وقتی یک هوش مصنوعی تصویر تولید می‌کند، چه کسی مسئول خلق آن است؟ این سوال در مرکز دعاوی حقوقی، توافق‌نامه‌های صدور مجوز و مقررات پیشنهادی در سراسر جهان قرار دارد. هنرمندان خواستار دریافت اعتبار هستند. شرکت‌ها به دنبال شفافیت می‌گردند. قانون‌گذاران راهی برای تعیین مسئولیت می‌خواهند.

تحقیقات جدیدی از سوی تیمی از محققان آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) نشان می‌دهد که برای مدل‌هایی که بر روی مجموعه‌ داده‌های بزرگ آموزش دیده‌اند، ممکن است پاسخ این سوال اغلب وجود نداشته باشد. مشکل در ابزارهای یافتن آن نیست، بلکه خود ارتباط از بین رفته است.

دانشمندان پدیده‌ای را شناسایی کرده‌اند که به آن "کاهش انتساب" می‌گویند؛ هرچه یک مدل تولیدی بر روی داده‌های بیشتری آموزش ببیند، هر مثال آموزشی منفرد در خروجی خاص اهمیت کمتری پیدا می‌کند. این موضوع غیرمنطقی به نظر می‌رسد، اما محققان دریافته‌اند که در مقیاس‌های بزرگ، اغلب می‌توان یک تصویر واحد را از داده‌های آموزشی حذف کرد، یا تمام تصاویر یک هنرمند خاص، یا هر عکسی از یک فرد معین را حذف کرد و نمونه‌ی تولید شده تغییر نخواهد کرد.

محققان استدلال می‌کنند اگر حذف چیزی تغییری ایجاد نکند، نمی‌توان گفت که آن چیز مسئولیت دارد. «اگر بخشی از داده‌ها را حذف کنید و خروجی مدل تغییر نکند، پس آن بخش از داده‌ها بر خروجی تأثیری نداشته است»، می‌گوید ژنگ دای، محقق سابق CSAIL MIT و نویسنده اصلی این تحقیق. «بنابراین، نسبت دادن خروجی به آن بخش از داده‌ها منطقی نیست. و اگر سپس این کار را یک به یک برای هر قطعه‌ی دیگر انجام دهید...»