기술 요약: 쌍별 비교를 넘어: 지식재산권법상 생성된 저작물의 분포적 구별성 테스트

1. 문제 제기

지식재산(IP) 법은 보호(신규성, 독창성 또는 구별성)를 정당화하기 위해, 저작물이 관련 참조 클래스(reference class)로부터 의미 있게 구별되어야 한다는 공유된 경험적 전제에 의존한다. 그러나 현재의 법적 및 기술적 관행은 근본적인 분석 단위의 불일치(unit-of-analysis mismatch) 문제를 겪고 있다.

• 법적 관행: 법원은 일반적으로 아이템 수준의 쌍별 비교(예: 특정 선행 기술 참조물과 단일 회화 작품을 비교)를 통해 구별성을 평가하며, 이는 인간 대리인("일반 관찰자" 또는 "해당 기술 분야의 통상적인 숙련가")에 의해 매개된다.
• 생성형 AI의 과제: 생성 모델은 사실상 무한한 출력 공간을 가진 확률적 프로세스이다. 생성된 출력물의 유한한 샘플을 참조 클래스와 비교하는 것은 불완전한 평가를 초래한다. 또한, 인간 평가자는 AI 생성 예술과 인간 예술을 구분하는 데 어려움을 겪으며(정확도 약 58%에 불과), 이는 "일반 관찰자"라는 대리인이 신뢰할 수 없음을 의미한다.
• 이론적 교착 상태: "회상(regurgitation)"(AI가 단순히 훈련 데이터를 암기한다는 주장)과 "보간(interpolation)"(AI가 새로운 조합을 생성한다는 주장) 사이의 논쟁는 아이템 수준의 지표로는 해결될 수 없다. 베르바팀(verbatim) 체크는 양식적 모방을 놓치며, 쌍별 시맨틱 유사성은 어떤 프로세스가 하나의 분포와 구별되는지를 결정하기 위한 원칙적인 통계적 근거가 부족하다.
• 이론적 교착 상태: "회상"(AI가 단순히 훈련 데이터를 암기한다는 주장)과 "보간"(AI가 새로운 조합을 생성한다는 주장) 사이의 논쟁은 아이템 수준의 지표로는 해결될 수 없다. 베르바팀(verbatim) 체크는 양식적 모방을 놓치며, 쌍별 시맨틱 유사성은 어떤 프로세스가 하나의 분포와 구별되는지를 결정하기 위한 원칙적인 통계적 근거가 부족하다.

2. 방법론

저 저자들은 **최대 평균 불일치(Maximum Mean Discrepancy, MMD)**를 기반으로 한 두 샘플 가설 검정을 제안한다. 이는 시맨틱 임베딩 상에서 계산되며, 분석의 단위를 개별 아이템에서 창작 프로세스로 전환한다.

2.1 핵심 프레임워크

1. 시맨틱 임베딩(Semantic Embedding): 비수치적 데이터(이미지, 텍스트)를 사전 학습된 파운데이션 모델(예: 이미지를 위한 CLIP, 텍스트를 위한 SentenceTransformers)을 사용하여 고차원 벡터 공간으로 매핑한다. 이는 표면적 형태가 아닌 시맨틱 관계를 포착한다.
2. 커널 평균 임베딩(Kernel Mean Embeddings, KME): 창작 프로세스의 확률 분포(참조 클래스 $P$ 대 후보 프로세스 $Q$)를 재생 커널 힐베르트 공간(RKHS)으로 매핑한다.
3. MMD 계산: 두 분포의 KME 사이의 거리를 $\text{MMD}^2$로 계산하여, 두 프로세스 간의 통계적 발산을 정량화한다.
   • 공식: $\text{MMD}^2(P, Q) = \|\mu_P - \mu_Q\|_H^2$.
   • 추정치는 가우시안 방사 기저 함수(RBF) 커널을 사용하며, 이 커널은 "특성적(characteristic)"이어서 $\text{MMD}^2 = 0$인 경우에만 $P = Q$임을 보장한다.
4. 가설 검정: 법적 허용 가능성을 제공하기 위해, 원시 MMD 점수는 **순열 검정(permutation test)**을 통해 p-값으로 변환된다.
   • 귀무 가설 ($H_0$): $P = Q$ (두 프로세스는 동일하며, 후보는 구별되지 않음).
   • 대립 가설 ($H_1$): $P \neq Q$ (두 프로세스는 구별됨).
   • 이 테스트는 관찰된 발산이 우연에 의해 예상되는 범위를 초과하는지 결정하여, 사실 확인자가 유의 수준 $\alpha$를 설정할 수 있도록 한다.

2.2 안정성 및 견고성

• 근사 임베딩: 저자들은 MMD가 유계된 커널 섭동(bounded kernel perturbations)에 대해 리프시츠 연속성(Lipschitz-continuity)을 갖는다는 것을 증명한다(명제 2). 차원 축소(예: UMAP)나 노이즈가 발생하더라도 이 메트릭은 안정적으로 유지된다.
• 샘플 효율성: 이 방법은 법적 맥락에서 대규모 데이터셋을 사용할 수 없는 경우를 위해 적은 샘플 크기에서도 효과적으로 작동하도록 설계되었다.

3. 주요 기여

1. 아이템에서 프로세스로의 전환: 이 프레임워크는 생성형 AI의 "무한 카디널리티(infinite cardinality)" 문제를 해결하며, 구별성을 특정 출력물의 쌍별 비교가 아닌 기저 분포의 속성으로 취급한다.
2. 훈련이 필요 없는 샘플 효율적 구현: 이 방법은 작업 특화 훈련이나 독점적 모델 가중치에 대한 접근을 요구하지 않는다. 각 그룹당 5~10개의 이미지 또는 7~20개의 텍스트만으로도 분포적 차이를 감지할 수 있다.
3. "보간적 구별성(Interpolative Distinctiveness)"의 식별: 본 논문은 생성 모델이 단순히 훈련 데이터를 회상하는 것이 아님을 입증하는 경험적 증거를 제공한다. 대신, 모델은 시맨틱하게 인간과 유사하지만 확률적으로 구별되는 결과물을 생성하며, 학습된 잠재 공간 내에서 고유한 위상적 영역을 점유한다.

4. 실험 결과

4.1 MNIST 검증 (제어된 이미지)

• 설정: LeNet-5 임베딩을 사용하여 필기 숫자(0–9)의 분포를 비교하였다.
• 결과: 이 방법은 그룹당 단 6개의 샘플만으로도 95% 이상의 통계적 검정력($H_0$ 기각)을 달랬다. 또한 픽셀 비교 방식이 실패했던 시각적으로 유사한 숫자(예: 3 vs 5)를 성공적으로 구별해 냈다.
• 견고성: 메트릭은 차원 축소 및 입력 섭동(노이즈, 워터마크) 하에서도 안정적으로 유지되었으며, 동일한 이미지의 섭동된 버전에 대해서는 귀무 가설을 기각하지 못했다.

4.2 특허 초록 검증 (텍스트)

• 설정: 세 가지 국제 특허 분류(IPC) 섹션(인간의 필수품(A), 화학(C), 전기(H))에 걸친 특허 초록을 비교하였다.
• 결과: 이 방법은 그룹당 7~15개의 샘플로 서로 다른 기술 분야(예: 화학 vs 전기)를 신뢰성 있게 구별하였다. 동일한 분야의 하위 집합을 비교하는 분할-절반(split-half) 통제 실험에서는 유의미한 결과가 나오지 않았으며, 이는 방법론이 가짜 차이를 탐지하는 것이 아님을 확인시켜 준다.

4.3 AI 생성 예술 (실제 이미지)

• 데이터셋: AI-ArtBench (10가지 예술 양식에 걸친 인간 예술 vs Stable Diffusion 및 Latent Diffusion 출력물).
• 지각적 역설: 인간 평가자가 인간 예술과 AI 예술을 구분하는 정확도가 약 58%에 불과함에도 불구하고, MMD 테스트는 모든 양식에서 강력한 분포적 구별성을 감지했다 ($p < 0.01$).
• 구별성의 크기: 인간과 AI 분포 사이의 거리는 역사적으로 구별되는 인간 예술 운동(예: Art Nouveau vs Ukiyo-e) 사이의 거리와 유사했다.
• 메모리 감사(Memorization Audit): 최근접 이웃 감사(CLIP, SSIM, LPIPS) 결과, 체계적인 메모리 현상은 발견되지 않았다. 식별된 소수의 사례는 내용 복제가 아닌 양식적 수렴(예: 공유된 색상 팔레트)으로 시각화되었다.
• 모델의 진화: 모델이 Latent Diffusion(2021)에서 FLUX-Krea(2025)로 진화함에 따라, 분포적 구별성이 증가했다(MMD 점수 상승). 이는 모델이 단순한 회상자가 아니라 더 나은 보간자가 되고 있음을 시사한다.
• 임베딩 민감도: 구별성은 CLIP(AI-비인지적)에서 가장 높았고, DreamSim(AI-인지적이지만 인간에 의해 보정됨)에서 중간, Stable Diffusion VAE(AI-네이티브)에서 가장 낮았다. 이는 AI 출력이 인간의 시맨틱 공간에서는 진정한 이상치(outlier)이지만, 생성 프로세스의 잠재 매니폴드(latent manifold)에는 부합함을 확인시켜 준다.

5. 의의 및 주장

본 논문은 기존의 인간 중심적 및 쌍별 방식의 한계를 해결하는 원칙적이고 정량적인 프레임워크를 제공한다고 주장한다.

• 법적 허용 가능성: 순열 검정을 통해 분포적 거리를 p-값으로 변환함으로써, 이 방법은 알려진 오류율을 가진 검증 가능한 경험적 증거를 제공하여 Daubert 기준을 충족한다.
• 이분적 조사: 저자들은 다음과 같은 이중 접근 방식을 제안한다:
  1. MMD 테스트: 생성 프로세스의 성격(독립적인 창의적 프로세스인가 아니면 단순한 재샘플러인가?)을 판정한다.
  2. 메모리 감사: 특정, 드문 아이템 수준의 침해(베르바팀 복제)를 탐지한다.
• IP 교리에 대한 시사점:
  • 저작권: "확률적 독창성"과 독립적 창작에 대한 증거를 제공하여 "회상" 비판에 대응한다.
  • 특허: 비자명성(non-obviousness)과 관련된 "생성적 거리"에 대한 메트릭을 제공한다.
  • 상표: 브랜드의 시각적 발자국을 시장 분포에 대해 정량화할 수 있다.
• 한계점: 저자들은 이 방법이 임베딩의 품질(편향을 상속받을 수 있음)과 대표적인 샘플링에 의존한다는 점을 인정하며, 이는 주된(dominant) 프로세스의 모드를 측정하는 것이지 드문 메모리 이벤트를 배제하는 것은 아니므로 이분적 접근 방식이 필요함을 시사한다.

요약하자면, 본 논문은 생성 모델이 학습된 잠재 공간 내에서 **시맨틱 보간자(semantic interpolators)**로 기능하며, 인간의 창작물과 지각적으로 유사해 보일지라도 통계적으로는 그 훈련 분포와 구별되는 출력을 생성한다고 주장한다. 이러한 분포적 구별성은 AI를 단순한 회상 도구로 보는 관점에 도전하며, IP 법이 직관에 기반한 쌍별 테스트에서 분포적 증거로 진화해야 함을 시사한다.