As the world of artificial intelligence continues to grow, a pertinent question arises: Who should get credit when an AI generates an image? This question isn’t merely a philosophical quandary; it’s a matter that determines the outcome of many global legal disputes, licensing negotiations, and regulatory decisions. Artists want acknowledgment, companies aspire for clear-cut definitions, and regulators scramble to find a reliable framework to assign responsibility. Yet, recent research has suggested that finding an answer might not be as straightforward as it initially seemed.
A study from MIT’s Computer Science and Artificial Intelligence Laboratory (CSAIL) suggests that for AI models based on large datasets, it can be almost impossible to trace the creativity back to its source. However, this isn’t due to the impossibility of finding the answer but a curious concept termed ‘attribution decay.’ Over time and with increasing data, the relevance of individual training examples diminishes. At a point, even the deletion of a single image—or all images by a specific artist—would not alter the generated output.
The researchers, led by Zheng Dai, a former MIT CSAIL researcher, identified a way to test the ‘attribution decay.’ Intriguingly, they developed an innovative method known as “diffusion ensemble.” This setup features numerous smaller elements, each trained on different data fragments, enabling researchers to exclude specific images without the need to retrain the model. Essentially, it allowed them to glimpse into what they call ‘counterfactual universes’—imagining all possible variations of an image, each the result of removing a different chunk of training data.
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.
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.
Even as the industry works to leverage these findings, Cornell Law School’s James Grimmelmann suggests considering alternative methods for assessing potential copying as the paper suggests complex models might fail conventional attribution.
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.
Diese Website verwendet Cookies.