AI 生成圖像為何越來越難追溯？MIT 研究揭示「歸因衰減」

在資料規模足夠大時，這種現象甚至不只適用於單張圖像。研究發現，移除某位藝術家的全部作品，或移除所有描繪特定人物的照片，也可能無法讓生成樣本產生明顯改變。

這裡的關鍵不是「模型完全沒有受到這些資料影響」，而是研究採用的刪除測試無法將特定輸出明確歸因於那些資料。若移除一個訓練單位後，輸出幾乎不變，那麼在這項測量標準下，就很難把該單位視為該輸出的直接因果責任來源。

對 AI 著作權爭議意味著什麼？

這項研究可能讓一種特定的侵權論證變得更難成立：如果主張某個爭議生成結果，是由某位具名藝術家的作品，或由複製該藝術家風格的訓練資料直接造成，原告可能需要證明更具體的輸出因果關係。若移除該藝術家的整套作品後，生成結果仍大致不變，便可能難以證明這些作品對該張圖像具有直接、不可替代的因果貢獻。

但這項研究並沒有替法院裁定個案，也沒有建立任何新的著作權法律規則。AI 著作權訴訟還可能涉及未經授權的訓練複製、特定輸出與受保護作品之間的實質相似性、模型是否接觸過相關作品、市場損害、合約條款，以及其他與「單一圖像是否為單一輸出的必要原因」不同的問題。

三個不能忽略的限制

1. 不是「模型沒有記憶」

某個輸出在刪除測試下無法歸因於任何單一訓練圖像，不代表模型沒有記憶內容。模型仍可能在某些提示詞、取樣設定或其他條件下重現素材，也可能生成與受保護作品高度相似的結果。這篇研究測量的是模型對刪除訓練單位的因果敏感度，不是所有形式的記憶或侵權。

2. 不能直接套用到大型語言模型

研究對象是擴散模型，重點在圖像生成。研究中的集成與消融方法，以及觀察到的資料規模效應，並沒有因此證明同樣適用於以 Transformer 為基礎的大型語言模型（LLM）。

3. 不能取代其他證據

在實際調查或訴訟中，仍需要進行提示詞重現測試、相似性與來源分析、檢視訓練資料及系統紀錄、模型稽核，以及適用的法律分析。 「歸因衰減」指出的是：當資料規模擴大，單一來源主導某個輸出的說法可能失效；它並沒有證明複製行為不可能透過其他證據被證明。