 원인 설명의 근거, 피드백 수신·이용기록

개발팀이 “VLM 정확도가 95%입니다”라고 설명한다면 다음 질문이 필요합니다. 그 95%는 이미지 분류 정확도입니까, 미래 상태 예측 정확도입니까, 아니면 실제 로봇 조작 성공률입니까? 한 수치로 모두를 대신할 수는 없습니다.
예컨대 엣지 장치의 추론속도를 높이는 기술은 로봇의 행동 빈도를 높이는 데 기여할 수 있지만, 실제 동작을 결정하는 제어기가 별도로 있고 그 제어기가 추론결과를 사용하지 않는다면 기술적 효과와 실시행위의 연결은 달라집니다. **측정 지표가 다른 기술을 하나의 발명으로 묶으면 명세서의 효과 논증과 청구항 요소가 어긋나기 쉽습니다.**
5. 제품 개선을 입증하려면 ‘실패 이후’를 함께 측정해야 합니다
물리 AI에서는 모델이 정답을 말했는지뿐 아니라 그 결과가 실제 상황을 바꾸었는지를 확인해야 합니다. 출원 전에 다음 네 가지 비교실험을 별도로 설계할 수 있습니다.
비교실험고정할 조건관찰할 지표
영상 인식 모델만 사용같은 카메라·조명·대상물검출 정확도, 오검출·미검출
미래영상 예측 모듈 추가같은 지시와 초기 장면예측 목표상태·실제 도달상태 차이
실제 동작 실행 모듈 연결같은 로봇·그리퍼·작업 주기작업완료율, 제어지연, 충돌·재시도
실패설명·피드백 모듈 추가같은 실패장면과 재실행 기준실패감지 재현율, 오경보, 복구 성공률

위 표는 구체적인 고객 프로젝트에서 측정한 수치가 아니라, 원인과 결과를 검증하기 위한 실험설계입니다. 특히 실패 설명이 ‘맞는 문장’인지와 그 설명을 이용해 실제 재실행 성공률이 개선됐는지는 다른 검증단계입니다. 피드백은 설명 생성 후 어디에서 수신하고, 어떤 결정규칙에 반영하며, 누가 안전 제한을 적용하는지까지 기록해야 합니다.
OpenVLA 연구의 97만 로봇 시연 데이터와 7B 모델도 특정 공개 실험설정의 학습 근거입니다. 모델 규모나 공개코드 사용 자체로 제품별 실험을 대체할 수 없습니다. 기술도입 시에는 OpenVLA 저장소의 코드·모델 라이선스 차이와 관련 선행권리까지 별도로 확인해야 합니다.
6. INTLAW 관점: 출원할 구성과 개발할 기능은 같은 순서로 결정돼야 합니다
영상 AI의 결과가 장치 동작으로 이어지는 제품을 검토한다면 특허를 모델명으로 분류하기보다 제품을 구성하는 처리 결정의 위치를 먼저 표시하는 편이 유용합니다. 입력 영상에서 객체를 판정한 뒤 어떤 중간정보가 생성되는지, 미래상태를 만들었는지, 어떤 조건에서 실행하거나 멈추는지, 실패 이후 무엇을 바꾸는지 확인하는 것입니다.
권리화를 위해서는 적어도 세

AI·소프트웨어,IP-R&D,VLM,VLA,로봇,영상AI,US20260070225A1,US20260091502A1