Angesichts der stetig wachsenden Bedeutung der k\u00fcnstlichen Intelligenz stellt sich eine wichtige Frage: Wem geb\u00fchrt 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. K\u00fcnstler wollen Anerkennung, Unternehmen streben nach klaren Definitionen, und die Regulierungsbeh\u00f6rden bem\u00fchen sich, einen verl\u00e4sslichen Rahmen f\u00fcr die Zuweisung von Verantwortung zu finden. J\u00fcngste Forschungsergebnisse deuten jedoch darauf hin, dass die Beantwortung dieser Frage m\u00f6glicherweise nicht so einfach ist, wie es zun\u00e4chst schien.<\/p>\n
Eine Studie des Computer Science and Artificial Intelligence Laboratory (CSAIL) des MIT legt nahe, dass es bei KI-Modellen, die auf gro\u00dfen Datens\u00e4tzen basieren, nahezu unm\u00f6glich sein kann, die Kreativit\u00e4t bis zu ihrer Quelle zur\u00fcckzuverfolgen. Dies liegt jedoch nicht daran, dass es unm\u00f6glich w\u00e4re, die Antwort zu finden, sondern an einem interessanten Konzept, das als \u2018Attributionsverfall\u2019 bezeichnet wird. Mit der Zeit und bei zunehmender Datenmenge nimmt die Relevanz einzelner Trainingsbeispiele ab. Ab einem bestimmten Punkt w\u00fcrde selbst das L\u00f6schen eines einzigen Bildes \u2013 oder aller Bilder eines bestimmten K\u00fcnstlers \u2013 die generierte Ausgabe nicht mehr ver\u00e4ndern.<\/p>\n
Die Forscher unter der Leitung von Zheng Dai, einem ehemaligen Forscher am MIT CSAIL, fanden einen Weg, den \u2018Attributionsverfall\u2019 zu testen. Interessanterweise entwickelten sie eine innovative Methode, die als \u201cDiffusionsensemble\u201d bekannt ist. Dieses Verfahren besteht aus zahlreichen kleineren Elementen, die jeweils auf unterschiedliche Datenfragmente trainiert wurden, sodass die Forscher bestimmte Bilder ausschlie\u00dfen k\u00f6nnen, ohne das Modell neu trainieren zu m\u00fcssen. Im Wesentlichen erm\u00f6glichte es ihnen einen Einblick in das, was sie als \u2018kontrafaktische Universen\u2019 bezeichnen \u2013 sie stellten sich alle m\u00f6glichen Variationen eines Bildes vor, die jeweils das Ergebnis der Entfernung eines anderen Teils der Trainingsdaten waren.<\/p>\n
Das Team trainierte 24 Ensembles anhand von Datens\u00e4tzen mit einer Gr\u00f6\u00dfe von 256 bis \u00fcber 160.000 Bildern und stellte dabei ein vorhersehbares Muster fest: Je gr\u00f6\u00dfer die Trainingsdatens\u00e4tze waren, desto kleiner waren die kontrafaktischen Radien, was darauf hindeutet, dass einzelne Datenpunkte nur einen minimalen Einfluss auf das endg\u00fcltige Bild haben. Diese Erkenntnis gilt f\u00fcr verschiedene Messmethoden und unterstreicht die Zuverl\u00e4ssigkeit der Ergebnisse.<\/p>\n
Die Auswirkungen dieser Forschung haben Auswirkungen auf den Rechtsbereich, insbesondere bei der Kl\u00e4rung der Frage, ob durch KI erzeugte Ergebnisse als abgeleitete Werke gelten. Die Modelle wirken kreativ und liefern einzigartige Ergebnisse statt blo\u00dfer Kopien. Dies wirft folglich ein neues Licht auf Konzepte rund um die faire Nutzung, das Urheberrecht und die Verg\u00fctung f\u00fcr die urspr\u00fcnglichen Urheber. Es bleibt jedoch ungewiss, ob gro\u00df angelegte Sprachmodelle einen \u00e4hnlichen Verfall aufweisen k\u00f6nnten wie die in der Studie untersuchten Diffusionsmodelle.<\/p>\n
W\u00e4hrend die Branche daran arbeitet, diese Erkenntnisse zu nutzen, schl\u00e4gt 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 herk\u00f6mmlichen Zuordnung versagen k\u00f6nnten.<\/p>\n