조지 오웰의 소설 《1984》 속 '101호실'에는 개인이 가장 두려워하는 대상이 기다리고 있습니다. 오늘날 수많은 발명가와 변리사들에게 '101호실'은 다름 아닌 미국 특허청(USPTO)에서 날아온 한 통의 OA(Office Action)일 것입니다. 그리고 그 안에서 우리를 기다리는 가장 끔찍한 문장은 바로 이것입니다. "귀하의 발명은 추상적 아이디어(abstract idea)에 불과하므로, 미국 특허법 제101조(USC 101)에 의거 특허받을 수 없습니다."
내 모든 혁신과 노력이 한낱 '추상적 아이디어'로 치부되는 순간, 그 절망감이야말로 현대판 '101호실'의 공포 그 자체입니다. 특히 이 무시무시한 거절 이유는 AI 발명에 더욱 날카로운 칼날을 들이댑니다.
그렇다면 AI 발명은 이 101조라는 날카로운 칼날 앞에 속수무책으로 쓰러져야만 할까요? 아닙니다. 칼날이 날카로울수록 우리에겐 더 견고한 방패가 필요합니다. 그럼 어떻게 방패를 만들어야 할까요?
AI 발명의 US 특허 적격성 인정의 어려움
AI 발명의 경우에는, 미국 특허법 USC 101에서 법정 특허 대상으로 규정하고 있는 "process (예: method)"의 형식으로 발명이 표현되더라도, 추가적인 허들을 넘어야 특허 적격성이 인정됩니다.
바로, "추상적 아이디어(Abstract idea)"에 해당하지 않아야 한다는, 추가적인 허들을 넘는 것이 필요합니다. USPTO는 이러한 추상적 아이디어의 예시로서, 수학적 개념, 인간 활동 조직 방식, 정신적 과정 등의 예시를 제시하고 있지만, 이러한 예시들만으로는 판단 기준이 모호한 면이 있습니다.
따라서, USPTO 가이드라인 및 심사 메뉴얼(MPEP)은, 이러한 판단 기준을 명확하게 하기 위한 구체화된 가이드를 지속적으로 업데이트하고 있습니다.
AI 발명이 "특허 적격성이 없는 추상적 아이디어"라는 프레임에서 벗어나기 위한 공략 포인트
미국 특허 실무 상, AI 발명은, Ⓐ-1 추상적 아이디어가 청구항에 기재(Recite)되어 있지만, Ⓐ-2 청구항의 추가적인 구성에 의해 실질적인 응용(Practical application)으로 통합되지 않는 경우, “추상적 아이디어에 해당(Directed to an abstract idea)”한다고 판단될 수 있습니다.
또한, AI 발명이 추상적인 아이디어에 해당한다고 판단된 이후에, Ⓑ 발명 전체적으로 중요한 추가 요소(Significant more)가 존재하지 않는다고 추가로 판단되는 경우, 최종적으로 “특허 적격성이 없는 추상적 아이디어”라는 처분을 받게 됩니다.
즉, 미국 특허 실무 상, AI 발명의 특허 적격성이 부정되기 위해서는, 위에서 언급한 Ⓐ-1, Ⓐ-2, Ⓑ의 세 가지 요건이 모두 충족되어야 합니다.
따라서, 반대로 해석하면, 이러한 세 가지 요건 중에서 한 가지 요건이라도 부정될 수 있으면, AI 발명이 “특허 적격성이 없는 추상적 아이디어”라는 프레임에서 벗어날 수 있습니다.
구체적으로, Ⓐ-1 추상적 아이디어가 청구항에 명시적으로 기재(Recite)되어 있지 않음을 입증하거나, Ⓐ-2 청구항의 추가적인 구성에 의해 추상적 아이디어가 실질적인 응용(Practical application)으로 통합된 것을 입증하여, AI 발명이 추상적 아이디어에 해당(Directed to)한다는 프레임에서 벗어날 수 있습니다.
또한, AI 발명이 “추상적 아이디어에 해당(Directed to)한다”는 프레임 자체에서는 벗어날 수 없더라도, Ⓑ 발명 전체적으로 중요한 추가 요소(Significant more)가 존재한다는 점을 입증하여, AI 발명이 “특허 적격성이 없는 추상적 아이디어”라는 프레임에서 벗어날 수 있습니다.
USPTO 가이드라인 및 심사 메뉴얼(MPEP)에서 이러한 공략 포인트들을 구체적으로 표시하면 아래와 같습니다.
[MPEP 2106, subsection III]
[MPEP 2106.04, subsection II.A]
그럼, 이제부터는 위와 같은 공략 포인트들을 실제 실무에 적용해보도록 하겠습니다.
AI 발명의 특허 적격성(USC 101) 거절이유에 대한 대응 전략
[대응 방법 1]: 추상적 아이디어가 청구항에 명시적으로 “기재(Recite)”되어 있지 않다고 주장 (Ⓐ-1 공략 포인트)
먼저, AI 발명의 특허 적격성(USC 101)의 거절이유에 대하여, 위에서 설명드린 Ⓐ-1 공략 포인트를 기반으로 대응을 해볼 수 있습니다. 즉, 추상적 아이디어가 청구항에 “기재(Recite)”되어 있지 않음을 주장하여 거절이유의 극복을 시도할 수 있습니다.
추상적 아이디어가 청구항에 “기재(Recite)”되어 있지 않다는 주장은, AI 발명이 아래와 같은 3가지 범주들의 구성을 명시적으로 기재(Recite)하고 있지 않다고 주장하는 것을 통해 이루어질 수 있습니다.
(1) 수학적 개념 (Mathematical Concepts)
(2) 정신적 과정 (Mental Processes)
(3) 인간 활동을 조직하는 특정 방법 (Certain Methods of Organizing Human Activity)
예를 들어, USPTO 가이드라인의 Example 39과 같이, AI 발명(예: “얼굴 감지를 위해 신경망을 훈련시키는 발명”)이 위와 같은 3가지 범주들에 해당하는 구성을 명시적으로 기재(Recite)하지 않는 점을 주장하여, 이러한 거절이유에 대응할 수 있습니다.
[USPTO Example 39]
구체적으로, 아래와 같은 반박 흐름으로, AI 발명이 3가지 범주들에 해당하지 않음을 주장해볼 수 있습니다.
(1) 수학적 관계, 공식, 또는 계산이 아님: Example 39의 청구항은 “디지털 얼굴 이미지를 수집하고, 변환을 적용하여 수정된 이미지 세트를 생성하며, 이를 사용하여 신경망을 훈련시키는 일련의 단계”를 포함하고 있습니다. 비록 이러한 구성의 구현에 수학적 연산이 활용될 수 있을지라도, 이러한 구성 자체가 수학적 관계, 공식 또는 계산에 직접 대응될 수는 없습니다.
(2) 인간의 정신적 과정이 아님: Example 39의 청구항에 기재된, “디지털 이미지에 변환을 적용(applying one or more transformations)하는 단계 및 학습 데이터를 생성하여 신경망을 훈련시키는 단계”는 인간의 정신적 활동만으로 달성될 수 없으며, 컴퓨터 시스템의 처리를 필수적으로 요구합니다. 따라서, Example 39의 청구항에 기재된 단계들은 인간의 정신만으로 실질적으로 수행될 수 없는 작업들입니다.
(3) 인간 활동을 조직하는 방법이 아님: Example 39의 청구항에 기재된 구성들은, 얼굴 감지를 위한 신경망 훈련이라는 특정 기술적 문제를 해결하는 데 중점을 두는 구성들로서, 경제적 개념, 상업적 또는 법적 상호 작용, 또는 사람 간의 관계 관리와 같은 인간 활동을 조직하는 특정 방법에 해당하지 않습니다.
한편, “기재된 구성이 추상적 아이디어로 해석될 수 없다”는 방향이 아니라, “기재(Recite) 자체를 부정하는 방향”으로 대응해볼 수도 있습니다.
구체적으로, “추상적 아이디어가 청구항에 기재(Recite)되어 있지 않고 단순히 내포(Involve)되어 있음”을 주장하는 방향으로 거절이유에 대응할 수도 있습니다.
예를 들어, AI 모델의 학습 과정에서 활용되는 수학적 연산이 문제가 된 상황에서, 청구항에 AI 모델의 학습과 관련된 연산 과정이 명시적으로 기재되어 있지 않다면, 명시적인 기재 자체를 부정하는 방향으로 거절이유에 대응해 볼 수 있습니다.
2024. 7. 17자로 업데이트된 USPTO 가이드라인도, AI 발명과 관련된 Example 47에서, “AI 모델이 수학적 연산에 의해 학습될지라도, 청구항에 해당 구성이 명시적으로 기재(Recite)되어 있지 않으면, 추상적 아이디어를 기재한 것이 아니다”라는 취지의 설명을 하고 있습니다.
[USPTO Example 47]
추가로, 심사관이 지적한 수학적 연산 과정이 기재된 것은 맞지만, 향후 진보성(Inventive step) 인정과 관련하여 중요하지 않다면, 이러한 연산 과정의 기재(Recite)를 삭제하는 조치를 통해, 거절 이유에 대응해 볼 수도 있습니다.
[대응 방법 2]: 청구항의 추가적인 구성에 의해 추상적 아이디어가 실질적인 응용(Practical application)으로 통합되었다고 주장 (Ⓐ-2 공략 포인트)
추상적 아이디어로 해석될 수 있는 구성이 청구항에 기재(Recite)되어 있더라도, 청구항에 포함된 추가적인 구성에 기초하여 실질적인 응용(Practical application)을 주장함으로써, 거절이유의 극복을 시도할 수 있습니다.
USPTO 가이드라인 및 심사 메뉴얼(MPEP)은, AI 발명의 “실질적인 응용”을 증명하기 위한 한가지 방법으로서 “컴퓨터 기능의 향상(Improvement), 또는 다른 기술 분야에 대한 향상”을 보여주는 방법을 제시하고 있습니다. 또한, 이러한 기능적인 향상을 판단할 때, 추가적인 구성이 널리 알려지거나(Well-understood), 일상적(Routine)이거나, 통상(Conventional)의 구성에 해당하는지 여부는 고려 대상이 아닌 것으로 설명하고 있습니다.
따라서, 청구항에 추상적인 아이디어가 기재되어 있더라도, 청구항에 포함된 추가적인 구성에 의해 “실질적인 응용” 또는 “기능적인 향상”이 달성될 수 있음을 입증하여, USC 101조의 거절이유를 극복할 수 있습니다.
특히, AI 발명과 관련해서는, “이미지 처리 정확도 향상”, “인코딩 성능 향상”, “패킷 감시의 정확도 향상”, “레이턴시 감소”, “심장 상태 모니터링의 정확도 향상”, “에러 검출 성능 향상”, “네트워크 보안 성능 향상”, “음성 인식에서 화자 분리 성능 향상”, “약물 치료와 관련된 환자의 리스크 결정” 등과 같은 기능적 향상을 통해, 실질적인 응용에 대한 주장을 할 수 있습니다.
구체적으로, 미국 판례 또는 USPTO 가이드라인에서, “실질적인 응용” 또는 “기능적인 향상”이 인정된 주요 사례들을 정리하면 아래와 같습니다.
- “애니메이션 자동화 성능 향상, 입술 Sync 관련 정확도 향상” (McRO, Inc. v. Bandai Namco Games America Inc., 837 F.3d 1299 / Fed. Cir. 2016)
- “인코딩 성능 향상” (Cal. Inst. of Tech. v. Broadcom Ltd, 25 F.4th 976, 988 / Fed. Cir. 2022)
- “패킷 감시의 정확도 향상” (Packet Intel. LLC v. NetScout Sys., Inc., 965 F.3d 1299, 1308-10 / Fed. Cir. 2020)
- “레이턴시 감소” (Uniloc USA, Inc. v. LG Elec. USA, Inc., 957 F.3d 1303, 1305, 1307-08 / Fed. Cir. 2020)
- “심장 상태 모니터링의 정확도 향상” (CardioNet, LLC v. InfoBionic, Inc., 955 F.3d 1358, 1368-69 / Fed. Cir. 2020)
- 에러 검출 성능 향상” (Koninklijke KPN N.V. v. Gemalto M2M GmbH, 942 F.3d 1143, 1150-51 / Fed. Cir. 2019)
- “네트워크 보안 성능 향상” (Example 47 of USPTO guidelines / 2024. 7. 17)
- “음성 인식에서 화자 분리 성능 향상” (Example 48 of USPTO guidelines / 2024. 7. 17)
- “약물 치료와 관련된 환자의 리스크 결정” (Example 49 of USPTO guidelines / 2024. 7. 17)
이와 관련하여, 파이특허에서 처리하여 등록된 US 12,093,840 B2에서도 “수동 입력 없이 디지털 이미지의 객체를 자동으로 분류하고 검출하는 성능의 향상”에 대한 “실질적인 응용”이 인정이 되어, USC101의 거절이유가 극복된 사례가 있습니다.
|
1. A method of training a prediction model of an artificial neural network to predict objects included in a network; generating a loss value based on a discrimination label corresponding to the input data and the prediction label, wherein the input data comprises digital image data, and wherein the discrimination label is an ambiguous discrimination label comprising a plurality of discrimination information, and wherein the discrimination information represents a class of an object included in the input data; training the prediction model of the artificial neural network to automatically classify and detect objects included in the digital image without manual input by using a feed forward scheme based on the discrimination label by updating weights of the prediction model of the artificial neural network, based on the loss value, wherein generating the loss value includes: outputting an inner product value set based on the discrimination label and the prediction label generated by the prediction model of the artificial neural network, by using a first function, and outputting the loss value based on the inner product value set by using a second function, wherein the outputting of the inner product value set based on the discrimination label and the prediction label by using the first function includes: outputting the inner product value set which is a set of respective inner product values by computing the inner product value of n prediction labels and n discrimination labels corresponding to an input data, respectively, wherein the outputting of the loss value based on the inner product value set by using the second function includes: calculating a log mean based on the inner product value set. |
[파이특허에서 처리한 US 12,093,840 B2의 Claim 1]
구체적으로, 본 사안과 관련하여 파이 특허는, 위와 같이 밑줄 친 추가적인 구성을 기초로, “식별 라벨 기반의 피드 포워드 방식을 활용하여, 수동 입력 없이 디지털 이미지의 객체를 자동으로 분류하고 검출하는 성능이 향상”될 수 있는 점에서 “실질적인 응용”이 인정될 수 있다고 주장하였고, 이러한 대응을 통해 USC 101의 거절이유가 극복되어 최종 등록되었습니다.
또한, 파이특허에서 처리하여 등록된 US 12,339,964 B2에서도, “악성 코드 탐지 성능 향상”에 대한 “실질적인 응용”이 인정이 되어, USC101의 거절이유가 극복된 사례가 있습니다.
|
1. A method of extracting file feature information, the method being performed by a computing device including at least one processor, the method comprising: converting input data in a form of a binary file into data with a preset size, wherein the converting of the input data in the form of the binary file into the data with the preset size comprises: recognizing the input data in units of bytes; counting the number of each of the recognized plurality of bytes; and converting the input data into the data with the preset size based on the number of each of the plurality of bytes; extracting feature information of the input data from the data with the preset size; and training a network model using the feature information as training data to detect a malicious code from the input data in the form of the binary file, wherein the converting of the input data into the data with the preset size based on the number of each of the plurality of bytes comprises: calculating an appearance probability of each of the plurality of bytes in total data based on the number of each of the plurality of bytes; and converting the input data into the data with the preset size based on the appearance probability. |
[파이특허에서 처리한 US 12,339,964 B2의 Claim 1]
구체적으로, 본 사안과 관련하여 파이 특허는, 위와 같이 밑줄 친 추가적인 구성을 기초로, “악성 코드 탐지 성능을 향상시키는 점”에서 “실질적인 응용”이 인정될 수 있다고 주장하였고, 이러한 대응을 통해 USC 101의 거절이유가 극복되어 최종 등록되었습니다.
[대응 방법 3]: 발명 전체적으로 중요한 추가 요소(Significant more)가 존재한다는 점을 주장 (Ⓑ 공략 포인트)
대응 방법 1과 대응 방법 2가 실패하여 AI 발명이 추상적 아이디어에 해당(Directed to)한다고 판단되더라도, 대응 방법 3을 통해 USC 101의 거절 이유를 극복할 수 있는 기회가 있습니다.
대응 방법 3은, AI 발명에 “중요한 추가 요소(Significant more)”가 존재하는 것을 주장하는 방법입니다.
한편, 이러한 “중요한 추가 요소(Significant more)”의 존재 여부에 대한 판단은, 기능적인 향상 여부에 대한 판단을 수반할 수밖에 없으므로, 대응 방법 2의 “실질적 응용(Practical application)”의 존재 여부에 대한 판단과 상당 부분 중첩될 수밖에 없습니다. (USPTO 가이드라인도 이러한 사실을 인정하고 있습니다)
다만, “중요한 추가 요소(Significant more)”는, “널리 알려지거나(Well-understood), 일상적(Routine)이거나, 통상(conventional)의 구성에 해당하는지 여부"가 고려되는 점에서, “실질적 응용(Practical application)”과 명확히 차별됩니다.
따라서, 대응 방법 2의 “실질적 응용"과 관련해서는 기존에 알려진 기능적인 요소들을 추가하는 대응도 고려될 수 있지만, 대응 방법 3의 “중요한 추가 요소"와 관련해서는 (진보성 수준은 아니더라도) 선행 기술들과 차별될 수 있는 발명의 특징적인 부분을 추가로 반영하는 것이 필요합니다.
즉, 대응 방법 3의 단계에서는, i) 발명의 특징적인 일부 구성을 청구항에 추가하고, ii) 이러한 구성에 의해 발명 전체적으로 달성될 수 있는 기술적 효과가 널리 알려지거나, 일상적이거나, 통상적이지 않다는 점을 주장하는 것이 필요합니다.
이와 관련하여, 파이특허에서 처리하여 등록된 US 12,026,942 B2를 살펴보면, 이러한 “중요한 추가 요소"가 인정되어 USC 101의 거절이유가 극복된 사례를 확인할 수 있습니다.
|
1. A method of detecting an object included in an image by using an object detection model performed by a computing device, the method comprising: outputting a feature map by computing a relationship between adjacent pixels in the image and excluding non-adjacent pixels, by using only a local block included in the object detection model, and computing a relationship between non-adjacent pixels and excluding adjacent pixels in the image by performing a weighted sum computation for all pixels included in the feature map, by using only a non-local block included in the object detection model. |
[파이특허에서 처리한 US 12,026,942 B2의 Claim 1]
본 사안에서 파이특허는, 청구항의 기존 구성들을 삭제하고 위와 같이 밑줄 친 구성들을 추가하였으며, 보정된 발명은 추가된 구성들에 기초하여 “중요한 추가 요소(Significant more)”를 가진다는 취지의 주장을 하였습니다.
구체적으로, 파이특허는, 추가된 구성들에 의해 “AI 모델로 하여금 원거리의 정보를 포착하고 원거리의 종속성을 고려할 수 있게 하며, 객체의 일부가 가려진 경우에도 객체를 정확하게 식별할 수 있게 하는 기술적 특징”이 구현될 수 있고, 이러한 기술 요소가 선행 기술들에 비해 차별되므로, “중요한 추가 요소(Significant more)"가 인정될 수 있다는 취지로 주장하였습니다.
결국, 이러한 대응을 통해, USC 101의 거절이유가 극복되었고, 넓은 권리 범위를 갖는 청구항이 확보될 수 있었습니다.
결어
AI 발명은 그 특성상 “추상적 아이디어”로 판단되어 USC 101의 거절이유에 자주 직면하지만, 단순히 막연하게 어렵다고 느낄 필요는 없습니다.
앞에서 살펴본 바와 같이, 청구항에 추상적 아이디어가 “기재”되어 있는지(Ⓐ-1 공략 포인트), 그것이 “실질적인 응용”으로 통합되었는지(Ⓐ-2 공략 포인트), 그리고 “중요한 추가 요소”가 존재하는지(Ⓑ 공략 포인트)를 중심으로 전략적으로 대응하면, 충분히 극복이 가능합니다.
실무적으로도 다양한 등록 사례가 이를 뒷받침하고 있으며, 위와 같은 공략 포인트를 잘 활용하면 AI 발명도 충분히 특허 적격성을 인정받을 수 있습니다.
다만, 일단 USC 101의 거절이유가 제기되면 대응 과정에서 추가 비용과 시간이 소요되고, 심사관에 따라 극복이 쉽지 않은 사례도 종종 있습니다. 따라서, 사전에 청구항을 정교하게 다듬고, 예외 판단 요소를 고려한 명세서 작성 전략을 마련하는 것이 보다 효율적일 수 있습니다.
