W miar\u0119 jak \u015bwiat sztucznej inteligencji nieustannie si\u0119 rozwija, pojawia si\u0119 istotne pytanie: komu nale\u017cy przypisa\u0107 zas\u0142ugi, gdy sztuczna inteligencja generuje obraz? Nie jest to jedynie dylemat filozoficzny; jest to kwestia, kt\u00f3ra decyduje o wyniku wielu globalnych spor\u00f3w prawnych, negocjacji licencyjnych i decyzji regulacyjnych. Arty\u015bci pragn\u0105 uznania, firmy d\u0105\u017c\u0105 do jednoznacznych definicji, a organy regulacyjne usi\u0142uj\u0105 znale\u017a\u0107 niezawodne ramy przypisywania odpowiedzialno\u015bci. Jednak najnowsze badania sugeruj\u0105, \u017ce znalezienie odpowiedzi mo\u017ce nie by\u0107 tak proste, jak si\u0119 pocz\u0105tkowo wydawa\u0142o.<\/p>\n
Badanie przeprowadzone przez Laboratorium Informatyki i Sztucznej Inteligencji (CSAIL) przy MIT sugeruje, \u017ce w przypadku modeli sztucznej inteligencji opartych na du\u017cych zbiorach danych ustalenie \u017ar\u00f3d\u0142a kreatywno\u015bci mo\u017ce by\u0107 praktycznie niemo\u017cliwe. Nie wynika to jednak z niemo\u017cliwo\u015bci znalezienia odpowiedzi, ale z ciekawego zjawiska zwanego \u2018zanikiem atrybucji\u2019. Z up\u0142ywem czasu i wraz ze wzrostem ilo\u015bci danych znaczenie poszczeg\u00f3lnych przyk\u0142ad\u00f3w szkoleniowych maleje. W pewnym momencie nawet usuni\u0119cie pojedynczego obrazu \u2013 lub wszystkich obraz\u00f3w konkretnego artysty \u2013 nie wp\u0142yn\u0119\u0142oby na generowany wynik.<\/p>\n
Naukowcy pod kierownictwem Zheng Dai, by\u0142ego pracownika naukowego MIT CSAIL, znale\u017ali spos\u00f3b na zbadanie zjawiska \u2018zaniku atrybucji\u2019. Co ciekawe, opracowali oni innowacyjn\u0105 metod\u0119 znan\u0105 jako \u201czesp\u00f3\u0142 dyfuzyjny\u201d. Konfiguracja ta sk\u0142ada si\u0119 z wielu mniejszych element\u00f3w, z kt\u00f3rych ka\u017cdy zosta\u0142 wytrenowany na r\u00f3\u017cnych fragmentach danych, co pozwala naukowcom wyklucza\u0107 konkretne obrazy bez konieczno\u015bci ponownego trenowania modelu. Zasadniczo umo\u017cliwi\u0142o im to zajrzenie do tak zwanych \u2018\u015bwiat\u00f3w kontrfaktycznych\u2019 \u2013 wyobra\u017cenie sobie wszystkich mo\u017cliwych wariant\u00f3w obrazu, z kt\u00f3rych ka\u017cdy jest wynikiem usuni\u0119cia innego fragmentu danych szkoleniowych.<\/p>\n
Zesp\u00f3\u0142 wyszkoli\u0142 24 zespo\u0142y modeli na zbiorach danych obejmuj\u0105cych od 256 do ponad 160 000 obraz\u00f3w, co pozwoli\u0142o wykry\u0107 przewidywaln\u0105 zale\u017cno\u015b\u0107: im wi\u0119ksze zbiory szkoleniowe, tym mniejsze promienie scenariuszy alternatywnych, co sugeruje minimalny wp\u0142yw poszczeg\u00f3lnych punkt\u00f3w danych na ostateczny obraz. Odkrycie to ma zastosowanie w przypadku r\u00f3\u017cnych metod pomiarowych, co podkre\u015bla solidno\u015b\u0107 wynik\u00f3w bada\u0144.<\/p>\n
Konsekwencje tych bada\u0144 maj\u0105 wp\u0142yw na dziedzin\u0119 prawa, zw\u0142aszcza w kontek\u015bcie ustalania, czy wyniki generowane przez sztuczn\u0105 inteligencj\u0119 mo\u017cna uzna\u0107 za dzie\u0142a pochodne. Modele te wydaj\u0105 si\u0119 wykazywa\u0107 kreatywno\u015b\u0107, generuj\u0105c unikalne wyniki zamiast zwyk\u0142ych replik. W konsekwencji rzuca to nowe \u015bwiat\u0142o na kwestie zwi\u0105zane z dozwolonym u\u017cytkiem, prawami autorskimi oraz wynagrodzeniem dla oryginalnych tw\u00f3rc\u00f3w. Pozostaj\u0105 jednak w\u0105tpliwo\u015bci, czy modele j\u0119zykowe dzia\u0142aj\u0105ce na du\u017c\u0105 skal\u0119 mog\u0105 wykazywa\u0107 podobny spadek jako\u015bci, jak modele dyfuzyjne badane w ramach tych bada\u0144.<\/p>\n
Chocia\u017c bran\u017ca stara si\u0119 wykorzysta\u0107 te ustalenia, James Grimmelmann z Cornell Law School sugeruje rozwa\u017cenie alternatywnych metod oceny potencjalnego kopiowania, poniewa\u017c w artykule wskazano, \u017ce z\u0142o\u017cone modele mog\u0105 nie sprawdza\u0107 si\u0119 w przypadku konwencjonalnego przypisywania autorstwa.<\/p>\n