โครงการของ Dai และ Gifford ซึ่งตีพิมพ์ใน Nature Communications ได้แสดงถึงวิธีการที่สามารถลบภาพใดภาพหนึ่ง หรือผลงานของศิลปินคนใดออกจากชุดข้อมูลฝึกฝน แล้วผลลัพธ์ที่สร้างโดย AI ยังคงไม่เปลี่ยนแปลง นี่คือวิธีการที่ชัดเจนครั้งแรกสำหรับการลบข้อมูลขนาดใหญ่ได้อย่างมีประสิทธิภาพและแสดงให้เห็นว่าผลลัพธ์ไม่เปลี่ยนแปลง
งานวิจัยนี้ใช้กับ diffusion models ซึ่งเป็นแบบจำลองที่โดดเด่นในการสร้างสื่อภาพและเสียง รวมถึงการใช้งานทางวิทยาศาสตร์ เช่น การสร้างแบบจำลองโครงสร้างโปรตีน
Gifford เน้นย้ำว่าการสร้างผลลัพธ์ที่ไม่สามารถระบุแหล่งที่มาได้นั้นเป็นภาระหน้าที่ของอุตสาหกรรม ดังนั้นบริษัทที่ใช้โมเดลเหล่านี้ต้องปรับปรุงโมเดลเพื่อพิสูจน์ว่าไม่ได้สร้างงานที่ลอกเลียนแบบจากบุคคลหรือชิ้นงานใดๆ บนอินเทอร์เน็ต
หากผลลัพธ์ที่ได้ไม่สามารถเชื่อมโยงกับข้อมูลฝึกฝนใดๆ ได้เลย ย่อมเกิดคำถามเกี่ยวกับขอบเขตการใช้งานที่เป็นธรรม และว่าผลลัพธ์นั้นๆ จะมีลิขสิทธิ์ในฐานะผลงานใหม่ได้อย่างไร และผู้สร้างสรรค์จะได้รับการชดเชยได้อย่างไร
ศัพท์ที่ควรรู้
- AI image generator – โปรแกรมที่ใช้ปัญญาประดิษฐ์ในการสร้างภาพ
- Training data – ชุดข้อมูลที่ใช้ในการสอนให้ AI เรียนรู้
- Diffusion models – ประเภทของแบบจำลอง AI ที่ใช้ในการสร้างสื่อภาพและเสียง
- Attributable – สามารถระบุแหล่งที่มาหรือต้นตอได้
ที่มา: news.mit.edu