Az AI-képgenerátorok körüli egyik legfontosabb kérdés, hogy egy elkészült kép visszavezethető-e azokra az alkotásokra, amelyeken a modellt betanították és az MIT mesterséges intelligenciát kutató laboratóriuma szerint nagy adathalmazok esetében előfordulhat, hogy erre nincs egyértelmű válasz.
Zheng Dai és David Gifford az "attribúciós hanyatlásnak" hívja ezt, ami hangzatosan csak annyit jelent, hogy a tanításra szánt adatok mennyiségének növekedésével egy-egy konkrét adat kimutatható hatása fokozatosan csökken.
Tehát egyetlen kép, egy adott művész teljes életműve vagy akár egy konkrét személy összes fotója is eltávolítható úgy, hogy a generált eredmény alig vagy egyáltalán nem változik meg.
A kutatók módszerében egyetlen nagy modell helyett több kisebb komponens dolgozik, amelyek az adathalmaz különböző részein tanulnak, szóval egy egy vizsgált kép hatását az azt ismerő komponensek kikapcsolásával, a modell teljes újratanítása nélkül tudták ellenőrizni.
A módszert 24 hagyományos diffúziós modellel vetették össze, majd 256-tól több mint 160 ezer képig terjedő adathalmazokon tesztelték. Az eredmények szerint az egyedi tanítópéldák maximális hatása az adathalmaz növekedésével csökkent.
A tanítóadatok nyilván nem lesznek ettől lényegtelenek, az pedig főleg nem igaz, hogy az AI-modellek jogszerűen használhatnak fel engedély nélkül az alkotásokat. A rendszer továbbra is képek millióiból sajátíthatja el a kompozícióval, világítással, textúrákkal és vizuális stílusokkal kapcsolatos mintázatokat.
A kutatás csupán azt mutatja meg, hogy egy konkrét eredmény és egy meghatározott tanítókép között nehéz lehet bizonyítható kapcsolatot találni.
A szomorú konklúzió pedig az, hogy az eredeti alkotók fegyvertelenül maradhatnak egy-egy AI céggel szemben, ami gyakran sem engedélyt, sem elismerést, sem díjazást nem ad a munkájukért.
