MIT-Studie bezweifelt Nachverfolgbarkeit von KI-generierten Bildern zu spezifischen Quellen

Eine neue Studie des Massachusetts Institute of Technology (MIT) stellt bestehende Annahmen zum Urheberrecht für KI-generierte Bilder in Frage. Forscher stellten fest, dass es mit zunehmender Größe der Trainingsdatensätze für KI-Modelle immer schwieriger wird, generierte Bilder einzelnen Originalwerken zuzuordnen.

Die MIT-Forscher Zheng Dai und David Gifford stellten fest, dass je umfangreicher der Trainingsdatensatz ist, desto schwieriger ist es nachzuweisen, dass ein einzelnes Datenelement die endgültige Ausgabe maßgeblich beeinflusst hat. Sie beobachteten, dass das Entfernen eines einzelnen Bildes aus den Trainingsdaten oft wenig bis gar keine erkennbaren Auswirkungen auf die neu generierten Bilder des Modells hatte. Die Forscher bezeichnen dieses Phänomen als „Attributionsverfall“ (attribution decay).

Diese Erkenntnis könnte Gerichtsverfahren komplizieren, in denen KI beschuldigt wird, die Werke von Künstlern zu kopieren. Auch wenn ein KI-generiertes Bild dem Stil eines bestimmten Künstlers ähneln mag, deutet diese neue Forschung darauf hin, dass möglicherweise keine direkte Kausalverbindung besteht, die das erstellte Bild mit einem bestimmten Stück in den Trainingsdaten verknüpft.

Die Forscher vermuten, dass dies darauf zurückzuführen ist, dass große Datensätze eine erhebliche visuelle Redundanz aufweisen. Viele verschiedene Bilder weisen überlappende Merkmale auf, was bedeutet, dass kein einzelnes Bild für die „DNA“ eines KI-generierten Bildes unersetzlich ist. Obwohl sie dies als ihre beste Erklärung präsentieren, betonen sie, dass es sich derzeit eher um eine Vermutung als um eine direkt nachgewiesene Tatsache handelt.