La questione se l’intelligenza artificiale generativa copi o meno le opere degli artisti sui quali viene addestrata rappresenta uno dei nodi centrali del dibattito contemporaneo tra industria tecnologica e mondo creativo, oltre che il fulcro di diverse controversie legali legate al copyright. Una recente ricerca condotta al Massachusetts Institute of Technology inserisce un tassello che rende la problematica ancora più articolata: quando un modello generativo viene addestrato su dataset sufficientemente ampi, risulterebbe pressoché impossibile ricondurre una specifica immagine creata dall’intelligenza artificiale all’influenza causale di una singola opera o di un singolo autore.
A sostenere questa tesi sono Zheng Dai e David K. Gifford, ricercatori del MIT, attraverso lo studio intitolato Outputs of generative diffusion models are often unattributable e pubblicato su Nature Communications. Al centro dell’indagine vi sono i modelli di diffusione, considerati tra le tecnologie basilari per la generazione automatica di immagini e video.
La conclusione a cui giungono gli studiosi, per quanto appaia controintuitiva, si riassume nel principio secondo cui all’aumentare del numero di immagini impiegate per l’addestramento di un modello, diminuisce in modo speculare la possibilità di collegare un determinato output a una specifica componente del dataset di partenza. Gli autori hanno battezzato questo fenomeno con il termine attribution decay, ovvero decadimento dell’attribuzione.
Cosa significa che un’immagine generata dall’intelligenza artificiale è non attribuibile?
È opportuno operare una netta distinzione concettuale. La ricerca non afferma che i sistemi generativi non si servano delle immagini presenti nei dataset, né prova che l’addestramento su materiale tutelato dal diritto d’autore sia marginale. I modelli si fondano sui dati di cui fanno tesoro, apprendendone le regolarità statistiche.
L’interrogativo sollevato da Dai e Gifford è tuttavia più specifico: sussiste la possibilità di isolare una singola immagine, un individuo o un artista all’interno del dataset e dimostrare che quell’elemento sia la causa diretta di una determinata figura generata dal sistema?
Stando agli esiti dell’indagine, con l’ampliarsi delle dimensioni dei dataset la risposta propende sempre più verso la negatività. I ricercatori hanno infatti constatato che, in molte circostanze, risulta fattibile eliminare dal processo di apprendimento una singola immagine o l’intero corpus di opere di un determinato autore senza alterare in modo sensibile il risultato finale. Tale evidenza è emersa considerando come unità di riferimento non soltanto i singoli file visivi, ma intere raccolte fotografiche di una persona o tutte le creazioni di uno stesso artista.
Di conseguenza, un’immagine prodotta dall’intelligenza artificiale può certamente mostrare affinità stilistiche o visive con il percorso di un autore, ma tale somiglianza, da sola, non costituisce la prova che quell’artista abbia avuto un ruolo determinante nella genesi di quell’output specifico.
La metodologia dell’esperimento condotto al MIT
Per testare tale ipotesi, i ricercatori hanno dovuto affrontare una sfida tecnica considerevole. Un modello di diffusione non opera come un semplice archivio in cui le immagini vengono custodite in sequenza per poi essere assemblate all’occorrenza. Nel corso dell’addestramento vengono modificati i parametri matematici del sistema sulla base delle costanti individuate nell’insieme dei dati.
Non basta quindi cancellare un singolo file a posteriori per verificare cosa sarebbe accaduto in sua assenza. In condizioni ordinarie, ciò imporrebbe di riaddestrare interamente il modello escludendo quel singolo elemento, ripetendo la procedura per ciascun file analizzato: un’operazione economicamente insostenibile su vasta scala.
Per superare l’ostacolo, Dai e Gifford hanno messo a punto una tecnica di ablation. Il modello viene strutturato mediante componenti indipendenti, istruite su porzioni distinte di dati e successivamente integrate. In questo modo si possono rimuovere le sezioni entrate in contatto con una specifica immagine o con le opere di un determinato creatore, analizzando l’output risultante in loro assenza.
La metodologia è stata applicata a ventiquattro modelli differenti, servendosi di sette dataset di pubblico accesso con volumi compresi tra 256 e 162.770 immagini. I dati hanno evidenziato una correlazione inversa tra la grandezza del dataset e la tracciabilità dell’output: incrementando il materiale visivo impiegato nell’addestramento, la rimozione di una singola unità genera variazioni sempre meno rilevanti sull’immagine finale.
Perché grandi dataset ostacolano la ricerca di un originale
Una chiave di lettura avanzata dagli studiosi chiama in causa il concetto di ridondernza. Archivi di grandi dimensioni racchiudono enormi quantità di tratti visivi sovrapposti: configurazioni geometriche, schemi compositivi, gamme cromatiche e ulteriori regolarità possono ripetersi all’interno di migliaia di immagini differenti.
Le informazioni necessarie al funzionamento del modello risultano così distribuite e codificate in modo ridondante in tutto il dataset. Di conseguenza, la soppressione di una singola fonte non basta a cancellare tali peculiarità, poiché il sistema potrebbe averle interiorizzate attraverso molteplici altri canali.
Gli stessi autori precisano tuttavia che si tratta di un’interpretazione dedotta dai risultati, e non di una causa definitivamente acclarata dallo studio.
L’intelligenza artificiale non copia gli artisti?
La risposta è negativa, e rappresenta forse l’aspetto più rilevante per una corretta lettura della ricerca. Lo studio esamina una forma circoscritta di attribuzione, fondata sulla possibilità di individuare una singola unità del training set ritenuta responsabile di un output. Non vengono escluse altre modalità di attribuzione basate su insiemi di dati più ampi e, soprattutto, non si sostiene che i modelli siano incapaci di memorizzare o replicare materiale proveniente dall’addestramento. Gli stessi ricercatori ricordano come indagini precedenti abbiano evidenziato la capacità di modelli istruiti su dataset sterminati di produrre, seppur di rado, copie quasi perfette delle immagini di partenza.
Occorre dunque separare due questioni distinte: da un lato la capacità di un sistema di riprodurre un’opera specifica, dall’altro la possibilità di stabilire quale peso abbia avuto un determinato autore nella generazione di un’immagine che non costituisca una copia palese.
Le ripercussioni sul diritto d’autore
Gran parte delle controversie legali emerse negli ultimi anni verte proprio sull’impiego massiccio di opere protette dal copyright per l’addestramento di piattaforme commerciali. Se tuttavia un’immagine generata non può essere fatta risalire a un’opera o a un autore specifici, dimostrare il contributo puntuale di quell’autore sul piano tecnico si fa estremamente complesso.
Dai e Gifford evidenziano le profonde implicazioni etiche, economiche, politiche e normative legate a questo fenomeno di inattribuibilità, osservando come esso diventi particolarmente critico quando modelli istruiti su contenuti protetti vengono sfruttati a fini commerciali per generare potenziali sostituti di quei medesimi contenuti.
Si tratta di un esito che non sopisce il contenzioso sul diritto d’autore, ma rischia piuttosto di spostarne il baricentro. Qualora risultasse arduo comprovare che un’immagine artificiale derivi causalmente dal lavoro di un singolo artista, il dibattito legale potrebbe concentrarsi sulle condizioni preliminari: quali risorse possano essere lecite per l’addestramento di un modello, con quali permessi, attraverso quali licenze e con quali eventuali forme di compensazione economica.
In sintesi, l’impossibilità di rintracciare un singolo originale dietro a una produzione visiva artificiale non dimostra automaticamente che quel sistema avrebbe potuto svilupparsi senza il contributo collettivo delle opere che hanno alimentato il suo apprendimento.
Fonte: Exibart
Crediti immagine: foto: grafie di una persona o tutte le opere appartenenti a uno stesso artista
