這並不等於某張圖片從未參與模型的整體訓練，而是表示在特定輸出、以及研究採用的移除測試中，該圖片個別造成的因果貢獻可能小到無法偵測。

研究如何測試單一來源的影響？

直接回答這個問題並不容易。傳統方法通常是先移除一張來源圖片，再重新訓練模型，最後比較移除前後的生成結果。如果要逐一測試單張圖片、藝術家或人物，成本非常高；而近似計算也未必能完整排除資料移除後產生的所有後續影響。

戴與吉福德因此設計了 「擴散集成」（diffusion ensemble）：由多個較小的擴散模型元件組成，每個元件以不同但彼此重疊的資料子集訓練。要檢驗某個來源的影響時，研究人員只需關閉所有曾看過該來源的元件，就能生成「如果沒有這項資料，模型會產生什麼結果」的反事實輸出，而無須重新訓練整個系統。

研究團隊也將這種方法與24個使用相同資料訓練的傳統擴散模型比較，並表示兩者依標準指標衡量時，生成品質大致相當。

在這套架構下，研究人員可以進行精確的移除測試：如果關閉所有看過某一來源的元件後，輸出仍然沒有變化，實驗便沒有提供可測量證據，證明該來源造成了這個特定結果。

對AI著作權訴訟意味著什麼？

「歸因衰減」可能使某一類主張更加難以成立：例如，指稱Midjourney、OpenAI或Microsoft相關系統生成的某張圖像，是由原告的一張特定圖片，或由原告整套作品直接造成或複製而來。若在精確的反事實測試中移除這些資料後，相關輸出仍然不變，這項測試便很難支持將結果歸因於被移除的來源。

但研究本身並沒有判定任何企業是否應負法律責任。它提供的是一項關於「單一訓練資料與單一輸出之間的因果連結，可能難以建立」的研究證據，而不是新的法律規則。

訴訟中仍有多個不同問題需要分開處理：

• 訓練資料如何取得？ 研究沒有判定企業蒐集或使用受著作權保護作品進行訓練是否合法。
• 生成結果是否與受保護作品實質相似？ 即使難以證明某一張訓練圖片造成輸出，視覺相似性仍可能具有法律相關性。
• 模型是否記憶或重現特定範例？ 模型在某些情境下仍可能重現訓練資料，這與證明每一項輸出都可歸因於單一來源，是兩個不同問題。
• 系統是否被設定為模仿某位藝術家？ 針對性的提示詞、微調或其他模型行為，可能提供單一圖片移除測試無法捕捉的證據。

因此，法院與調查人員可能需要更完整的證據組合，包括資料取得紀錄、來源與流向資訊、直接相似性分析、針對性提示詞測試、模型行為證據及專家意見。這是對研究所揭示的舉證困難作出的實務推論，而不是研究直接創設的法律標準。

這不是AI開發商的「免死金牌」

不能將歸因衰減解讀為擴散模型從不複製作品。研究顯示的是：隨著訓練資料集擴大，單一來源對個別輸出的可測量影響可能變得微不足道；在某些情況下，模型仍可能記憶或重現訓練範例。

研究範圍也有明確限制。團隊檢驗的是以擴散技術為基礎的圖像生成器，因此不能直接把結果套用到語言模型或其他生成式架構。

較準確的解讀是：大型擴散模型可能讓「單一來源—單一輸出」的追溯變得更加困難，即使某張圖片或某位藝術家的作品確實曾被納入訓練資料。這可能削弱證明特定輸出責任歸屬的一條路徑，但資料使用方式、複製、風格模仿及智慧財產權等更廣泛的爭議，仍然沒有因此得到答案。

這並不等於某張圖片從未參與模型的整體訓練，而是表示在特定輸出、以及研究採用的移除測試中，該圖片個別造成的因果貢獻可能小到無法偵測。

研究如何測試單一來源的影響？

直接回答這個問題並不容易。傳統方法通常是先移除一張來源圖片，再重新訓練模型，最後比較移除前後的生成結果。如果要逐一測試單張圖片、藝術家或人物，成本非常高；而近似計算也未必能完整排除資料移除後產生的所有後續影響。

戴與吉福德因此設計了 「擴散集成」（diffusion ensemble）：由多個較小的擴散模型元件組成，每個元件以不同但彼此重疊的資料子集訓練。要檢驗某個來源的影響時，研究人員只需關閉所有曾看過該來源的元件，就能生成「如果沒有這項資料，模型會產生什麼結果」的反事實輸出，而無須重新訓練整個系統。

研究團隊也將這種方法與24個使用相同資料訓練的傳統擴散模型比較，並表示兩者依標準指標衡量時，生成品質大致相當。

在這套架構下，研究人員可以進行精確的移除測試：如果關閉所有看過某一來源的元件後，輸出仍然沒有變化，實驗便沒有提供可測量證據，證明該來源造成了這個特定結果。

對AI著作權訴訟意味著什麼？

「歸因衰減」可能使某一類主張更加難以成立：例如，指稱Midjourney、OpenAI或Microsoft相關系統生成的某張圖像，是由原告的一張特定圖片，或由原告整套作品直接造成或複製而來。若在精確的反事實測試中移除這些資料後，相關輸出仍然不變，這項測試便很難支持將結果歸因於被移除的來源。

但研究本身並沒有判定任何企業是否應負法律責任。它提供的是一項關於「單一訓練資料與單一輸出之間的因果連結，可能難以建立」的研究證據，而不是新的法律規則。

訴訟中仍有多個不同問題需要分開處理：

• 訓練資料如何取得？ 研究沒有判定企業蒐集或使用受著作權保護作品進行訓練是否合法。
• 生成結果是否與受保護作品實質相似？ 即使難以證明某一張訓練圖片造成輸出，視覺相似性仍可能具有法律相關性。
• 模型是否記憶或重現特定範例？ 模型在某些情境下仍可能重現訓練資料，這與證明每一項輸出都可歸因於單一來源，是兩個不同問題。
• 系統是否被設定為模仿某位藝術家？ 針對性的提示詞、微調或其他模型行為，可能提供單一圖片移除測試無法捕捉的證據。

因此，法院與調查人員可能需要更完整的證據組合，包括資料取得紀錄、來源與流向資訊、直接相似性分析、針對性提示詞測試、模型行為證據及專家意見。這是對研究所揭示的舉證困難作出的實務推論，而不是研究直接創設的法律標準。

這不是AI開發商的「免死金牌」

不能將歸因衰減解讀為擴散模型從不複製作品。研究顯示的是：隨著訓練資料集擴大，單一來源對個別輸出的可測量影響可能變得微不足道；在某些情況下，模型仍可能記憶或重現訓練範例。

研究範圍也有明確限制。團隊檢驗的是以擴散技術為基礎的圖像生成器，因此不能直接把結果套用到語言模型或其他生成式架構。

較準確的解讀是：大型擴散模型可能讓「單一來源—單一輸出」的追溯變得更加困難，即使某張圖片或某位藝術家的作品確實曾被納入訓練資料。這可能削弱證明特定輸出責任歸屬的一條路徑，但資料使用方式、複製、風格模仿及智慧財產權等更廣泛的爭議，仍然沒有因此得到答案。