의료 AI 특허의 진보성, 특허심판원과 특허법원은 왜 다르게 봤습니까?

제상욱 파트너 변리사 | 게시 2026. 11. 2.

요약

특허법원은 2026년 9월 30일 뷰노 등이 보유한 의료 AI 특허 2건(입원환자 증상 예측)에 대하여 진보성이 부정된다고 판단하였습니다. 제1 특허에서 특허심판원과 판단이 갈린 지점은 분리 학습을 차이점으로 볼 수 있는지, 그리고 두 신경망을 연결한 구조가 공지 문헌에 개시되어 있는지였습니다.
특허법원은 선행발명인 DeepCare 논문의 상단 신경망(Neural Network)을 행렬 연산으로 검토하여 청구항의 완전 연결층과 같다고 판단하였고, RNN을 정의한 수학식은 선행발명 1의 RNN 모델을 “단순히 수학식으로 표현한 것”으로 보았습니다. 청구항에 ‘분리 학습’으로 해석할 기재가 없고 발명의 설명에도 그러한 기재가 없다는 이유로, 이를 진보성 인정의 근거로 받아들이지 않았습니다.
발명의 설명에 완전 연결층 연결의 “특유한 기술적 특징이나 그 효과”가 기재되어 있지 않다는 점이 판단의 출발점이 되었고, GAN에 입력되는 생체 신호와 출력되는 혈액 검사 결과의 ‘상관관계’ 주장은 명세서에 그 기술적 의의가 기재되어 있지 않다는 이유로 배척되었습니다.
반면 명세서 기재요건(실시 가능 요건 및 명확성 요건)은 충족된다고 판단하였습니다. 입력 데이터의 예시, z-score 전처리, 학습 데이터와 역전파 학습의 기재로 재현할 수 있다는 이유입니다. 진보성을 부정한 두 판결은 아직 확정되지 않았습니다.

확인일 2026. 10. 30. | 특허법원 판결문 3건과 특허심판원 심결문 2건을 원문으로 확인하였으며, 쪽수는 원문 쪽수입니다. 기준 자료: 특허법원 2026. 9. 30. 선고 2025허10335, 2025허10353, 2025허10336 판결, 특허심판원 2025. 2. 27. 2024당591, 2024당592 심결

쟁점별 심결과 판결의 해석 비교

쟁점	특허심판원	특허법원	근거
‘제2 신경망 모델’과 선행 구조의 대비	청구인 제출 자료는 완전 연결층을 은닉층으로 사용하거나 부가한 것뿐이고, 별도 신경망을 후단에 연결한 구조의 공지는 입증되지 않음	선행발명 2(DeepCare)의 상단 신경망(Neural Network)을 행렬 연산으로 검토하여 완전 연결층으로 인정. 선행발명 4(교과서)의 RNN과 MLP 결합도 RNN 다음에 별도로 연결된 구조로 인정	[4] 38~39쪽 / [1] 24~25쪽, 27~28쪽
RNN 수학식 기재	통상적인 순환 신경망 구조의 설명으로서 비교대상발명과 실질적으로 동일(당사자 간 다툼 없음)	선행발명의 RNN을 “단순히 수학식으로 표현한 것”	[4] 34쪽 / [1] 21쪽
‘분리 학습’의 차이점 해당 여부	제1 신경망의 비지도 학습 후 제2 신경망을 지도 학습하여 학습 성능을 높이는 기술적 효과 인정	청구항에 별도 학습으로 해석할 기재가 없고, 발명의 설명도 일반적 내용에 그침. 별도 학습이라 하더라도 “단순한 설계 변경사항”에 해당	[4] 38쪽 / [1] 29~30쪽, [2] 36~37쪽
시점별 분석 정보의 일괄 입력	(심결에서 다루지 않음)	청구항은 ‘t 시점에서의’ 출력층으로만 한정. 일괄 입력 시 입력 차원이 변하는데 이를 고정하는 수단의 기재가 없음	[1] 31~33쪽, [2] 34~36쪽
명세서의 기술적 특징 및 효과 기재	분리 학습의 효과 인정	완전 연결층 연결의 “특유한 기술적 특징이나 그 효과”가 기재되어 있지 않음	[4] 38쪽 / [1] 21~22쪽, [2] 30~31쪽
GAN 입력(생체 신호)과 출력(혈액 검사 결과)의 관계	GAIN 논문의 GAN 대체 방법은 “범용 인공지능 기술”로서 결합 용이	‘상관관계’의 기술적 의의에 관한 기재가 없고, 혈액 검사 결과는 입력 차원을 늘리는 부가 데이터로 보임	[5] 40쪽 / [2] 27~29쪽
명세서 기재요건(특허법 제42조 제3항 제1호, 제4항 제2호)	충족	충족. 입력 예시, z-score 전처리, 학습 데이터와 역전파 기재, GAN 입출력 기재로 재현 가능하고, z-score의 두 산출 방식은 별개 실시예로서 명확	[4], [5] 27쪽 / [1] 10~16쪽, [2] 10~17쪽

대상 특허와 심결 및 판결의 결론

제1 특허(제1841222호)는 생체 신호를 개체화한 데이터를 RNN 수학식으로 정의된 제1 신경망 모델에 입력하고, 그 출력층을 완전 연결층을 포함하는 제2 신경망 모델에 입력하여 시점 t부터 t+n까지의 치명적 증상 발생 확률을 산출하는 발명입니다. 무효심판 중 정정청구로, 제2 신경망 모델이 ‘다수의 피검체에 대한 개체화 데이터 및 치명적 증상의 발생 여부를 포함하는 학습 데이터에 기초하여 학습된’ 것이라는 한정이 부가되었습니다. [1]

제2 특허(제2049824호)는 생체 신호와 혈액 검사 결과를 함께 분석 대상 데이터로 하고, 혈액 검사 결과가 누락된 경우 GAN으로 학습된 생성기에 생체 신호를 입력하여 유사 혈액 검사 결과를 생성하는 발명입니다. 이후 2025정57 정정심판으로 청구항 5가 삭제되고, 청구항 5에 있던 제1 특허와 유사한 RNN 및 완전 연결층 구성이 청구항 1에 들어갔습니다. [2][3]

특허심판원은 제1 특허에 대한 무효심판 청구를 기각하였고, 제2 특허는 청구항 1, 2, 4, 6~9를 무효로 하고 청구항 5에 대한 청구는 기각하였습니다. [4][5] 특허법원은 제1 특허의 심결을 취소하였고(2025허10335), 제2 특허에 대한 뷰노의 청구는 기각하였습니다(2025허10353). [1][2]

선행발명의 신경망을 행렬 연산으로 검토하여 완전 연결층으로 인정하였습니다

제1 특허 판결에서 특허법원은 선행발명 2(논문 “DeepCare”)의 위층 ‘Neural network’가 청구항의 ‘완전 연결층을 포함하는 제2 신경망 모델’에 대응하는지를 연산 구조로 검토하였습니다. [1]

판결은 완전 연결층을 ‘앞에 있는 층의 모든 출력 노드가 뒤에 있는 층의 모든 입력 노드와 연결되는 구조’로 정의하였습니다(각주, 21쪽). [1]
DeepCare의 상단 신경망(Neural Network)은 3K 차원 벡터를 입력받아 입력-은닉 행렬 Uh1(3K×D)과 은닉-출력 행렬 Uh2(D×2)를 거칩니다. 특허법원은 각 행렬이 앞 층의 모든 노드와 연산한다는 점에서 “선행발명 2의 Neural network는 완전 연결층이라고 봄이 타당하다”고 판단하였습니다(24쪽). [1]
선행발명 1의 출력이 1차원이어서 결합할 수 없다는 특허권자(뷰노 등)의 주장에 대하여, 통상의 기술자라면 출력층 앞 단계의 결과값을 예측 모델의 입력값으로 하고 출력층 대신 상단 신경망(Neural Network)을 도입하는 것이 “자명하다”고 판단하였습니다(25쪽). [1]

특허심판원은 같은 쟁점에서 다른 비교대상발명을 두고, 청구인이 제출한 자료는 완전 연결층이 은닉층으로 사용되거나 은닉층과 출력층 사이에 부가된 순환 신경망에 관한 것뿐이고 두 신경망을 연결한 구조의 공지는 입증되지 않았다고 판단하였습니다(38쪽). [4] 완전 연결층이 출원 전 주지관용기술이라는 점은 당사자 간에 다툼이 없었습니다(38쪽 각주). [4] 특허법원이 근거로 든 DeepCare 논문(선행발명 2)과 교과서(선행발명 4)는 심결에서 비교대상발명으로 대비되지 않았습니다. [1][4]

수학식으로 한정한 구성은 선행발명의 RNN과 실질적으로 동일하다고 판단하였습니다

청구항은 제1 신경망 모델을 ‘st=f(xt, st-1, Ui, …) 및 y=g(st, Uj, …)’의 식과 각 기호의 정의로 한정하고 있습니다. [1] 특허법원은 이를 “시계열적인 데이터를 분석하는 선행발명 1의 RNN 모델을 단순히 수학식으로 표현한 것”으로서 선행발명 1과 실질적으로 동일하다고 판단하였습니다(21쪽). [1]

U, V, W가 모든 시점에 걸쳐 공유되는 신경망 파라미터라는 한정도 “일반적인 RNN과 차이가 없다”고 판단하였습니다(32쪽). [1] 특허심판원도 이 한정을 통상적인 순환 신경망 구조의 설명으로 보았고, 이 점은 당사자 간에 다툼이 없었습니다(34쪽). [4]

‘개체화’는 발명의 설명을 참작하여 표준화로 해석되었습니다

청구항의 ‘개체화 데이터로 변환’에 대하여 특허법원은 발명의 설명 [0040]~[0043]을 근거로 “표준화를 의미”한다고 해석하였고, 그 결과 선행발명 1의 표준화(z-normalized)와 실질적으로 동일하다고 판단하였습니다(20쪽). [1]

한편 특허법원은 명확성 요건 판단에서 발명의 설명 기재로부터 ‘제2 생체 신호’와 ‘개체화 데이터’를 명확하게 파악할 수 있다고 판단하였습니다(15~16쪽). [1] 명세서가 정의한 개체화가 공지된 z-score 표준화였기 때문에, 같은 해석이 명확성 요건에 관한 다툼에서는 특허권자를 보호하였지만 선행발명과의 차이점은 만들지 못하였습니다.

RNN 내부와 외부 MLP의 구별 주장은 도면의 연결 경로를 근거로 배척되었습니다

특허권자(뷰노 등)는 선행발명 4(교과서 “Deep Learning”)의 MLP는 RNN 내부에 삽입된 구조이고, 이 사건 발명은 RNN 외부에 별도의 MLP가 연결된 구조라고 주장하였습니다. [1] 청구항에서 y는 ‘잠재적 특징인 출력층’으로서 제2 신경망 모델의 입력이 되므로 최종 출력이 아니라는 취지입니다. [1]

특허법원은 교과서 도 10.13(b)의 ‘은닉-출력’ 경로가 은닉 상태로 피드백되는 경로와 구분되어 피드백 없이 출력 y에 직접 연결되고 그 이후에 연결된 층이 없으므로, 거기서 y는 최종 출력이고 MLP는 “RNN 다음에 별도로 연결된 것이라고 봄이 타당하다”고 판단하였습니다(27~28쪽). [1] 설령 달리 해석할 여지가 있더라도 그러한 해석의 가능성이 결합을 방해하지 않는다고 덧붙였습니다(28쪽). [1] 제2 특허 판결도 같은 논리를 취하였습니다(33~34쪽). [2]

선행발명 1에 RNN이 MLP보다 성능이 우수하다고 기재된 부분은 하나의 기계 학습 모델만 사용하는 것을 전제로 한 비교이므로, RNN을 분석 모델로, MLP를 예측 모델로 결합하는 것을 막는 부정적 교시가 아니라고 판단하였습니다(28~29쪽). [1]

‘시점별 일괄 입력’ 주장은 청구항 문언과 발명의 설명에 근거가 없다고 판단하였습니다

특허권자(뷰노 등)는 이 사건 발명이 제1 신경망의 시점별 분석 정보를 제2 신경망에 일괄 입력하여 하나의 시점의 확률을 출력하는 방식이어서, 매 시점 개별 입력하는 선행발명과 다르다고 주장하였습니다. [1][2] 특허법원은 다음 이유로 이 주장을 받아들이지 않았습니다(31~33쪽). [1]

청구항은 y를 ‘t 시점에서의’ 출력층으로 한정할 뿐, ‘t1부터 tn까지의’ 출력층으로 한정하지 않는다.
발명의 설명 [0059]는 ‘t+n 시점에서의 출력층’을 예측 모듈의 입력으로 이용한다고 기재할 뿐, ‘t+n 시점까지의 출력층’이라고 기재하지 않았다.
‘층(layer)’이 벡터를 의미한다는 주장에 대하여, 특정 시점의 출력값도 다차원 벡터일 수 있어 일괄 입력의 근거가 되지 않는다.
시점별 분석 정보를 모두 입력하면 시간이 지날수록 입력 차원이 증가하는데, 완전 연결층은 차원이 변화하는 입력을 처리할 수 없고 이를 고정하는 수단은 청구항과 발명의 설명에 기재되어 있지 않다.

제2 특허 판결도 같은 이유를 들었습니다(34~36쪽). [2]

청구항에 기재되지 않은 ‘분리 학습’은 진보성 인정의 근거가 되지 못하였습니다

특허심판원과 특허법원의 판단이 갈린 지점 가운데 하나입니다. 다른 하나는 두 신경망을 연결한 구조가 공지 문헌에 개시되어 있는지였습니다.

특허심판원(2024당591)은 이 사건 발명이 제1 신경망 모델을 입력 데이터만으로 먼저 학습(비지도 학습)하고, 제2 신경망 모델은 학습된 제1 신경망 모델을 연결한 후 지도 학습함으로써 “전체 신경망 모델의 학습 성능을 높일 수 있는 기술적 효과”가 있다고 판단하였습니다(38쪽). [4] 하나의 신경망 모델에는 각 신경망 모델을 분리하여 각각 학습할 수 있는 이점이 없으므로 기술적으로 차이가 없다고 할 수 없다고도 판단하였습니다(38쪽). [4]

그러나 특허법원은 이 차이를 인정하지 않았습니다(29~30쪽). [1]

청구항에는 제2 신경망 모델이 학습 데이터에 기초하여 학습되었다고만 기재되어 있을 뿐, 제1 신경망 모델과 별도로 학습된다고 해석할 만한 기재가 없다.
발명의 설명 [0057], [0058]에도 제1 신경망 모델은 시간 거스름 역전파(BPTT) 방식으로, 제2 신경망 모델은 역전파 방식으로 학습될 수 있다는 일반적인 내용만 개시되어 있고, 별도로 학습된다는 내용은 기재되어 있지 않다.
발명의 설명상 두 모델 모두 개체화 데이터를 학습 데이터로 이용하므로, 개체화 데이터가 제1 신경망 모델을 거쳐 그 분석 결과가 제2 신경망 모델에 입력되는 순서로 학습된다고 볼 수 있다. 별도로 학습한다면 학습 시와 사용 시 제2 신경망 모델의 입력 데이터가 달라지는 문제가 발생하는데, 명세서에는 이에 대한 인식도 해결 방법도 기재되어 있지 않다.
별도로 학습되더라도, 각 모델을 별도로 학습하여 연결할지 연결된 상태로 학습할지는 “신경망 구조의 본질적인 차이가 아니라” 연산량과 학습 시간에 따라 선택할 수 있는 사항이고, 명세서에 그 기술적 의의와 효과가 기재되어 있지 않으므로 “단순한 설계 변경사항”이다.

제2 특허 판결도 청구항에 ‘제2 신경망 모델을 예측 모델의 적어도 일부로서 더 포함’이라고만 기재되어 있다는 이유로 같은 결론을 내렸습니다(36~37쪽). [2] 특허법원은 교과서에 학습 방법과 학습 데이터가 구체적으로 개시되어 있지 않더라도 결론은 같다고 덧붙였습니다(27쪽). [1]

명세서에 기술적 특징과 효과가 기재되지 않은 점이 판단의 출발점이 되었습니다

특허법원은 차이점을 판단하면서 먼저 명세서의 기재를 검토하였습니다. 명세서에는 제2 신경망 모델이 예측 모델의 적어도 일부로서 ‘더 포함될 수 있다’고 기재되어 있을 뿐 “완전 연결층 연결에 관한 특유한 기술적 특징이나 그 효과는 기재되어 있지 않다”고 지적하였습니다(제1 특허 21~22쪽, 제2 특허 30~31쪽). [1][2]

이어서 특허법원은 발명의 성격으로부터 구성의 목적을 추론하였습니다. RNN은 시계열 데이터에서 잠재적 특징 벡터를 추출하는 데 특화된 모델이므로, 그 후단에 완전 연결층을 연결하는 것은 잠재적 특징 벡터들의 복잡한 상관관계를 파악하여 최종 예측 결과를 도출하기 위한 것으로 “볼 수 있다”고 하였습니다(21~22쪽). [1] 그리고 이러한 목적의 결합이 교과서와 논문에 개시되어 있다고 보아 진보성을 부정하였습니다(22~27쪽). [1] 제2 특허 판결은 같은 기술이 뷰노의 제1 특허 공보와 2014년 공개 논문에도 개시되어 있다고 덧붙였습니다(31쪽). [2]

GAN 구성의 ‘상관관계’ 주장은 기술적 의의의 기재가 없어 배척되었습니다

제2 특허 사건에서 특허권자(뷰노)는 소아 중환자 사망 위험 예측 논문(선행발명 3)과 GAIN 논문(선행발명 4, GAN으로 결측값을 대체하는 2018년 논문)에는 생체 신호와 혈액 검사 결과의 ‘상관관계’에 대한 인식이 없고 GAIN 논문에는 생성기의 입출력이 특정되어 있지 않아, 생성기의 입력을 생체 신호로, 출력을 유사 혈액 검사 결과로 하는 구성을 용이하게 도출할 수 없다고 주장하였습니다. [2]

특허법원은 명세서에서 그 ‘상관관계’의 기술적 의의에 관한 기재를 찾을 수 없다고 판단하였습니다. 발명의 설명은 혈액 검사 결과를 함께 이용하여 예측 정확도를 높인다고만 기재하고 있어, 혈액 검사 결과는 “입력 데이터의 차원(개수)이 높아질수록 추론 성능이 향상되는 일반적인 특성을 위한 부가 데이터로 보인다”고 하였습니다(27쪽). [2]

특허법원은 청구항의 GAN 구성도 공지 GAN의 통상적인 방식으로 해석하였습니다. [2]

생성기에 랜덤 노이즈 대신 생체 신호를 입력하는 구성: 랜덤 노이즈는 생성 데이터에 다양성을 부여하기 위한 것이고, 조건이나 정보를 추가로 입력할 수 있다(28쪽).
판별기가 유사 혈액 검사 결과만 판별하도록 훈련되는 구성: 원 GAN 논문의 “통상적인 판별기의 역할 및 학습방법을 그대로 기재한 것”이다(29쪽).

특허심판원도 이 구성은 결합이 용이하다고 판단하였고, 심결문에는 피청구인이 구술심리에서 이 사건 발명의 GAN이 구도나 알고리즘에서 특징이 있지 않다고 진술하였다는 각주가 있습니다(40쪽). [5]

명세서 기재요건은 입력, 전처리, 학습 방법의 기재로 충족된다고 판단하였습니다

특허법원은 대법원 2024. 1. 11. 선고 2020후10292 판결을 인용하여, 통상의 기술자가 “과도한 실험이나 특수한 지식을 부가하지 않고서도” 명세서의 기재에 의하여 발명을 정확하게 이해하고 재현할 수 있으면 실시 가능 요건(특허법 제42조 제3항 제1호)을 충족한다는 기준을 적용하였습니다(제1 특허 10~11쪽, 제2 특허 10쪽). [1][2] 재현 가능하다고 본 근거는 다음과 같습니다.

입력 데이터: 발명의 설명에 생체 신호의 예시와 전자의무기록(EMR)으로부터 획득한다는 점이 기재되어 있고, 특정 생체 신호와 질환의 상관관계는 의료 분야에서 밝혀져 있어 통상의 기술자가 선택할 수 있다(제1 특허 11쪽, 제2 특허 11쪽). [1][2]
전처리: z-score 개체화 방식이 기재되어 있어 다양한 데이터를 표준화하여 처리할 수 있고, 비시계열 데이터도 측정 시각에 따라 측정값이 달라지므로 같은 방식으로 처리할 수 있다(제1 특허 12~13쪽). [1]
예측 과정: 출력층을 예측 모듈의 입력으로 이용한다는 기재([0059])와 제2 신경망 모델을 개체화 데이터 및 발생 여부를 학습 데이터로 하여 역전파 방식으로 학습한다는 기재([0058])로 재현할 수 있다(13쪽). [1]
GAN: 생성기와 판별기의 역할과 학습 과정이 [0064], [0066], [0067] 및 도 5에 기재되어 있다(제2 특허 11~12쪽). [2]
명확성 요건(특허법 제42조 제4항 제2호): z-score를 산출하는 두 방식은 별개의 실시예이고, 통상의 기술자는 필요에 따라 하나를 선택할 수 있다(제1 특허 15~16쪽, 제2 특허 16쪽). [1][2]

특허심판원도 GAN의 구체적 구성이 비특허문헌에 개시되어 있다고 명세서에 밝혀 둔 점 등을 들어 같은 결론을 내렸습니다(27쪽). [5]

AI 특허 명세서 작성 시 시사점

선행 구조와의 대비: 특허법원은 선행문헌의 신경망을 행렬 연산 수준에서 검토하여 청구항 구성에 대응시켰습니다. [1] 청구항의 모델 구성이 공지 구조와 연산상 어떻게 다른지를 발명의 설명에 밝혀 두어야 합니다.
수학식 기재: 선행발명의 RNN을 수학식으로 표현한 한정은 차이점으로 인정되지 않았습니다. [1] 수학식을 기재한다면 공지 모델과 다른 항이나 조건이 무엇인지 함께 설명하는 것이 바람직합니다.
용어의 정의: ‘개체화’는 발명의 설명에 따라 표준화로 해석되어 선행발명과 동일하다고 판단되었습니다. [1] 핵심 용어에 공지 처리와 구별되는 요소가 있다면 그 요소를 정의 자체에 담아야 합니다.
연결 구조와 입력 형태: 내부와 외부 MLP 구별 주장은 교과서 도면을 ‘RNN 다음에 별도로 연결된 구조’로 해석한 결과 배척되었고, 시점별 일괄 입력 주장은 청구항과 발명의 설명에 근거가 없어 받아들여지지 않았습니다. [1][2] 구조상의 차이는 청구항에 직접 기재하고, 입력 차원 처리와 같은 구현 수단은 발명의 설명에 뒷받침해 둘 필요가 있습니다.
학습 방식: 청구항에 기재되지 않은 분리 학습은 진보성 인정의 근거가 되지 못하였고, 명세서에 기술적 의의와 효과가 기재되어 있지 않으면 설계변경사항으로 판단되었습니다. [1][2] 학습 방식을 차별점으로 삼으려면 청구항에 넣고, 그 효과와 학습 시 및 사용 시 입력을 맞추는 방법까지 발명의 설명에 적어 두어야 합니다.
기술적 특징과 효과: 특허법원은 명세서에 특유한 기술적 특징과 효과가 기재되어 있지 않다는 점에서 판단을 시작하였습니다. [1][2] 구성마다 채택한 이유와 그로 인한 효과를 남겨 두는 것이 좋습니다.
입력 데이터 간의 관계: GAN 입력과 출력의 ‘상관관계’ 주장은 명세서에 기술적 의의가 기재되어 있지 않아 받아들여지지 않았습니다. [2] 데이터 간의 관계가 발명의 핵심이라면 그 기술적 의의를 발명의 설명에서 직접 설명해야 합니다.
명세서 기재요건: 입력 예시, 전처리 방식, 학습 데이터와 학습 방법, 모듈 간 입출력의 기재가 재현 가능성의 근거가 되었습니다. [1][2] 이 네 가지는 기본적으로 갖추어 둘 항목입니다.

사건 경과와 향후 절차

날짜	법원 또는 기관	사건	결과	출처
2025년 2월 27일	특허심판원	2024당591 (제1 특허, 청구인 에이아이트릭스)	정정 인정, 심판청구 기각	[4]
2025년 2월 27일	특허심판원	2024당592 (제2 특허, 청구인 에이아이트릭스)	정정 인정. 청구항 1, 2, 4, 6~9 무효, 청구항 5에 대한 청구 기각	[5]
2025년 9월 10일	특허심판원	2025정57 (제2 특허 정정심판, 청구인 뷰노)	정정 심결, 그대로 확정. 청구항 5 삭제	[2][3]
2026년 9월 30일	특허법원	2025허10335 (원고 에이아이트릭스)	2024당591 심결 취소	[1]
2026년 9월 30일	특허법원	2025허10353 (원고 뷰노)	원고 청구 기각	[2]
2026년 9월 30일	특허법원	2025허10336 (원고 에이아이트릭스, 청구항 5)	소 각하, 2026년 10월 16일 확정	[3][6]

2025허10336은 “정정심결이 확정되어 이 사건 특허발명의 청구항 5가 삭제되었으므로” 그 부분의 취소를 구할 법률상 이익이 소멸하였다는 이유로 각하되었습니다. [3]
뷰노 공시는 상고 대상을 사건번호 없이 공시 내 소송 현황 표의 순번(2번, 3번)으로만 기재하였고, 정정 확정으로 각하된 사건에는 상고하지 않았다고 밝혔습니다. [7] 각하 사유와 KIPRIS 확정 기록에 비추어 보면 상고 대상은 2025허10335와 2025허10353으로 보입니다. [3][6][7] 무효 여부는 확정되지 않았습니다.
공시의 소송 현황 표는 원고 표기가 판결문과 서로 바뀌어 있는 것으로 보입니다. 이 글은 판결문을 따랐습니다. [2][3][7]
뷰노가 2023년 12월 제기한 특허권 침해금지 등 청구 소송은 2026년 7월 9일 1심에서 청구가 전부 기각되었고 항소심이 계속 중입니다. 1심 판결문은 확인하지 못하였습니다. 공시는 법원이 상대방 제품이 권리범위 내의 실시인지 확인할 증거가 충분하지 않다는 취지로 판단하였다고 기재하였고, 보도는 데이터 종류와 AI 모델 구조의 차이를 근거로 들었다고 전하였습니다. [7][8]

자주 묻는 질문

1. 특허심판원과 특허법원의 판단은 어디에서 갈렸습니까?

분리 학습을 기술적 차이점으로 볼 수 있는지, 그리고 두 신경망을 연결한 구조가 공지 문헌에 개시되어 있는지가 핵심 쟁점입니다. 특허심판원은 분리 학습으로 학습 성능을 높이는 효과를 인정하였으나, 특허법원은 청구항에 별도 학습으로 해석할 기재가 없고 별도 학습이라 하더라도 설계변경사항에 불과하다고 판단하였습니다. 또한 특허심판원은 두 신경망을 연결한 구조의 공지가 입증되지 않았다고 보았으나, 특허법원은 심판 단계에서 대비되지 않았던 DeepCare 논문과 교과서에 그 구조가 개시되어 있다고 판단하였습니다. [1][4]

2. 발명의 설명에 기재된 내용은 청구항 해석에 반영됩니까?

이 사건에서 특허법원은 ‘개체화’와 같은 청구항 용어의 의미를 발명의 설명을 참작하여 구체화하였으나, 청구항에 기재되지 않은 별도 학습을 발명의 설명에서 가져와 한정사항으로 해석하지는 않았습니다. 발명의 설명에도 별도로 학습된다는 내용이 기재되어 있지 않다고 판단하였습니다. [1]

3. 청구항에 수학식을 기재하면 진보성 인정에 도움이 됩니까?

이 사건에서는 그렇지 않았습니다. 특허법원은 RNN 수학식을 선행발명의 RNN을 “단순히 수학식으로 표현한 것”에 불과하다고 보았습니다. [1]

4. 명세서에 효과를 기재하지 않은 것은 어떤 영향을 미쳤습니까?

특허법원은 완전 연결층 연결의 특유한 기술적 특징이나 효과가 명세서에 기재되어 있지 않다는 점을 지적한 뒤, 그 목적을 일반적인 RNN의 성격으로부터 추론하여 공지 기술의 결합으로 판단하였습니다. 분리 학습도 기술적 의의와 효과의 기재가 없어 설계변경사항으로 보았습니다. [1]

5. AI 발명의 명세서 기재요건은 어느 정도의 기재로 충족되었습니까?

이 사건에서는 입력 데이터의 예시, z-score 전처리, 학습 데이터와 역전파 학습, GAN 생성기와 판별기의 입출력이 명세서에 기재되어 있어 재현 가능하다고 판단하였습니다. [1][2]

디파인의 방식

디파인 특허법인은 AI 발명의 출원 시 공지된 모델과의 차이를 연산 구조, 학습 방식, 데이터 처리로 구분하여 청구항에 기재하고, 각 구성의 기술적 이유와 효과를 발명의 설명에 함께 기재합니다. 또한 교과서 수준부터 논문 수준의 구조까지 선행기술조사 범위에 포함하여 청구범위를 설계합니다. 한국 AI 특허의 출원과 무효심판에 관한 문의는 contact@defineip.kr로 보내 주십시오.

이 글은 일반적인 정보 제공을 위한 것으로 법률 자문이 아닙니다. 구체적 사안은 전문가와 상담하시기 바랍니다.

출처

특허법원 2026. 9. 30. 선고 2025허10335 판결 (2026-10-30 확인)
특허법원 2026. 9. 30. 선고 2025허10353 판결 (2026-10-30 확인)
특허법원 2026. 9. 30. 선고 2025허10336 판결 (2026-10-30 확인)
특허심판원 2025. 2. 27. 2024당591 심결 (2026-10-30 확인)
특허심판원 2025. 2. 27. 2024당592 심결 (2026-10-30 확인)
KIPRIS 심판 상세정보, 특허법원 2025허10336 (확정일자 2026. 10. 16.). https://www.kipris.or.kr/khome/main.do (2026-10-30 확인)
주식회사 뷰노, 「[기재정정]증권신고서(지분증권)」, 2026-10-28, 접수번호 20261028000411. 우발부채 표 본문: https://dart.fss.or.kr/report/viewer.do?rcpNo=20261028000411&dcmNo=11631497&eleId=64&offset=3444964&length=5371&dtd=dart4.xsd (2026-10-30 확인)
녹색경제신문, 「유증 연기 뷰노, 딥카스 특허 2건 모두 무효 판단…본업 경쟁력 시험대」, 2026-10-19. https://www.greened.kr/news/articleView.html?idxno=352388 (2026-10-30 확인)