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.
Zespół wyszkolił 24 zespoły modeli na zbiorach danych obejmujących od 256 do ponad 160 000 obrazów, co pozwoliło wykryć przewidywalną zależność: im większe zbiory szkoleniowe, tym mniejsze promienie scenariuszy alternatywnych, co sugeruje minimalny wpływ poszczególnych punktów danych na ostateczny obraz. Odkrycie to ma zastosowanie w przypadku różnych metod pomiarowych, co podkreśla solidność wyników badań.
Konsekwencje tych badań mają wpływ na dziedzinę prawa, zwłaszcza w kontekście ustalania, czy wyniki generowane przez sztuczną inteligencję można uznać za dzieła pochodne. Modele te wydają się wykazywać kreatywność, generując unikalne wyniki zamiast zwykłych replik. W konsekwencji rzuca to nowe światło na kwestie związane z dozwolonym użytkiem, prawami autorskimi oraz wynagrodzeniem dla oryginalnych twórców. Pozostają jednak wątpliwości, czy modele językowe działające na dużą skalę mogą wykazywać podobny spadek jakości, jak modele dyfuzyjne badane w ramach tych badań.
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.
Te przełomowe badania, realizowane przy wsparciu fundacji Schmidt Futures, zostały przedstawione w artykuł w otwartym dostępie opublikowany w czasopiśmie „Nature Communications”. Dla firm rozważających zastosowanie sztucznej inteligencji wykorzystanie tak nowatorskich technologii może naprawdę zmienić zasady gry. Zapraszamy do kontaktu z nami pod adresem implementi.ai, aby dowiedzieć się więcej o tym, jak wykorzystać potencjał automatyzacji opartej na sztucznej inteligencji w celu zwiększenia wydajności operacyjnej i wprowadzenia innowacji.
Ta strona używa plików cookie.