MIT beweist, dass KI-Kunstdiebstahl nicht nachweisbar ist

Ein rechtlicher Strudel erfasst die generative KI. Künstler und große Unternehmen behaupten weit verbreitete Urheberrechtsverletzungen und werfen KI-Firmen vor, riesige Mengen ihrer geschützten Werke zu nutzen, um leistungsstarke Modelle zu trainieren, von Bildgeneratoren bis hin zu Textverarbeitungsprogrammen. Die Kernfrage lautet: Können Kläger beweisen, dass ihre urheberrechtlich geschützte Kunst den Output einer KI direkt beeinflusst hat?

Der Nachweis einer solchen Verletzung steht vor einer unlösbaren Herausforderung. Die intuitive Methode – das Entfernen eines einzelnen urheberrechtlich geschützten Bildes aus einem Trainingsdatensatz und das vollständige Retraining eines Modells mit mehreren Milliarden Parametern von Grund auf – ist astronomisch teuer. Dieser Prozess kostet Millionen von Dollar und Tausende von GPU-Stunden, was ihn selbst für einen einzigen Fall, geschweige denn für Tausende, unerschwinglich macht.

Nun liefert eine bahnbrechende Forschung des MIT Computer Science and Artificial Intelligence Laboratory (CSAIL) eine Bombe. Die Studie, die von Better Stack hervorgehoben wurde, legt nahe, dass diese Methode nicht nur unpraktisch ist; sie könnte grundlegend zwecklos sein. Es könnte mathematisch unmöglich sein, definitiv zu beweisen, dass ein KI-Modell ein einzelnes Kunstwerk innerhalb seines kolossalen Trainingssets „gestohlen“ oder davon beeinflusst wurde.

Da Trainingsdatensätze auf Milliarden von Parametern skalieren, schrumpft der individuelle Einfluss jedes einzelnen Bildes zu einem nicht quantifizierbaren Flüstern. Dieses Phänomen, das die Forscher als Attribution Decay (Attributionszerfall) beschreiben, bedeutet, dass die Rückverfolgung eines spezifischen Einflusses dem Finden eines einzelnen Wassertropfens im Ozean gleicht, wodurch das Konzept der direkten Ableitung für den rechtlichen Nachweis ausgelöscht wird.

Um die monumentale Aufgabe der Rückverfolgung des Einflusses einzelner Bilder zu bewältigen, entwickelten MIT-Forscher eine clevere Lösung: Diffusion Ensembles. Herkömmliche Methoden erfordern ein unerschwinglich teures vollständiges Modell-Retraining, um die Auswirkungen des Entfernens eines einzelnen Bildes zu bewerten.

Stattdessen bauten sie eine Architektur aus kleineren, überlappenden Komponenten, von denen jede auf einem anderen Datenausschnitt trainiert wurde. Dies ermöglichte es den Forschern, Komponenten, die ein bestimmtes Foto gesehen hatten, effizient „abzuschalten“ und dessen Einfluss zu isolieren, ohne die immensen Kosten für das Retraining eines gesamten, massiven Modells.

Die Messung des maximalen potenziellen Einflusses eines Bildes wurde mit dem Counterfactual Radius möglich. Diese Metrik quantifizierte, wie stark der Output einer KI vom Original abwich, wenn die Komponenten, die auf ein bestimmtes Trainingsbild gestoßen waren, deaktiviert wurden. Sie berechnete im Wesentlichen die maximal mögliche Verantwortung eines einzelnen Bildes.

Über 24 Diffusion Ensembles hinweg, die auf Datensätzen von 256 Bildern bis zu über 160.000 trainiert wurden, ergab sich eine konsistente mathematische Kurve. Mit der Erweiterung der Trainingsdatensätze schrumpfte der Counterfactual Radius erwartungsgemäß, was beweist, dass der Einfluss einzelner Trainingsbilder bei zunehmender Skalierung signifikant abnimmt. Dies macht eine spezifische künstlerische Zuordnung mathematisch schwer fassbar.

Die Forschung des MIT enthüllt ein Phänomen namens Attribution Decay, bei dem die nachweisbare Verbindung zwischen dem Output einer generativen KI und ihren spezifischen Trainingseingaben ab einer bestimmten Skalierung abnimmt. Die Forscher quantifizierten dies mithilfe eines „Counterfactual Radius“, der misst, wie stark sich ein Output verschiebt, wenn ein einzelnes Trainingsbild entfernt wird. Sie beobachteten, wie dieser Radius konsistent schrumpfte, während die Trainingsdatensätze von 256 Bildern auf über 160.000 anwuchsen, was eine mathematische Kurve des abnehmenden Einflusses offenbart.

Am erstaunlichsten ist, dass sich dieser Zerfall über einzelne Bilder hinaus erstreckt. Selbst wenn Forscher das gesamte Werk eines Künstlers aus großen Trainingsensembles entfernten, blieben die nachfolgenden Ergebnisse der Modelle weitgehend unverändert. Dies bedeutet, dass ein KI-generiertes Bild ab einer kritischen Größenordnung mathematisch gesehen effektiv aufhört, "von irgendwoher" zu stammen.

Diese Unnachvollziehbarkeit stellt eine tiefgreifende Herausforderung für das etablierte Urheberrecht dar, insbesondere für das Konzept des abgeleiteten Werks. Wenn ein KI-Bild nicht nachweislich auf ein bestimmtes Ausgangsmaterial zurückgeführt werden kann, kann es dann rechtlich als "abgeleitet" von urheberrechtlich geschütztem Input gelten? Rechtsexperten deuten an, dass Gerichte neue Rahmenbedingungen benötigen könnten, da die Möglichkeit, eine direkte Abstammung zu bestimmen, schwindet. Für tiefere Einblicke in diese Ergebnisse siehe When AI art has no author: Study finds generated images often can't be traced to training data | MIT News.

Die bahnbrechende Forschung des MIT liefert eine starke Verteidigung für KI-Entwickler, die mit Urheberrechtsklagen konfrontiert sind, und verändert das juristische Schlachtfeld grundlegend. Die Erkenntnis, dass Attribution Decay es mathematisch unmöglich macht, spezifische Inputs zu Outputs zurückzuverfolgen, insbesondere bei großen Diffusionsmodellen, stellt Verletzungsklagen in Frage, die allein auf der Einbeziehung von Trainingsdaten basieren. Dies zwingt Künstler und Urheberrechtsinhaber dazu, ihre rechtlichen Argumente strategisch von der direkten Input-Rückverfolgung weg zu verlagern.

Rechtssysteme passen sich bereits an diese komplexe Realität an, wobei Gerichte Klagen zunehmend kritisch prüfen. Kläger stehen nun vor der Beweislast, eine substanzielle Ähnlichkeit zwischen einem spezifischen KI-generierten Output und ihrem ursprünglichen urheberrechtlich geschützten Werk nachzuweisen, anstatt sich nur auf die bloße Aufnahme in einen riesigen Trainingsdatensatz zu stützen. Dies hebt die Beweishürde erheblich an und verlagert den Fokus vom Trainingsprozess des Modells auf die direkte Ähnlichkeit des generierten Outputs.

Die sich entwickelnde Landschaft erfordert sowohl von Künstlern geleitete Gegenmaßnahmen als auch neue regulatorische Rahmenbedingungen. Projekte wie 'Nightshade' bieten Künstlern eine proaktive Verteidigung, indem sie Online-Bilder subtil korrumpieren, um das zukünftige Training von KI-Modellen zu stören. Gleichzeitig werden Forderungen nach universell implementierten Opt-out-Systemen laut, die Urhebern eine explizite Kontrolle über die Einbeziehung ihrer Arbeit in KI-Datensätze geben und die Rechte der Urheber im Zeitalter der generativen KI neu kalibrieren.

Was ist 'Attribution Decay' bei KI-Modellen?

Attribution Decay ist ein von MIT-Forschern identifiziertes Phänomen, bei dem der Einfluss eines einzelnen Trainingsbeispiels auf ein bestimmtes Ergebnis umso geringer ist, je mehr Daten ein generatives KI-Modell zum Training verwendet, was eine Rückverfolgung mathematisch schwierig macht.

Wie haben MIT-Forscher den Einfluss von KI-Kunst getestet, ohne die Modelle neu zu trainieren?

Sie entwickelten eine Methode namens 'Diffusion Ensembles', bei der viele kleinere Modellkomponenten auf überlappenden Datenschnitten trainiert wurden. Um den Einfluss eines Bildes zu testen, schalteten sie einfach die Komponenten 'aus', die das Bild gesehen hatten – ein weitaus effizienterer Prozess als das erneute Training des gesamten Modells.

Was bedeutet diese MIT-Studie für KI-Kunst-Klagen?

Sie erschwert Klagen erheblich, die darauf beruhen, zu beweisen, dass ein KI-Output von einem bestimmten Trainingsbild kopiert wurde. Gerichte werden sich nun wahrscheinlich stärker darauf konzentrieren, ob ein spezifischer KI-Output 'substanziell ähnlich' zu einem urheberrechtlich geschützten Werk ist, anstatt nur auf den Inhalt der Trainingsdaten.

Kann KI-generierte Kunst urheberrechtlich geschützt werden?

Nach geltendem US-Recht können Werke, die ausschließlich von einer KI ohne menschlichen kreativen Beitrag generiert wurden, nicht urheberrechtlich geschützt werden. Werke, die jedoch mit KI als Werkzeug erstellt wurden, können urheberrechtlich geschützt werden, wenn ein menschlicher Autor einen ausreichenden kreativen Ausdruck beigesteuert hat.