Die nicht zurückverfolgbaren Ursprünge KI-generierter Kunst: Der Verlust der Urheberschaft und seine Auswirkungen

Angesichts der stetig wachsenden Bedeutung der künstlichen Intelligenz stellt sich eine wichtige Frage: Wem gebührt die Anerkennung, wenn eine KI ein Bild generiert? Diese Frage ist nicht nur ein philosophisches Dilemma, sondern eine Angelegenheit, die den Ausgang zahlreicher globaler Rechtsstreitigkeiten, Lizenzverhandlungen und regulatorischer Entscheidungen bestimmt. Künstler wollen Anerkennung, Unternehmen streben nach klaren Definitionen, und die Regulierungsbehörden bemühen sich, einen verlässlichen Rahmen für die Zuweisung von Verantwortung zu finden. Jüngste Forschungsergebnisse deuten jedoch darauf hin, dass die Beantwortung dieser Frage möglicherweise nicht so einfach ist, wie es zunächst schien.

Eine Studie des Computer Science and Artificial Intelligence Laboratory (CSAIL) des MIT legt nahe, dass es bei KI-Modellen, die auf großen Datensätzen basieren, nahezu unmöglich sein kann, die Kreativität bis zu ihrer Quelle zurückzuverfolgen. Dies liegt jedoch nicht daran, dass es unmöglich wäre, die Antwort zu finden, sondern an einem interessanten Konzept, das als ‘Attributionsverfall’ bezeichnet wird. Mit der Zeit und bei zunehmender Datenmenge nimmt die Relevanz einzelner Trainingsbeispiele ab. Ab einem bestimmten Punkt würde selbst das Löschen eines einzigen Bildes – oder aller Bilder eines bestimmten Künstlers – die generierte Ausgabe nicht mehr verändern.

Die Untersuchung und die Ergebnisse

Die Forscher unter der Leitung von Zheng Dai, einem ehemaligen Forscher am MIT CSAIL, fanden einen Weg, den ‘Attributionsverfall’ zu testen. Interessanterweise entwickelten sie eine innovative Methode, die als “Diffusionsensemble” bekannt ist. Dieses Verfahren besteht aus zahlreichen kleineren Elementen, die jeweils auf unterschiedliche Datenfragmente trainiert wurden, sodass die Forscher bestimmte Bilder ausschließen können, ohne das Modell neu trainieren zu müssen. Im Wesentlichen ermöglichte es ihnen einen Einblick in das, was sie als ‘kontrafaktische Universen’ bezeichnen – sie stellten sich alle möglichen Variationen eines Bildes vor, die jeweils das Ergebnis der Entfernung eines anderen Teils der Trainingsdaten waren.

Das Team trainierte 24 Ensembles anhand von Datensätzen mit einer Größe von 256 bis über 160.000 Bildern und stellte dabei ein vorhersehbares Muster fest: Je größer die Trainingsdatensätze waren, desto kleiner waren die kontrafaktischen Radien, was darauf hindeutet, dass einzelne Datenpunkte nur einen minimalen Einfluss auf das endgültige Bild haben. Diese Erkenntnis gilt für verschiedene Messmethoden und unterstreicht die Zuverlässigkeit der Ergebnisse.

Rechtliche Feinheiten und die noch offenen Fragen

Die Auswirkungen dieser Forschung haben Auswirkungen auf den Rechtsbereich, insbesondere bei der Klärung der Frage, ob durch KI erzeugte Ergebnisse als abgeleitete Werke gelten. Die Modelle wirken kreativ und liefern einzigartige Ergebnisse statt bloßer Kopien. Dies wirft folglich ein neues Licht auf Konzepte rund um die faire Nutzung, das Urheberrecht und die Vergütung für die ursprünglichen Urheber. Es bleibt jedoch ungewiss, ob groß angelegte Sprachmodelle einen ähnlichen Verfall aufweisen könnten wie die in der Studie untersuchten Diffusionsmodelle.

Während die Branche daran arbeitet, diese Erkenntnisse zu nutzen, schlägt James Grimmelmann von der Cornell Law School vor, alternative Methoden zur Bewertung potenzieller Plagiate in Betracht zu ziehen, da die Studie darauf hindeutet, dass komplexe Modelle bei der herkömmlichen Zuordnung versagen könnten.

Diese revolutionäre Forschungsarbeit, die von Schmidt Futures unterstützt wird, wird in einem Open-Access-Artikel in „Nature Communications“. Für Unternehmen, die sich mit KI-Anwendungen beschäftigen, kann die Nutzung solcher Spitzentechnologien die Spielregeln grundlegend verändern. Nehmen Sie gerne Kontakt mit uns bei implementi.ai auf, um mehr darüber zu erfahren, wie Sie die Möglichkeiten der KI-Automatisierung für betriebliche Effizienz und Innovation nutzen können.