新しいMITの研究によると、生成AIは特定の芸術作品を直接コピーしているわけではない可能性がある。研究者たちは、画像生成に一般的に使用される拡散モデルを調査し、その出力が個々のトレーニングデータに由来するかどうかを調べた。彼らは、トレーニングデータセットが大きいほど、生成された画像を単一のソースに結びつけることが著しく困難になることを発見した。特定のトレーニングデータを除去しても、モデルの出力への影響は最小限であることが多く、これは「帰属減衰」と呼ばれる現象である。これは、AIが、そのアーティストの特定の貢献への証明可能な因果関係なしに、アーティストのスタイルに似た画像を生成できることを意味する。研究者たちは、大規模なデータセットには視覚的な冗長性があり、多くの画像が類似した特徴を共有しているためにこれが起こると理論付けている。彼らは、モデルコンポーネントを個別にトレーニングすることで原因と結果をテストするために「アブレーション」と呼ばれる方法を開発した。これにより、完全な再トレーニングなしに特定のデータの影響を分離し、除去することができた。彼らの実験は、視覚的な類似性のみに基づいてソースを仮定することはしばしば不正確であることを示した。「帰属不可能性」効果は、大規模なデータセットでより顕著であり、数万枚の画像規模で顕著な影響が見られた。アンディ・ウォーホルの芸術を例にとると、彼のシルクスクリーンを大規模なデータセットから除去しても、類似のスタイルが他の場所に存在する場合、生成された出力に劇的な変化はないだろう。この研究の発見は、AIがアーティストの特定の作品を直接コピーしたという主張を弱める可能性がある。なぜなら、決定的なソースを証明することが困難になるからである。これは、特定の出力に関するAI企業にとって法廷での潜在的な防御策を提供する一方で、著作権で保護された素材をトレーニングに使用することの合法性には対処していない。