생성형AI 특허의 시대 – ChatGPT와 DeepSeek

지난 뉴스레터에서 설명한 것과 같이 인공지능(AI) 기술이 급격히 발전하면서, 이를 보호하기 위한 특허 출원이 활발해지고 있습니다. 특히, ChatGPT와 같은 대형 언어 모델(LLM)의 등장은 AI의 활용 범위를 크게 확장시키며, 기업들이 AI 특허 전략을 본격적으로 고민하도록 만들었습니다. 최근 AI 연구의 흐름을 보면 단순한 모델 크기 확장을 넘어, 효율적인 추론 방식과 강화학습 기반의 최적화가 중요한 연구 주제로 떠오르고 있습니다.

이번 뉴스레터에서는 ChatGPT와 딥시크(DeepSeek) AI의 최근 이슈를 살펴보며, AI 발명의 특허출원을 어떻게 준비해야 되는지 알아보도록 하겠습니다.

1. ChatGPT와 추론 모델   

GPT(Generative Pre-trained Transformer)는 대규모 언어 모델(LLM)의 대표적인 예시로, 방대한 양의 텍스트 데이터를 사전 학습(Pre-training)한 후, 특정 작업에 맞게 미세 조정(Fine-tuning)하여 활용됩니다. OpenAI는 GPT-3의 업데이트 버전인 GPT-3.5를 기반으로 ChatGPT를 출시하였고, 이후 GPT-4에서는 멀티모달 AI 기능(텍스트뿐만 아니라 이미지도 처리 가능)과 향상된 추론 능력을 도입했습니다.

[AI의 블랙박스 특성과 설명 가능한 인공지능(XAI)]

최근 AI 모델의 추론 방식은 단순히 GPU 수를 늘리고 학습 데이터를 확대하는 전통적인 방식에서 벗어나, Chain of Thought(CoT) 추론 방식을 적극적으로 도입하고 있습니다. CoT 방식은 AI가 복잡한 문제를 단계적으로 논리적으로 풀어낼 수 있도록 유도하는 접근법입니다. 기존의 AI 모델들은 단순한 패턴 매칭에 기반한 응답을 생성하는 경향이 강했지만, CoT 방식은 인간의 사고 흐름을 모방하여 AI가 자체적으로 문제를 분석하고 해결할 수 있도록 합니다. 이러한 방식은 특히 수학 문제 해결, 코드 작성, 논리적 추론이 필요한 작업에서 뛰어난 성과를 보이고 있습니다.

AI 모델의 신뢰성과 투명성에 대한 요구가 커지면서 설명 가능한 AI(XAI, Explainable AI) 기술이 함께 주목받고 있습니다. XAI는 AI 모델이 왜 특정한 결론을 도출했는지 이해할 수 있도록 설명하는 기술로, CoT 방식과 결합할 경우 AI의 추론 과정이 더욱 명확해질 수 있습니다. 이는 특히 의료, 법률, 금융 등 AI의 의사결정이 중요한 영향을 미치는 분야에서 필수적인 요소가 되고 있습니다.

이처럼 ChatGPT를 비롯한 최신 AI 모델들은 단순한 데이터 학습을 넘어 더 효율적이고 정교한 추론을 수행할 수 있는 방법론을 모색하고 있습니다.

2. 딥시크(DeepSeek)와 ChatGPT

딥시크(DeepSeek)는 GPT 계열의 모델과는 다른 강화학습 기반의 최적화 방식을 사용합니다. OpenAI의 ChatGPT가 대규모 언어 모델과 강화학습을 조합한 방식으로 발전했다면, 딥시크는 강화학습 최적화(RL Optimization) 기법을 중심으로 모델을 개선해 왔습니다.

특히, 딥시크 V3부터는 AI가 자체적으로 답변을 평가하고 새로운 데이터를 생성하는 구조를 채택하였습니다. 이는 기존 AI 모델이 필요로 했던 크리틱(critic, 비교 평가자)을 제거하고, 더 적은 컴퓨팅 자원으로 더 높은 효율성을 확보할 수 있도록 합니다. GPT 계열 모델들이 여전히 방대한 데이터와 컴퓨팅 파워를 요구하는 반면, 딥시크는 자체적인 학습 최적화 능력을 강화함으로써 효율성을 극대화하는 방향으로 발전하고 있습니다.

강화학습이 효과적으로 작동하기 위해서는 양질의 콜드스타트(Cold Start) 데이터가 필수적입니다. 이에 따라 데이터를 확보할 수 있는 플랫폼의 중요성이 점점 커지고 있으며, 데이터 보유 여부가 AI 기술 경쟁력을 결정짓는 핵심 요소로 자리 잡고 있습니다.

양질의 콜드스타트 데이터 중요성이 대두되는 시점에서, 데이터들을 확보할 수 있는 플랫폼 기업으로 테슬라, 애플과 같은 기업들에 관심이 쏠리고 있습니다.

3. AI 발명과 특허출원, 어떻게 준비해야 할까?

AI 기술은 이제 단순한 알고리즘을 넘어 다양한 산업과 제품에 실질적으로 적용되며, 그 중요성이 점점 커지고 있습니다. 이에 따라 AI 관련 발명을 특허로 보호하고자 하는 수요도 꾸준히 증가하고 있습니다. 그렇다면 AI 발명을 어떻게 준비해야 할까요?

(1) AI 발명의 두 가지 유형: 학습 모델링 vs 응용 기술

AI 발명은 크게 AI 학습모델링 발명과 AI 응용 발명으로 구분됩니다.

AI 학습모델링 발명

AI 모델 자체를 설계하거나 학습하는 기술로, 예컨대 학습 데이터의 구성, 손실함수 설계, 하이퍼파라미터 튜닝 등을 기반으로 AI 모델을 학습 및 평가하여 최적의 모델을 구축하는 기술입니다.

AI 응용 발명

학습된 AI 모델을 특정 목적에 응용하는 기술로, 예를 들면 음성인식, 이미지 생성, 자동 번역, 이상 탐지 등이 있습니다. 즉, AI 기술을 실생활에 접목하여 구체적인 기능을 수행하게 만드는 부분입니다.

이처럼 AI 발명의 성격에 따라 특허 전략도 달라지기 때문에, 자신의 기술이 어느 유형에 속하는지를 먼저 분명히 하는 것이 중요합니다.

(2) AI 기술이 특허로 등록되기 위한 핵심 요건

AI 기술이 특허로 인정받기 위해서는 다음 세 가지 조건을 충족해야 합니다.

• 발명의 성립성: 단순한 수학적 아이디어나 추상적 개념이 아니라, 구체적인 하드웨어 또는 소프트웨어 구현 방식이 기술적으로 명확히 제시되어야 합니다.
• 신규성: 기존에 공개된 기술과 명확히 구분되는 새로운 기술적 구성이나 방식이 있어야 합니다.
• 진보성: 단순한 조합이나 사소한 개선이 아니라, 기술적 효과가 향상되었음이 객관적으로 설명되어야 합니다.

특히 AI 기술은 “AI를 사용했다”라는 점만으로는 진보성을 인정받기 여렵습니다. 따라서 AI 기술의 적용 방식, 처리 구조, 성능 향상 정도 등을 구체적으로 입증하는 것이 매우 중요합니다.

(3) AI 특허는 어떻게 준비해야 할까?

다음은 실제 특허 출원 시 진보성 판단에 도움이 되는 구체적 전략입니다

① 데이터 전처리에 기술적 특징이 있는 경우

AI 시스템에서 데이터를 어떻게 처리하느냐는 모델 성능에 큰 영향을 미칩니다. 만약 발명이 단순히 “데이터 전처리를 수행한다”고만 되어 있다면 이는 기존 기술자의 단순 창작으로 볼 수 있습니다. 그러나 예를 들어 모션 추적 정보를 벡터화하거나, 정규 표현식으로 로그 이벤트를 분류·필터링하는 등 전처리 기법이 구체적으로 기재되어 있고, 이에 따라 모델의 성능이 명확히 향상된다면, 이는 진보성 인정의 핵심이 됩니다.

② 학습모델 자체에 기술적 특징이 있는 경우

단순히 CNN, LSTM, ANN을 사용한다고 해서 진보성이 인정되진 않습니다. 하지만 하이퍼 파라미터 최적화, 학습환경 구성, 학습모델 검증, 복수의 학습모델들의 연계, 분산 또는 병렬처리 등 학습 구조 자체에 기술적 특징이 구체적으로 기재되었고, 예측 정확도나 처리 속도 등의 성능 향상 효과가 명확한 경우, 이는 진보성이 인정될 수 있습니다.

③ 학습 결과물(결과 데이터) 활용에 특징이 있는 경우

AI 모델이 내놓은 결과를 단순히 출력하는데 그치지 않고, 이를 구체적인 판단, 결정, 실행에 활용하고 있다면 진보성을 인정받을 수 있습니다.

예를 들어 AI 모델을 통해 사고차량의 파손상태를 산출하는 방법이 공지된 기술이라고 하면, AI 모델을 통해 사고차량의 파손 정보를 분석하여 보험료율 변동을 예측하고, 이를 기반으로 사용자 단말에 비용을 산출하여 제공하는 구조는 사고차량의 파손상태를 산출만 하는 기존 기술에 비해 사용자가 선택하는 수리 유형에 따라 예상되는 보험료 상승을 미리 예측할 수 있도록 함으로써 사용자 편의를 높이는 효과가 발생하고, 기존 기술에 비하여 예측되는 효과 이상의 더 나은 효과로 판된되어 진보성이 인정될 수 있습니다.

④ 산업 분야가 다른 경우

같은 AI 기술이라도 적용 산업이 달라지면 그 효과가 달라지는 경우가 있습니다. 출원 기술이 기존 AI 기술을 활용했더라도, 해당 산업의 오랜 미해결 과제를 해결하거나, 기술적 곤란을 극복했다면 진보성이 인정될 수 있습니다. 이때  ‘산업분야의 변경에 따른 예측되는 효과 이상의 더 나은 효과’의 발생 여부는 통상의 기술자가 발명의 설명에 기재된 객관적인 증거 또는 구체적인 실시예 등으로부터 쉽게 인식할 수 있어야 합니다.

⑤ 학습 데이터에 특징이 있는 경우

학습 데이터 자체에 차이가 있다고 해서 진보성이 무조건 인정되지는 않습니다. 그러나 그 학습 데이터가 AI 모델의 성능을 실질적으로 변화시키는 방식으로 설계되어 있거나, 그 정보 처리 방식이 구체적으로 기재되어 있다면, 진보성 판단에 긍정적으로 작용할 수 있습니다.

AI 기술의 특허화는 단순히 ‘기술을 보호한다’는 수준을 넘어, 향후 기술 상용화와 사업화 전략의 핵심이 됩니다. 따라서 초기 기획 단계부터 어떤 점이 기술적으로 새로운지, 그 효과는 무엇인지, 이를 어떻게 설명할 수 있을지를 충분히 고려해야 합니다.

진솔국제특허법률사무소는 AI 기술의 트허 출원을 위한 전략적 컨설팅을 제공합니다.

기업 맞춤형 AI 특허 전략이 필요하시다면, 언제든지 문의해주세요!