Mitä MIT:n tutkimus paljasti tekoälykuvien alkuperän jäljittämisestä?
MIT:n tutkijat havaitsivat attribution decay ilmiön: mitä suuremmalla kuvamäärällä diffuusiomallia koulutetaan, sitä pienemmäksi yksittäisen kuvan vaikutus tiettyyn tuotokseen voi jäädä – jopa niin pieneksi, ettei sit... Tulos vaikeuttaa tekoälykuvan yhdistämistä tiettyyn taiteilijaan, valokuvaan tai lähdekuvaan, mu...
MIT:n tutkijat havaitsivat attribution decay ilmiön: mitä suuremmalla kuvamäärällä diffuusiomallia koulutetaan, sitä pienemmäksi yksittäisen kuvan vaikutus tiettyyn tuotokseen voi jäädä – jopa niin pieneksi, ettei sit...
Tulos vaikeuttaa tekoälykuvan yhdistämistä tiettyyn taiteilijaan, valokuvaan tai lähdekuvaan, mutta se ei osoita tekijänoikeudella suojatun aineiston käytön olevan laillista tai sitä, etteivät mallit koskaan kopioi.
Zheng Dai ja David Gifford rakensivat diffuusioensembleksi kutsutun arkkitehtuurin, jossa useita eri dataosioilla koulutettuja pienempiä diffuusiokomponentteja voitiin kytkeä pois ilman uudelleenkoulutusta.
Tutkijat vertasivat menetelmää 24 tavanomaiseen diffuusiomalliin ja testasivat yksittäisten kuvien, yhden taiteilijan teosten sekä yhtä henkilöä esittävien valokuvien poistamista aineistoista, joissa oli 256–yli 160 0...
What did Zheng Dai and David Gifford’s MIT CSAIL study, published in Nature Communications on August 20, 2026, reveal about “attribution decAI-generated editorial hero image for What did Zheng Dai and David Gifford’s MIT CSAIL study, published in Nature Communications on August 20, 2026, reveal about “attribution dec.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: What did Zheng Dai and David Gifford’s MIT CSAIL study, published in Nature Communications on August 20, 2026, reveal about “attribution dec. Article summary: The study found “attribution decay”: as a diffusion image generator is trained on more images, the causal influence of any one training image on a particular output can become too small to detect—and may disappear under . Topic tags: general web, openai, llm, ai, workflow. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with
openai.com
MIT:n tietojenkäsittelytieteen ja tekoälyn laboratoriossa CSAILissa tehty tutkimus nostaa esiin ilmiön, jota tutkijat kutsuvat nimellä attribution decay eli vaikutuksen tai alkuperän jäljittymisen hiipuminen. Kun diffuusiopohjaista kuvageneraattoria koulutetaan yhä suuremmalla kuvamäärällä, yhden harjoituskuvan kausaalinen vaikutus tiettyyn tuotokseen voi kutistua niin pieneksi, ettei sitä enää pystytä havaitsemaan.
Tämä voi tehdä tekoälyllä tuotetun kuvan yhdistämisestä tiettyyn taiteilijaan, valokuvaan tai lähdekuvaan huomattavasti vaikeampaa. Tutkimus ei kuitenkaan ratkaise sitä, onko tekijänoikeudella suojattujen teosten käyttäminen mallin koulutuksessa laillista – eikä se osoita, etteivät tekoälymallit voisi kopioida harjoitusaineistoa.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "Mitä MIT:n tutkimus paljasti tekoälykuvien alkuperän jäljittämisestä?"?
MIT:n tutkijat havaitsivat attribution decay ilmiön: mitä suuremmalla kuvamäärällä diffuusiomallia koulutetaan, sitä pienemmäksi yksittäisen kuvan vaikutus tiettyyn tuotokseen voi jäädä – jopa niin pieneksi, ettei sit...
What are the key points to validate first?
MIT:n tutkijat havaitsivat attribution decay ilmiön: mitä suuremmalla kuvamäärällä diffuusiomallia koulutetaan, sitä pienemmäksi yksittäisen kuvan vaikutus tiettyyn tuotokseen voi jäädä – jopa niin pieneksi, ettei sit... Tulos vaikeuttaa tekoälykuvan yhdistämistä tiettyyn taiteilijaan, valokuvaan tai lähdekuvaan, mutta se ei osoita tekijänoikeudella suojatun aineiston käytön olevan laillista tai sitä, etteivät mallit koskaan kopioi.
What should I do next in practice?
Zheng Dai ja David Gifford rakensivat diffuusioensembleksi kutsutun arkkitehtuurin, jossa useita eri dataosioilla koulutettuja pienempiä diffuusiokomponentteja voitiin kytkeä pois ilman uudelleenkoulutusta.
Mitä MIT:n tutkimus paljasti tekoälykuvien alkuperän jäljittämisestä?
MIT:n tutkijat havaitsivat attribution decay ilmiön: mitä suuremmalla kuvamäärällä diffuusiomallia koulutetaan, sitä pienemmäksi yksittäisen kuvan vaikutus tiettyyn tuotokseen voi jäädä – jopa niin pieneksi, ettei sit... Tulos vaikeuttaa tekoälykuvan yhdistämistä tiettyyn taiteilijaan, valokuvaan tai lähdekuvaan, mu...
MIT:n tutkijat havaitsivat attribution decay ilmiön: mitä suuremmalla kuvamäärällä diffuusiomallia koulutetaan, sitä pienemmäksi yksittäisen kuvan vaikutus tiettyyn tuotokseen voi jäädä – jopa niin pieneksi, ettei sit...
Tulos vaikeuttaa tekoälykuvan yhdistämistä tiettyyn taiteilijaan, valokuvaan tai lähdekuvaan, mutta se ei osoita tekijänoikeudella suojatun aineiston käytön olevan laillista tai sitä, etteivät mallit koskaan kopioi.
Zheng Dai ja David Gifford rakensivat diffuusioensembleksi kutsutun arkkitehtuurin, jossa useita eri dataosioilla koulutettuja pienempiä diffuusiokomponentteja voitiin kytkeä pois ilman uudelleenkoulutusta.
Tutkijat vertasivat menetelmää 24 tavanomaiseen diffuusiomalliin ja testasivat yksittäisten kuvien, yhden taiteilijan teosten sekä yhtä henkilöä esittävien valokuvien poistamista aineistoista, joissa oli 256–yli 160 0...
What did Zheng Dai and David Gifford’s MIT CSAIL study, published in Nature Communications on August 20, 2026, reveal about “attribution decAI-generated editorial hero image for What did Zheng Dai and David Gifford’s MIT CSAIL study, published in Nature Communications on August 20, 2026, reveal about “attribution dec.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: What did Zheng Dai and David Gifford’s MIT CSAIL study, published in Nature Communications on August 20, 2026, reveal about “attribution dec. Article summary: The study found “attribution decay”: as a diffusion image generator is trained on more images, the causal influence of any one training image on a particular output can become too small to detect—and may disappear under . Topic tags: general web, openai, llm, ai, workflow. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with
openai.com
MIT:n tietojenkäsittelytieteen ja tekoälyn laboratoriossa CSAILissa tehty tutkimus nostaa esiin ilmiön, jota tutkijat kutsuvat nimellä attribution decay eli vaikutuksen tai alkuperän jäljittymisen hiipuminen. Kun diffuusiopohjaista kuvageneraattoria koulutetaan yhä suuremmalla kuvamäärällä, yhden harjoituskuvan kausaalinen vaikutus tiettyyn tuotokseen voi kutistua niin pieneksi, ettei sitä enää pystytä havaitsemaan.
Tämä voi tehdä tekoälyllä tuotetun kuvan yhdistämisestä tiettyyn taiteilijaan, valokuvaan tai lähdekuvaan huomattavasti vaikeampaa. Tutkimus ei kuitenkaan ratkaise sitä, onko tekijänoikeudella suojattujen teosten käyttäminen mallin koulutuksessa laillista – eikä se osoita, etteivät tekoälymallit voisi kopioida harjoitusaineistoa.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "Mitä MIT:n tutkimus paljasti tekoälykuvien alkuperän jäljittämisestä?"?
MIT:n tutkijat havaitsivat attribution decay ilmiön: mitä suuremmalla kuvamäärällä diffuusiomallia koulutetaan, sitä pienemmäksi yksittäisen kuvan vaikutus tiettyyn tuotokseen voi jäädä – jopa niin pieneksi, ettei sit...
What are the key points to validate first?
MIT:n tutkijat havaitsivat attribution decay ilmiön: mitä suuremmalla kuvamäärällä diffuusiomallia koulutetaan, sitä pienemmäksi yksittäisen kuvan vaikutus tiettyyn tuotokseen voi jäädä – jopa niin pieneksi, ettei sit... Tulos vaikeuttaa tekoälykuvan yhdistämistä tiettyyn taiteilijaan, valokuvaan tai lähdekuvaan, mutta se ei osoita tekijänoikeudella suojatun aineiston käytön olevan laillista tai sitä, etteivät mallit koskaan kopioi.
What should I do next in practice?
Zheng Dai ja David Gifford rakensivat diffuusioensembleksi kutsutun arkkitehtuurin, jossa useita eri dataosioilla koulutettuja pienempiä diffuusiokomponentteja voitiin kytkeä pois ilman uudelleenkoulutusta.
Näin tutkijat testasivat yksittäisen kuvan vaikutusta
Zheng Dai ja David Gifford eivät pyrkineet ainoastaan arvioimaan kuvan vaikutusta matemaattisesti. He rakensivat niin kutsutun diffuusioensemblen: joukon pienempiä diffuusiokomponentteja, jotka oli koulutettu eri dataosioilla.
Kun tutkijat halusivat selvittää, mitä tapahtuisi ilman tiettyä lähdekuvaa, he kytkivät pois kaikki komponentit, jotka olivat nähneet kyseisen kuvan. Näin vastakkainen tilanne voitiin muodostaa täsmällisesti ilman uuden mallin uudelleenkoulutusta tai likimääräistä arviota.
Menetelmää verrattiin 24 tavanomaiseen diffuusiomalliin, jotka koulutettiin samalla aineistolla. Mallien tuottamien kuvien laatu oli tavanomaisilla mittareilla laajasti vertailukelpoinen.
Kokeissa poistettiin aineistoista:
yksi yksittäinen kuva;
kaikki yhden taiteilijan työt; sekä
kaikki tiettyä henkilöä esittävät valokuvat.
Aineistojen koko vaihteli 256 kuvasta yli 160 000 kuvaan. Kun aineisto kasvoi, yhden kuvan – ja joissakin tapauksissa jopa yhden taiteilijan koko teosjoukon tai yhtä henkilöä esittävien kuvien – poistaminen ei usein muuttanut tuotettua kuvaa havaittavasti. Tätä yksittäisen lähteen mitattavan vaikutuksen heikkenemistä tutkijat kutsuvat attribution decayksi.
Miksi havainto on merkittävä tekijänoikeusriidoissa?
Tulos voi vaikeuttaa väitteitä, joiden mukaan esimerkiksi Midjourneyhin, OpenAI:hin tai Microsoftiin yhdistetyn järjestelmän tietty tuotos olisi syntynyt juuri kantajan yksittäisen kuvan tai koko taiteellisen tuotannon vaikutuksesta. Jos aineiston täsmällinen poistaminen ei muuta kyseistä tuotosta, tämä vastakkainen testi antaa vain vähän tukea sille, että tuotos voitaisiin jäljittää juuri kyseiseen lähteeseen.
Tutkimus ei silti anna vastausta useisiin erillisiin oikeudellisiin kysymyksiin. Se ei ratkaise esimerkiksi sitä:
kopioiko yritys teoksia harjoitusaineistoa kootessaan;
loukkaako mallin kouluttaminen tekijänoikeutta vai kuuluuko se sallitun käytön piiriin;
onko tuotettu kuva olennaisen samankaltainen suojatun teoksen kanssa; tai
onko malli tarkoituksellisesti ohjattu jäljittelemään tiettyä taiteilijaa.
Kyse on siis näytöstä, joka koskee tietyn tuotoksen kausaalista jäljitettävyyttä – ei tuomioistuimen ratkaisusta eikä yleisestä arviosta tekoälyn käytön laillisuudesta.
Miksi tutkimus ei tarkoita, että tekoäly olisi saanut ”vapaan passin”?
Ensinnäkin diffuusiomallit voivat edelleen opetella ulkoa ja toisintaa harjoitusesimerkkejä joissakin tilanteissa. Attribution decay tarkoittaa, että yksittäisen lähteen vaikutus muuttuu aineiston kasvaessa usein mittaamattomaksi, ei sitä, ettei kopiointia koskaan tapahtuisi.
Toiseksi tutkimus käsitteli diffuusiopohjaisia kuvageneraattoreita. Tulosta ei voi suoraan yleistää kielimalleihin tai muihin generatiivisiin arkkitehtuureihin.
Siksi tuomioistuimet voivat joutua tarkastelemaan muitakin todisteita kuin yksittäisen kuvan ja yksittäisen tuotoksen välistä kausaalista yhteyttä. Huomioon voivat tulla esimerkiksi harjoitusdatan hankintaa koskevat tiedot, suora samankaltaisuus, mallin toiminta kohdennetuilla kehotteilla, teoksen alkuperää koskevat tiedot sekä asiantuntijalausunnot. Tämä päätelmä perustuu tutkimuksen osoittamaan vaikeuteen yhdistää yksittäisiä tuotoksia tiettyihin lähteisiin suurissa aineistoissa.
A diffusion model conditioned on compound bioactivity profiles for generating high-content images
Näin tutkijat testasivat yksittäisen kuvan vaikutusta
Zheng Dai ja David Gifford eivät pyrkineet ainoastaan arvioimaan kuvan vaikutusta matemaattisesti. He rakensivat niin kutsutun diffuusioensemblen: joukon pienempiä diffuusiokomponentteja, jotka oli koulutettu eri dataosioilla.
Kun tutkijat halusivat selvittää, mitä tapahtuisi ilman tiettyä lähdekuvaa, he kytkivät pois kaikki komponentit, jotka olivat nähneet kyseisen kuvan. Näin vastakkainen tilanne voitiin muodostaa täsmällisesti ilman uuden mallin uudelleenkoulutusta tai likimääräistä arviota.
Menetelmää verrattiin 24 tavanomaiseen diffuusiomalliin, jotka koulutettiin samalla aineistolla. Mallien tuottamien kuvien laatu oli tavanomaisilla mittareilla laajasti vertailukelpoinen.
Kokeissa poistettiin aineistoista:
yksi yksittäinen kuva;
kaikki yhden taiteilijan työt; sekä
kaikki tiettyä henkilöä esittävät valokuvat.
Aineistojen koko vaihteli 256 kuvasta yli 160 000 kuvaan. Kun aineisto kasvoi, yhden kuvan – ja joissakin tapauksissa jopa yhden taiteilijan koko teosjoukon tai yhtä henkilöä esittävien kuvien – poistaminen ei usein muuttanut tuotettua kuvaa havaittavasti. Tätä yksittäisen lähteen mitattavan vaikutuksen heikkenemistä tutkijat kutsuvat attribution decayksi.
Miksi havainto on merkittävä tekijänoikeusriidoissa?
Tulos voi vaikeuttaa väitteitä, joiden mukaan esimerkiksi Midjourneyhin, OpenAI:hin tai Microsoftiin yhdistetyn järjestelmän tietty tuotos olisi syntynyt juuri kantajan yksittäisen kuvan tai koko taiteellisen tuotannon vaikutuksesta. Jos aineiston täsmällinen poistaminen ei muuta kyseistä tuotosta, tämä vastakkainen testi antaa vain vähän tukea sille, että tuotos voitaisiin jäljittää juuri kyseiseen lähteeseen.
Tutkimus ei silti anna vastausta useisiin erillisiin oikeudellisiin kysymyksiin. Se ei ratkaise esimerkiksi sitä:
kopioiko yritys teoksia harjoitusaineistoa kootessaan;
loukkaako mallin kouluttaminen tekijänoikeutta vai kuuluuko se sallitun käytön piiriin;
onko tuotettu kuva olennaisen samankaltainen suojatun teoksen kanssa; tai
onko malli tarkoituksellisesti ohjattu jäljittelemään tiettyä taiteilijaa.
Kyse on siis näytöstä, joka koskee tietyn tuotoksen kausaalista jäljitettävyyttä – ei tuomioistuimen ratkaisusta eikä yleisestä arviosta tekoälyn käytön laillisuudesta.
Miksi tutkimus ei tarkoita, että tekoäly olisi saanut ”vapaan passin”?
Ensinnäkin diffuusiomallit voivat edelleen opetella ulkoa ja toisintaa harjoitusesimerkkejä joissakin tilanteissa. Attribution decay tarkoittaa, että yksittäisen lähteen vaikutus muuttuu aineiston kasvaessa usein mittaamattomaksi, ei sitä, ettei kopiointia koskaan tapahtuisi.
Toiseksi tutkimus käsitteli diffuusiopohjaisia kuvageneraattoreita. Tulosta ei voi suoraan yleistää kielimalleihin tai muihin generatiivisiin arkkitehtuureihin.
Siksi tuomioistuimet voivat joutua tarkastelemaan muitakin todisteita kuin yksittäisen kuvan ja yksittäisen tuotoksen välistä kausaalista yhteyttä. Huomioon voivat tulla esimerkiksi harjoitusdatan hankintaa koskevat tiedot, suora samankaltaisuus, mallin toiminta kohdennetuilla kehotteilla, teoksen alkuperää koskevat tiedot sekä asiantuntijalausunnot. Tämä päätelmä perustuu tutkimuksen osoittamaan vaikeuteen yhdistää yksittäisiä tuotoksia tiettyihin lähteisiin suurissa aineistoissa.
A diffusion model conditioned on compound bioactivity profiles for generating high-content images
news.mit.eduWhen AI art has no author: Study finds generated images ...
nature.comA generative diffusion model for amorphous materials