La atribución de derechos de autor sobre imágenes generadas por inteligencia artificial podría ser más compleja de lo que se suponía. Investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT concluyeron que, cuando un modelo es entrenado con un volumen muy amplio de datos, una imagen individual o la producción de un artista específico tiene cada vez menos peso en el resultado final.
El equipo denominó “decaimiento de la atribución” a este fenómeno. Según la investigación, el aumento de la cantidad de imágenes utilizadas durante el entrenamiento reduce la influencia identificable de una obra determinada sobre las imágenes que luego genera el sistema.
La cuestión resulta relevante para servicios como Gemini, ChatGPT o Grok, cuyos modelos producen imágenes a partir de grandes conjuntos de datos. Hasta ahora, se consideraba posible rastrear esos resultados hasta las imágenes originales empleadas en el entrenamiento. El trabajo del MIT, en cambio, sugiere que esa relación se vuelve más difícil de establecer cuando crece la escala del material utilizado.
Para analizar el fenómeno, los investigadores desarrollaron un método que evita uno de los principales obstáculos de este tipo de estudios: volver a entrenar desde cero el mismo modelo cada vez que se elimina la imagen cuya influencia se busca medir. Ese procedimiento resulta inviable cuando el entrenamiento incluye millones de imágenes, por lo que el equipo diseñó una arquitectura específica compuesta por múltiples componentes para estudiar la atribución sin repetir todo el proceso.
