Nghiên cứu MIT hé lộ “suy giảm khả năng truy nguyên” trong ảnh AI
Nghiên cứu phát hiện hiện tượng “suy giảm khả năng truy nguyên” (attribution decay): khi dữ liệu huấn luyện tăng lên, ảnh hưởng nhân quả của từng ảnh riêng lẻ lên một đầu ra có thể trở nên quá nhỏ để phát hiện. Phát hiện này khiến việc liên kết một ảnh do AI tạo ra với một nghệ sĩ, bức ảnh hoặc nguồn cụ thể trở nên...
Nghiên cứu phát hiện hiện tượng “suy giảm khả năng truy nguyên” (attribution decay): khi dữ liệu huấn luyện tăng lên, ảnh hưởng nhân quả của từng ảnh riêng lẻ lên một đầu ra có thể trở nên quá nhỏ để phát hiện.
Phát hiện này khiến việc liên kết một ảnh do AI tạo ra với một nghệ sĩ, bức ảnh hoặc nguồn cụ thể trở nên khó hơn, nhưng không chứng minh rằng việc huấn luyện bằng tác phẩm có bản quyền là hợp pháp.
Nhóm nghiên cứu xây dựng kiến trúc “diffusion ensemble”, gồm nhiều thành phần khuếch tán nhỏ được huấn luyện trên các phần dữ liệu khác nhau.
Để kiểm tra ảnh hưởng của một nguồn dữ liệu, các nhà nghiên cứu tắt mọi thành phần từng nhìn thấy nguồn đó, qua đó tạo ra phép so sánh đối chứng mà không cần huấn luyện lại mô hình.
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.
Prompt AI
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
Một nghiên cứu của Zheng Dai và David Gifford tại Phòng thí nghiệm Khoa học máy tính và Trí tuệ nhân tạo (CSAIL) của MIT cho thấy việc truy nguyên một ảnh do AI tạo ra về đúng ảnh huấn luyện cụ thể có thể ngày càng khó khi mô hình được học trên các bộ dữ liệu lớn hơn.
Nhóm nghiên cứu gọi hiện tượng này là “suy giảm khả năng truy nguyên” (attribution decay). Khi số lượng ảnh huấn luyện tăng, ảnh hưởng nhân quả của bất kỳ ảnh đơn lẻ nào lên một đầu ra cụ thể có thể giảm xuống dưới ngưỡng phát hiện — thậm chí biến mất trong một phép thử loại bỏ chính xác.
Điều đó không có nghĩa các mô hình AI không bao giờ ghi nhớ hay sao chép ảnh. Phát hiện này chủ yếu cho thấy việc chứng minh một đầu ra cụ thể bắt nguồn từ một ảnh, một nghệ sĩ hoặc một nguồn nhất định có thể trở nên khó khăn hơn về mặt kỹ thuật.
Studio Global AI
Tiếp tục nghiên cứu của bạn
Trang này bao gồm câu trả lời dựa trên nguồn mà bạn có thể tiếp tục bên trong Studio Global.
Câu trả lời ngắn gọn cho "Nghiên cứu MIT hé lộ “suy giảm khả năng truy nguyên” trong ảnh AI" là gì?
Nghiên cứu phát hiện hiện tượng “suy giảm khả năng truy nguyên” (attribution decay): khi dữ liệu huấn luyện tăng lên, ảnh hưởng nhân quả của từng ảnh riêng lẻ lên một đầu ra có thể trở nên quá nhỏ để phát hiện.
Những điểm chính cần xác nhận đầu tiên là gì?
Nghiên cứu phát hiện hiện tượng “suy giảm khả năng truy nguyên” (attribution decay): khi dữ liệu huấn luyện tăng lên, ảnh hưởng nhân quả của từng ảnh riêng lẻ lên một đầu ra có thể trở nên quá nhỏ để phát hiện. Phát hiện này khiến việc liên kết một ảnh do AI tạo ra với một nghệ sĩ, bức ảnh hoặc nguồn cụ thể trở nên khó hơn, nhưng không chứng minh rằng việc huấn luyện bằng tác phẩm có bản quyền là hợp pháp.
Tôi nên làm gì tiếp theo trong thực tế?
Nhóm nghiên cứu xây dựng kiến trúc “diffusion ensemble”, gồm nhiều thành phần khuếch tán nhỏ được huấn luyện trên các phần dữ liệu khác nhau.
Nghiên cứu MIT hé lộ “suy giảm khả năng truy nguyên” trong ảnh AI
Nghiên cứu phát hiện hiện tượng “suy giảm khả năng truy nguyên” (attribution decay): khi dữ liệu huấn luyện tăng lên, ảnh hưởng nhân quả của từng ảnh riêng lẻ lên một đầu ra có thể trở nên quá nhỏ để phát hiện. Phát hiện này khiến việc liên kết một ảnh do AI tạo ra với một nghệ sĩ, bức ảnh hoặc nguồn cụ thể trở nên...
Nghiên cứu phát hiện hiện tượng “suy giảm khả năng truy nguyên” (attribution decay): khi dữ liệu huấn luyện tăng lên, ảnh hưởng nhân quả của từng ảnh riêng lẻ lên một đầu ra có thể trở nên quá nhỏ để phát hiện.
Phát hiện này khiến việc liên kết một ảnh do AI tạo ra với một nghệ sĩ, bức ảnh hoặc nguồn cụ thể trở nên khó hơn, nhưng không chứng minh rằng việc huấn luyện bằng tác phẩm có bản quyền là hợp pháp.
Nhóm nghiên cứu xây dựng kiến trúc “diffusion ensemble”, gồm nhiều thành phần khuếch tán nhỏ được huấn luyện trên các phần dữ liệu khác nhau.
Để kiểm tra ảnh hưởng của một nguồn dữ liệu, các nhà nghiên cứu tắt mọi thành phần từng nhìn thấy nguồn đó, qua đó tạo ra phép so sánh đối chứng mà không cần huấn luyện lại mô hình.
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.
Prompt AI
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
Một nghiên cứu của Zheng Dai và David Gifford tại Phòng thí nghiệm Khoa học máy tính và Trí tuệ nhân tạo (CSAIL) của MIT cho thấy việc truy nguyên một ảnh do AI tạo ra về đúng ảnh huấn luyện cụ thể có thể ngày càng khó khi mô hình được học trên các bộ dữ liệu lớn hơn.
Nhóm nghiên cứu gọi hiện tượng này là “suy giảm khả năng truy nguyên” (attribution decay). Khi số lượng ảnh huấn luyện tăng, ảnh hưởng nhân quả của bất kỳ ảnh đơn lẻ nào lên một đầu ra cụ thể có thể giảm xuống dưới ngưỡng phát hiện — thậm chí biến mất trong một phép thử loại bỏ chính xác.
Điều đó không có nghĩa các mô hình AI không bao giờ ghi nhớ hay sao chép ảnh. Phát hiện này chủ yếu cho thấy việc chứng minh một đầu ra cụ thể bắt nguồn từ một ảnh, một nghệ sĩ hoặc một nguồn nhất định có thể trở nên khó khăn hơn về mặt kỹ thuật.
Studio Global AI
Tiếp tục nghiên cứu của bạn
Trang này bao gồm câu trả lời dựa trên nguồn mà bạn có thể tiếp tục bên trong Studio Global.
Câu trả lời ngắn gọn cho "Nghiên cứu MIT hé lộ “suy giảm khả năng truy nguyên” trong ảnh AI" là gì?
Nghiên cứu phát hiện hiện tượng “suy giảm khả năng truy nguyên” (attribution decay): khi dữ liệu huấn luyện tăng lên, ảnh hưởng nhân quả của từng ảnh riêng lẻ lên một đầu ra có thể trở nên quá nhỏ để phát hiện.
Những điểm chính cần xác nhận đầu tiên là gì?
Nghiên cứu phát hiện hiện tượng “suy giảm khả năng truy nguyên” (attribution decay): khi dữ liệu huấn luyện tăng lên, ảnh hưởng nhân quả của từng ảnh riêng lẻ lên một đầu ra có thể trở nên quá nhỏ để phát hiện. Phát hiện này khiến việc liên kết một ảnh do AI tạo ra với một nghệ sĩ, bức ảnh hoặc nguồn cụ thể trở nên khó hơn, nhưng không chứng minh rằng việc huấn luyện bằng tác phẩm có bản quyền là hợp pháp.
Tôi nên làm gì tiếp theo trong thực tế?
Nhóm nghiên cứu xây dựng kiến trúc “diffusion ensemble”, gồm nhiều thành phần khuếch tán nhỏ được huấn luyện trên các phần dữ liệu khác nhau.
Thay vì chỉ ước tính bằng toán học mức độ ảnh hưởng của từng ảnh, Dai và Gifford xây dựng một kiến trúc có tên “diffusion ensemble” — tập hợp nhiều thành phần mô hình khuếch tán nhỏ, mỗi thành phần được huấn luyện trên một phần dữ liệu khác nhau.
Để tạo ra phiên bản đối chứng của mô hình khi thiếu một nguồn dữ liệu, nhóm nghiên cứu tắt tất cả thành phần từng được nhìn thấy nguồn đó. Cách làm này cho phép họ kiểm tra tác động của việc loại bỏ dữ liệu mà không phải huấn luyện lại toàn bộ mô hình hoặc dựa vào một phép xấp xỉ.
Các nhà nghiên cứu cũng so sánh kiến trúc này với 24 mô hình khuếch tán thông thường được huấn luyện trên cùng dữ liệu. Theo các thước đo tiêu chuẩn, chất lượng đầu ra của các mô hình nhìn chung tương đương.
Thí nghiệm được tiến hành trên những bộ dữ liệu có quy mô từ 256 đến hơn 160.000 ảnh. Nhóm lần lượt kiểm tra tác động của việc loại bỏ:
một ảnh riêng lẻ;
toàn bộ tác phẩm của một nghệ sĩ; và
tất cả ảnh chụp một người.
Ở quy mô dữ liệu lớn hơn, việc loại bỏ một trong các nguồn trên thường không tạo ra thay đổi đáng kể trong ảnh đầu ra. Đây là cơ sở để nhóm gọi sự suy giảm của ảnh hưởng đo được từ từng nguồn là “suy giảm khả năng truy nguyên”.
Phát hiện này có ý nghĩa gì với các vụ kiện bản quyền AI?
Kết quả có thể khiến việc lập luận rằng một ảnh do hệ thống liên quan đến Midjourney, OpenAI hoặc Microsoft tạo ra là kết quả trực tiếp của một ảnh cụ thể — hoặc toàn bộ kho tác phẩm của một nguyên đơn — trở nên phức tạp hơn.
Nếu việc loại bỏ chính xác tài liệu bị cho là nguồn gốc không làm thay đổi đầu ra liên quan, phép kiểm tra đối chứng này sẽ cung cấp rất ít cơ sở để quy kết đầu ra đó cho tài liệu ấy.
Tuy nhiên, nghiên cứu không giải quyết các câu hỏi pháp lý riêng biệt như:
công ty có sao chép tác phẩm khi thu thập dữ liệu huấn luyện hay không;
việc huấn luyện có cấu thành hành vi xâm phạm bản quyền hoặc thuộc phạm vi sử dụng hợp lý hay không;
đầu ra có tương đồng đáng kể với một tác phẩm được bảo hộ hay không; và
mô hình có được yêu cầu hoặc cấu hình một cách có chủ đích để bắt chước một nghệ sĩ hay không.
Nói cách khác, đây là bằng chứng về khả năng quy kết nhân quả của một đầu ra cụ thể, không phải phán quyết pháp lý về bản quyền.
Vì sao đây không phải là “tấm vé miễn trách nhiệm” cho AI?
Trước hết, các mô hình khuếch tán vẫn có thể ghi nhớ hoặc tái tạo ảnh huấn luyện trong một số tình huống. “Suy giảm khả năng truy nguyên” chỉ nói rằng ảnh hưởng của từng nguồn riêng lẻ thường trở nên khó đo lường khi quy mô dữ liệu tăng lên — không phải việc sao chép không bao giờ xảy ra.
Ngoài ra, nghiên cứu tập trung vào các hệ thống tạo ảnh dựa trên khuếch tán. Vì vậy, không nên tự động áp dụng kết luận này cho mô hình ngôn ngữ hoặc các kiến trúc tạo sinh khác.
Hệ quả là khi đánh giá trách nhiệm sở hữu trí tuệ, tòa án có thể cần xem xét nhiều loại bằng chứng khác ngoài mối liên hệ nhân quả một ảnh huấn luyện – một ảnh đầu ra. Những bằng chứng đó có thể gồm hồ sơ thu thập dữ liệu, mức độ tương đồng trực tiếp, hành vi của mô hình trước các lời nhắc có chủ đích, thông tin về nguồn gốc tác phẩm và đánh giá của chuyên gia. Đây là suy luận từ việc nghiên cứu cho thấy khả năng quy kết một đầu ra cho từng nguồn riêng lẻ trở nên khó khăn ở quy mô lớn.
A diffusion model conditioned on compound bioactivity profiles for generating high-content images
Thay vì chỉ ước tính bằng toán học mức độ ảnh hưởng của từng ảnh, Dai và Gifford xây dựng một kiến trúc có tên “diffusion ensemble” — tập hợp nhiều thành phần mô hình khuếch tán nhỏ, mỗi thành phần được huấn luyện trên một phần dữ liệu khác nhau.
Để tạo ra phiên bản đối chứng của mô hình khi thiếu một nguồn dữ liệu, nhóm nghiên cứu tắt tất cả thành phần từng được nhìn thấy nguồn đó. Cách làm này cho phép họ kiểm tra tác động của việc loại bỏ dữ liệu mà không phải huấn luyện lại toàn bộ mô hình hoặc dựa vào một phép xấp xỉ.
Các nhà nghiên cứu cũng so sánh kiến trúc này với 24 mô hình khuếch tán thông thường được huấn luyện trên cùng dữ liệu. Theo các thước đo tiêu chuẩn, chất lượng đầu ra của các mô hình nhìn chung tương đương.
Thí nghiệm được tiến hành trên những bộ dữ liệu có quy mô từ 256 đến hơn 160.000 ảnh. Nhóm lần lượt kiểm tra tác động của việc loại bỏ:
một ảnh riêng lẻ;
toàn bộ tác phẩm của một nghệ sĩ; và
tất cả ảnh chụp một người.
Ở quy mô dữ liệu lớn hơn, việc loại bỏ một trong các nguồn trên thường không tạo ra thay đổi đáng kể trong ảnh đầu ra. Đây là cơ sở để nhóm gọi sự suy giảm của ảnh hưởng đo được từ từng nguồn là “suy giảm khả năng truy nguyên”.
Phát hiện này có ý nghĩa gì với các vụ kiện bản quyền AI?
Kết quả có thể khiến việc lập luận rằng một ảnh do hệ thống liên quan đến Midjourney, OpenAI hoặc Microsoft tạo ra là kết quả trực tiếp của một ảnh cụ thể — hoặc toàn bộ kho tác phẩm của một nguyên đơn — trở nên phức tạp hơn.
Nếu việc loại bỏ chính xác tài liệu bị cho là nguồn gốc không làm thay đổi đầu ra liên quan, phép kiểm tra đối chứng này sẽ cung cấp rất ít cơ sở để quy kết đầu ra đó cho tài liệu ấy.
Tuy nhiên, nghiên cứu không giải quyết các câu hỏi pháp lý riêng biệt như:
công ty có sao chép tác phẩm khi thu thập dữ liệu huấn luyện hay không;
việc huấn luyện có cấu thành hành vi xâm phạm bản quyền hoặc thuộc phạm vi sử dụng hợp lý hay không;
đầu ra có tương đồng đáng kể với một tác phẩm được bảo hộ hay không; và
mô hình có được yêu cầu hoặc cấu hình một cách có chủ đích để bắt chước một nghệ sĩ hay không.
Nói cách khác, đây là bằng chứng về khả năng quy kết nhân quả của một đầu ra cụ thể, không phải phán quyết pháp lý về bản quyền.
Vì sao đây không phải là “tấm vé miễn trách nhiệm” cho AI?
Trước hết, các mô hình khuếch tán vẫn có thể ghi nhớ hoặc tái tạo ảnh huấn luyện trong một số tình huống. “Suy giảm khả năng truy nguyên” chỉ nói rằng ảnh hưởng của từng nguồn riêng lẻ thường trở nên khó đo lường khi quy mô dữ liệu tăng lên — không phải việc sao chép không bao giờ xảy ra.
Ngoài ra, nghiên cứu tập trung vào các hệ thống tạo ảnh dựa trên khuếch tán. Vì vậy, không nên tự động áp dụng kết luận này cho mô hình ngôn ngữ hoặc các kiến trúc tạo sinh khác.
Hệ quả là khi đánh giá trách nhiệm sở hữu trí tuệ, tòa án có thể cần xem xét nhiều loại bằng chứng khác ngoài mối liên hệ nhân quả một ảnh huấn luyện – một ảnh đầu ra. Những bằng chứng đó có thể gồm hồ sơ thu thập dữ liệu, mức độ tương đồng trực tiếp, hành vi của mô hình trước các lời nhắc có chủ đích, thông tin về nguồn gốc tác phẩm và đánh giá của chuyên gia. Đây là suy luận từ việc nghiên cứu cho thấy khả năng quy kết một đầu ra cho từng nguồn riêng lẻ trở nên khó khăn ở quy mô lớn.
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