Quando um gerador de imagens de inteligência artificial produz um retrato, o trabalho de quem foi utilizado? A questão está no centro de processos judiciais, acordos de licenciamento e regulamentações propostas em todo o mundo. Artistas querem crédito. Empresas querem clareza. Formuladores de políticas querem uma forma de atribuir responsabilidade.
Um novo trabalho de uma equipe de pesquisadores do Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL) do MIT sugere que, para modelos treinados em grandes conjuntos de dados, a questão muitas vezes pode não ter resposta. Não é que as ferramentas para encontrá-la sejam inadequadas. A própria conexão desapareceu.
Os cientistas identificaram um fenômeno que chamam de decaimento de atribuição, onde quanto mais dados um modelo generativo é treinado, menos qualquer exemplo de treinamento individual importa para qualquer saída particular. Parece contraintuitivo, mas em escalas suficientemente grandes, eles descobrem, você pode frequentemente remover qualquer imagem única dos dados de treinamento, ou cada imagem de um determinado artista, ou cada fotografia de uma determinada pessoa, e a amostra gerada não muda.
E se remover algo não muda nada, argumentam os pesquisadores, não se pode dizer que seja responsável por nada.
"Se você remover um pedaço de dados e a saída do modelo não mudar, então esse pedaço de dados não afetou a saída", diz Zheng Dai SM '21, PhD '24, ex-pesquisador do MIT CSAIL e autor principal do trabalho. "Então não faz muito sentido atribuir a saída a esse pedaço de dados. E se você fizer isso um por um para todos os outros pedaços de dados e descobrir que a saída não muda para nenhum deles também, então não faz muito sentido atribuir a saída a nenhum deles."
"Todos os métodos anteriores eram aproximados", diz o Professor David Gifford do MIT, que é um pesquisador principal do MIT CSAIL. "Eles
Fonte: MIT News - AI
Publicado em 2026-08-18