Un nuevo estudio publicado en Nature Communications revela que es prácticamente imposible establecer un vínculo causal directo entre una obra de arte humana y las imágenes generadas por modelos de inteligencia artificial como Midjourney o Stable Diffusion. Esta revelación tiene implicaciones significativas para los artistas que buscan demandar a compañías de IA por robo de propiedad intelectual.
La naturaleza inatribuible de los modelos de difusión
La investigación, liderada por Zheng Dai y David Gifford del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT, se centró en cómo los modelos de difusión llegan a sus resultados finales. A diferencia de un artista humano que puede referenciar una obra específica, los modelos de difusión procesan sus enormes conjuntos de datos de entrenamiento de una manera tan vasta que la atribución directa se vuelve inviable. El estudio compara esto con intentar identificar un solo árbol en la selva amazónica desde la Estación Espacial Internacional.
Los autores del estudio afirman que las salidas de estos modelos son completamente “in atribuibles”. Esto significa que, incluso si una imagen generada por IA se parece exactamente al trabajo de un artista humano, eliminar esa obra del conjunto de datos de entrenamiento no alterará el resultado final del modelo. Esta característica es crucial para entender tanto el funcionamiento interno de estos sistemas como las dificultades legales asociadas con la atribución de propiedad intelectual.
Decaimiento de la atribución: un desafío para la justicia
Para investigar la atribuibilidad, Dai y Gifford construyeron dos docenas de modelos personalizados, entrenados con diferentes cantidades de imágenes. Eliminaron imágenes específicas o segmentos de imágenes de los conjuntos de datos de entrenamiento y midieron cómo esto afectaba las imágenes generadas. Este proceso, que llamaron el “radio contrafactual”, tenía como objetivo cuantificar la influencia de una parte específica del conjunto de datos en el resultado.
Los resultados mostraron consistentemente un fenómeno denominado “decaimiento de la atribución”: cuanto mayor es el conjunto de imágenes con el que se entrena un modelo de difusión, más difícil es determinar qué imágenes específicas contribuyeron a la salida generada por la IA. Este hallazgo se mantuvo en experimentos realizados con modelos entrenados en caras de personas y en obras de diferentes artistas.
El estudio concluye que a medida que los conjuntos de datos de entrenamiento crecen, no solo se vuelve inviable atribuir imágenes generadas a imágenes de entrenamiento, sino que también es imposible atribuir personas generadas a personas reales o obras de arte generadas a artistas específicos cuyos trabajos formaron parte de los datos de entrenamiento.
Implicaciones para el futuro de la propiedad intelectual en la IA
Esta investigación presenta un desafío significativo para los artistas y sus equipos legales. Aunque una imagen generada por IA pueda tener un parecido sorprendente con una creación humana, el estudio sugiere que la tecnología actual hace imposible demostrar que el trabajo original fue directamente “referenciado” o “robado” de la misma manera que un humano lo haría. Los modelos de difusión comerciales son órdenes de magnitud más grandes que los modelos de prueba utilizados en el estudio, lo que hace que la atribuibilidad sea aún más remota en contextos reales.
Estos sistemas, a pesar de basarse en redes neuronales que imitan el cerebro humano, operan de maneras que aún son profundamente misteriosas. A diferencia de los creadores humanos que son conscientes de sus influencias, los modelos de difusión utilizan la totalidad de sus datos de entrenamiento para generar nuevas imágenes, creando un proceso creativo opaco. Este descubrimiento subraya la complejidad de las preguntas de propiedad intelectual y responsabilidad que la IA plantea, y la necesidad de que expertos legales y reguladores continúen trabajando para desentrañar estos desafíos. Comprender cómo funcionan estos modelos es esencial para su estudio adecuado y futura regulación.
En resumen
- Un estudio de MIT concluye que es imposible establecer un vínculo causal directo entre obras de arte humanas y las imágenes generadas por IA.
- Los modelos de difusión, como Midjourney y Stable Diffusion, procesan datos a tal escala que sus salidas son "in atribuibles".
- El fenómeno de "decaimiento de la atribución" demuestra que, a mayor volumen de datos de entrenamiento, más difícil es rastrear la influencia de una imagen específica.
- Esta investigación crea un desafío legal significativo para artistas que buscan demandar a compañías de IA por robo de propiedad intelectual.
- El estudio resalta la naturaleza enigmática de los sistemas de IA y la necesidad de comprenderlos para una regulación efectiva.
