📈 economics

Creative Ownership in the Age of AI

이 논문은 기존 저작권법의 '실질적 유사성' 기준이 생성형 AI 의 스타일 모방을 규율하는 데 부적합하다고 지적하고, 특정 작품이 학습 데이터에 없으면 생성될 수 없다는 새로운 침해 기준을 제안하며, 창작물의 분포 특성에 따라 AI 규제의 효과가 결정된다는 점들을 수학적으로 분석했습니다.

원저자: Annie Liang, Jay Lu

게시일 2026-02-13

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Annie Liang, Jay Lu

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 **"인공지능 (AI) 이 예술을 만들 때, 누구의 작품이 진짜로 '필수 불가결'한가?"**라는 아주 흥미로운 질문을 던집니다.

기존의 저작권법은 "AI 가 만든 작품이 기존 작품과 너무 많이 닮았으면 (실질적 유사성) 불법이다"라고 판단합니다. 하지만 AI 는 내용을 그대로 복사하지 않고도, 화가의 '스타일'이나 작가의 '문체'를 완벽하게 흉내 낼 수 있습니다. 이럴 때 법은 보통 "스타일은 보호받지 못하니까 합법이야"라고 말합니다.

저자 안니 양 (Annie Liang) 과 제이 루 (Jay Lu) 는 이 기준이 AI 시대에는 부족하다고 봅니다. 대신 **"만약 그 특정 작가의 작품이 학습 데이터에서 사라졌다면, AI 가 그 작품을 만들 수 있었을까?"**라는 새로운 기준을 제안합니다.

이 복잡한 논리를 일상적인 비유로 쉽게 설명해 드릴게요.

1. 핵심 아이디어: "요리사"와 "재료"

이 논문을 이해하기 위해 **요리사 (AI)**와 **재료 (학습 데이터)**로 비유해 보겠습니다.

기존 법 (스타일 보호 안 함): "요리사가 다른 사람의 레시피를 훔쳐서 만든 요리를 팔면 불법이지만, 그 사람의 '맛'이나 '조리법'을 흉내 내서 새로운 요리를 만들면 괜찮다."
이 논문의 제안 (필수성 기준): "그 요리를 만들기 위해 반드시 그 특정 재료가 필요했나요? 만약 그 재료를 빼고 다른 재료로 똑같은 맛을 낼 수 있었다면 합법, 하지만 그 재료가 없으면 절대 그 요리를 만들 수 없었다면 불법이다."

예를 들어, AI 가 어떤 유명한 소설가의 문체로 새로운 소설을 썼다고 칩시다.

만약 AI 가 그 소설가 없이도 다른 100 명의 작가들을 학습시켜서 거의 똑같은 문체로 소설을 쓸 수 있었다면? → 합법 (허용됨).
하지만 그 소설가의 작품이 없으면 AI 가 그 문체를 절대 흉내 낼 수 없었다면? → 불법 (침해).

2. 두 가지 세상: "점진적인 진화" vs "혁명적인 돌파"

이 논문은 가장 재미있는 결론을 내립니다. AI 가 학습할 수 있는 작품의 양이 무한히 늘어날 때, 저작권 침해 문제가 어떻게 변할까요? 이는 창작물의 종류에 따라 완전히 달라집니다.

🌱 시나리오 A: "조금씩 변하는 세상" (가벼운 꼬리, Light-tailed)

비유: 빵 굽기나 팝송 만들기.
상황: 새로운 빵이나 노래가 나올 때마다, 기존 빵이나 노래와 크게 다르지 않고 조금씩 변형될 뿐입니다.
결과: 시간이 지나고 빵 레시피가 수백만 개가 쌓이면, 어떤 특정 빵 하나를 빼도 AI 는 여전히 똑같은 빵을 구울 수 있게 됩니다.
의미: 창작이 점진적이고 중복될수록, AI 가 특정 작가의 작품을 '필수'로 삼는 경우는 사라집니다. 결국 AI 가 만든 모든 것은 합법에 가까워지고, 저작권 침해 걱정은 없어집니다.

🌋 시나리오 B: "갑작스러운 혁명의 세상" (무거운 꼬리, Heavy-tailed)

비유: 슈퍼스타의 등장이나 파격적인 현대미술.
상황: 드물지만, 기존과 완전히 다른 차원의 '혁명적인' 작품이 한 번씩 나옵니다. (예: 피카소의 입체주의, 스타워즈 같은 영화).
결과: 아무리 많은 작품이 쌓여도, 그 혁명적인 작품 하나는 여전히 대체 불가능합니다. AI 가 그 스타일을 흉내 내려면 그 작품이 반드시 필요합니다.
의미: 이런 분야에서는 AI 가 아무리 많이 학습해도, 특정 작가의 작품이 여전히 '필수 불가결'한 상태가 유지됩니다. 따라서 저작권 침해 문제는 영원히 사라지지 않고, 그 작가의 권리는 계속 보호받아야 합니다.

3. 이 논문의 핵심 메시지

스타일 모방은 항상 불법이 아니다: AI 가 스타일을 흉내 내더라도, 그 스타일을 흉내 내기 위해 '그 특정 작가'가 꼭 필요하지 않다면 (다른 길로 갈 수 있다면) 괜찮습니다.
대체 가능성이 핵심: 저작권의 핵심은 "그 작품이 없으면 이 결과가 나오지 않았는가?"입니다.
미래의 예측:
- 일상적인 창작 (장르물, 상업용 음악 등): AI 가 자유롭게 만들어도 될 것입니다. (침해 위험 사라짐)
- 혁신적인 창작 (선구적인 예술, 획기적인 아이디어): 여전히 원작자의 권리가 강력하게 보호받아야 합니다. (침해 위험 지속)

4. 요약: 한 문장으로 정리

"AI 가 만든 작품이 합법인지 불법인지 판단할 때, '닮았는지'를 보는 게 아니라, '그 작품을 만들기 위해 그 특정 원작이 정말로 없어서는 안 될 필수품이었는지'를 봐야 한다. 그리고 창작이 조금씩 변하는 분야에서는 AI 가 자유롭게 활동할 수 있지만, 혁명적인 돌파구가 필요한 분야에서는 여전히 원작자의 권리가 지켜져야 한다."

이 논문은 AI 시대에 저작권법이 어떻게 변해야 할지, 단순히 "복사"를 금지하는 것을 넘어 **"창작의 필수성"**을 기준으로 삼아야 함을 설득력 있게 주장합니다.

이 논문은 생성형 AI(Generative AI) 시대의 지적 재산권, 특히 저작권 침해의 정의와 그 규제에 대한 새로운 경제학적·수학적 프레임워크를 제시합니다. 기존 저작권 법리가 '실질적 유사성(Substantial Similarity)'에 초점을 맞추는 반면, AI 는 콘텐츠를 복사하지 않고도 스타일을 모방할 수 있어 법적 판단이 모호해진다는 문제의식에서 출발합니다.

다음은 Annie Liang 과 Jay Lu 가 작성한 **"Creative Ownership in the Age of AI"**에 대한 상세한 기술적 요약입니다.

1. 연구 문제 (Problem)

배경: 생성형 AI 는 방대한 기존 작품 데이터로 학습하여 새로운 콘텐츠를 생성합니다. 이 과정에서 AI 는 특정 작가의 스타일, 톤, 구조를 모방할 수 있지만, 기존 법리인 '실질적 유사성' 기준 하에서는 저작권 침해로 간주되지 않는 경우가 많습니다.
핵심 갈등: AI 가 생성한 결과가 특정 기존 작품과 '비슷하다'는 사실과, 그 결과가 '학습 데이터에 포함된 특정 작품 없이는 생성될 수 없었다'는 사실 사이의 괴리가 발생합니다.
목표: 기존 저작권 법리가 AI 시대에 적합한지 재검토하고, 생성형 AI 의 출력물이 기존 작품에 의존하는 정도를 수학적으로 정의하여, 규제 가능한 영역을 명확히 하는 새로운 기준을 제시하는 것입니다.

2. 방법론 (Methodology)

저자들은 생성형 시스템을 **폐쇄 연산자 (Closure Operator)**로 모델링하여 수학적 형식화를 수행했습니다.

기본 설정:
- 창작물 (Creation): $d$ 차원 유클리드 공간 $\mathbb{R}^d$ 위의 점 ( $c$ ) 으로 표현됩니다.
- 어휘집 (Corpus): 기존 창작물들의 집합 $C \subset \mathbb{R}^d$ .
- 생성기 (Generator): 어휘집 $C$ 를 입력받아 생성 가능한 출력물 집합 $g(C)$ 를 반환하는 함수 $g: \mathcal{C} \to \mathcal{C}$ .
생성기의 성질:
1. 보존성 (Preservation): $C \subseteq g(C)$ (입력된 작품은 생성 가능함).
2. 단조성 (Monotonicity): $C \subseteq D \implies g(C) \subseteq g(D)$ (데이터가 늘어나면 생성 가능 영역이 확장됨).
3. 멱등성 (Idempotence): $g(g(C)) = g(C)$ (생성된 결과에 다시 적용해도 새로운 것이 나오지 않음).
- 예시: 볼록 껍질 (Convex Hull), 스플라이스 (Splice), 박스 (Box) 생성기 등.
새로운 침해 기준 (Counterfactual Criterion):
- 위반 집합 (Violation Set): 특정 작품 $c$ $c$ 가 어휘집에서 제거되었을 때 더 이상 생성할 수 없는 출력물들.
  - $v_g(c, C) = g(C) \setminus g(C \setminus \{c\})$
- 허용 집합 (Permissible Set): 어휘집 내의 어떤 단일 작품을 제거하더라도 여전히 생성 가능한 출력물들의 교집합.
  - $p_g(C) = \bigcap_{c \in C} g(C \setminus \{c\})$
- 핵심 논리: 만약 생성된 결과가 특정 기존 작품 없이는 불가능했다면, 그것은 그 작품에 대한 침해 (의존성) 로 간주합니다.

3. 주요 기여 (Key Contributions)

새로운 침해 정의 제안: '실질적 유사성' 대신 **'반사실적 의존성 (Counterfactual Dependence)'**을 침해의 기준으로 제시했습니다. 이는 AI 가 스타일을 모방하더라도 대체 경로가 존재하면 허용되고, 반대로 유사하지 않더라도 특정 작품에 필수적으로 의존하면 침해로 간주할 수 있음을 의미합니다.

4. 주요 결과 (Key Results)

A. 허용 집합의 구조적 성질 (Section 3)

단조성 (Monotonicity): 어휘집이 커지면 허용 집합도 약하게 확장됩니다. 새로운 작품이 추가되더라도 기존에 허용되던 것이 금지되지는 않습니다.
안정성 (Stability): 허용된 작품들로부터 다시 생성된 결과도 여전히 허용됩니다. 즉, 비침해적 작품들의 결합은 침해가 될 수 없습니다.
비공허성 조건: 라돈 수 (Radon Number) 를 기반으로 허용 집합이 비어있지 않기 위한 충분 조건을 제시했습니다. (예: $d$ 차원 공간에서 볼록 껍질 생성기의 경우, 작품 수가 $d+2$ 개 이상이면 허용 집합은 비어있지 않음).
비교 정적 (Comparative Statics):
- 기존에 '허용'되던 작품이 어휘집에 추가되면 허용 집합은 변하지 않습니다.
- 기존에 '위반'이었던 작품이 어휘집에 추가되면, 그 작품이 이제 '주요 소스'가 되므로 의존성이 해소되어 허용 집합이 엄격하게 확장됩니다.

B. 장기적 진화와 꼬리 분포의 영향 (Section 4 - Theorem 1)

논문은 새로운 창작물이 분포하는 방식에 따라 규제의 효과가 극명하게 달라진다는 것을 증명합니다.

경량 꼬리 분포 (Light-tailed Distributions):
- 새로운 창작물이 기존 영역을 점진적으로 확장할 때 (예: 정규분포).
- 결과: 어휘집이 충분히 커지면, 거의 모든 생성 가능한 작품이 '허용'됩니다. ( $\lim_{n \to \infty} r_g(C_n) = 1$ ).
- 이유: 데이터가 풍부해지면 어떤 출력물도 특정 단일 작품에 의존하지 않고 여러 경로로 생성 가능해지기 때문입니다.
- 시사점: 점진적 혁신이 주류인 장르 (장르 소설, 상업 영화 등) 에서는 장기적으로 개별 저작권 침해 주장이 약화됩니다.
중량 꼬리 분포 (Heavy-tailed Distributions):
- 드물지만 혁신적인 '슈퍼스타' 작품이 자주 등장할 때 (예: 파레토 분포, 파격적인 예술).
- 결과: 어휘집이 아무리 커져도, 생성 가능한 작품 중 일정 비율은 여전히 '위반'으로 남습니다.
- 이유: 최신의 획기적인 작품은 이전 데이터로는 생성할 수 없으며, 이 작품이 제거되면 그와 유사한 영역의 생성이 불가능해지기 때문입니다.
- 시사점: 파격적인 혁신이 일어나는 분야 (전위 예술, 문학 등) 에서는 개별 창작자의 저작권 보호가 장기적으로도 유효합니다.

C. 일반화 (Section 5)

보호되지 않는 작품 (공공 영역) 이 포함되거나, 여러 창작자가 연합하여 소송을 제기하는 경우 (집단적 위반) 를 분석했습니다.
보호 대상 집합이 더 풍부할수록 (집단화될수록) 허용 집합은 줄어들며, 이는 창작자 연합의 협상력을 강화시킵니다.

5. 의의 및 결론 (Significance)

기술적 구현 가능성:
- '반사실적 생성 가능성'은 모델 재학습 (Retraining) 이나 머신 언러닝 (Machine Unlearning), 영향 함수 (Influence Functions) 등을 통해 실증적으로 검증 가능한 개념으로 제시됩니다.