Niewykrywalne źródła sztuki generowanej przez sztuczną inteligencję: zanik atrybucji i jego konsekwencje

W miarę jak świat sztucznej inteligencji nieustannie się rozwija, pojawia się istotne pytanie: komu należy przypisać zasługi, gdy sztuczna inteligencja generuje obraz? Nie jest to jedynie dylemat filozoficzny; jest to kwestia, która decyduje o wyniku wielu globalnych sporów prawnych, negocjacji licencyjnych i decyzji regulacyjnych. Artyści pragną uznania, firmy dążą do jednoznacznych definicji, a organy regulacyjne usiłują znaleźć niezawodne ramy przypisywania odpowiedzialności. Jednak najnowsze badania sugerują, że znalezienie odpowiedzi może nie być tak proste, jak się początkowo wydawało.

Badanie przeprowadzone przez Laboratorium Informatyki i Sztucznej Inteligencji (CSAIL) przy MIT sugeruje, że w przypadku modeli sztucznej inteligencji opartych na dużych zbiorach danych ustalenie źródła kreatywności może być praktycznie niemożliwe. Nie wynika to jednak z niemożliwości znalezienia odpowiedzi, ale z ciekawego zjawiska zwanego ‘zanikiem atrybucji’. Z upływem czasu i wraz ze wzrostem ilości danych znaczenie poszczególnych przykładów szkoleniowych maleje. W pewnym momencie nawet usunięcie pojedynczego obrazu – lub wszystkich obrazów konkretnego artysty – nie wpłynęłoby na generowany wynik.

Dochodzenie i ustalenia

Naukowcy pod kierownictwem Zheng Dai, byłego pracownika naukowego MIT CSAIL, znaleźli sposób na zbadanie zjawiska ‘zaniku atrybucji’. Co ciekawe, opracowali oni innowacyjną metodę znaną jako “zespół dyfuzyjny”. Konfiguracja ta składa się z wielu mniejszych elementów, z których każdy został wytrenowany na różnych fragmentach danych, co pozwala naukowcom wykluczać konkretne obrazy bez konieczności ponownego trenowania modelu. Zasadniczo umożliwiło im to zajrzenie do tak zwanych ‘światów kontrfaktycznych’ – wyobrażenie sobie wszystkich możliwych wariantów obrazu, z których każdy jest wynikiem usunięcia innego fragmentu danych szkoleniowych.

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.

Subtelności prawne i nierozstrzygnięte kwestie

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.

Chociaż branża stara się wykorzystać te ustalenia, James Grimmelmann z Cornell Law School sugeruje rozważenie alternatywnych metod oceny potencjalnego kopiowania, ponieważ w artykule wskazano, że złożone modele mogą nie sprawdzać się w przypadku konwencjonalnego przypisywania autorstwa.

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.