Intelligenza Artificiale e Arte: il Nuovo Studio del MIT Rivela Come l’AI Usa le Opere degli Artisti

«È davvero un’opera originale o solo un collage indistinto?» La domanda si ripresenta, puntuale, ogni volta che un’intelligenza artificiale sforna un’immagine nuova. Tra polemiche e accuse di plagio, la questione si fa più complicata grazie a uno studio del MIT. Secondo i ricercatori Zheng Dai e David K. Gifford, non è più così semplice risalire all’origine di un’immagine generata dall’AI, soprattutto perché le macchine elaborano quantità sempre più immense di dati visivi. Il risultato? Un fenomeno chiamato «attribution decay»: la perdita progressiva della capacità di attribuire un’immagine a un artista o a un’opera precisa. Una sfida che cambia le regole del gioco nel mondo dell’arte digitale.

Quando l’attribuzione si perde: come funziona l’“attribution decay” nelle AI

Al centro della ricerca ci sono i modelli di diffusione, una tecnologia avanzata che permette di generare immagini e video con l’intelligenza artificiale. Il sistema viene addestrato su un grande numero di immagini, che analizza per cogliere regole e schemi ricorrenti. Dai e Gifford hanno dimostrato che più sono le immagini e più variegati i contenuti usati per l’addestramento, meno è possibile risalire a un’opera o a un artista specifico responsabile diretto di un’immagine prodotta dall’AI.

In parole semplici, ogni singola immagine nel dataset perde peso nel processo creativo della macchina. Anche se si elimina una foto o tutte quelle di uno stesso autore, il modello continua a produrre immagini simili senza cambiamenti evidenti. L’immagine generata può richiamare lo stile di un artista, ma quella somiglianza non è una prova certa che quell’artista abbia davvero influenzato il risultato.

I ricercatori hanno provato questa teoria sia su immagini singole sia su gruppi di opere dello stesso autore o soggetto, verificando più volte che, man mano che il numero complessivo di dati cresce, gli effetti della rimozione di elementi specifici diventano sempre più sfumati.

La tecnica “ablation” del MIT per capire da dove nasce un’immagine AI

Per studiare questo fenomeno, Dai e Gifford hanno dovuto affrontare un problema tecnico: i modelli di diffusione non conservano le immagini come file separati da richiamare. Durante l’addestramento, il modello modifica i suoi parametri in base a tutte le immagini viste insieme, quindi non basta togliere un’immagine per capire cosa succede.

La soluzione è stata la cosiddetta tecnica “ablation”. Il modello viene costruito partendo da componenti indipendenti, ognuno addestrato su una parte diversa del dataset. Togliendo selettivamente le parti legate a un’immagine o a un artista, i ricercatori hanno potuto osservare come cambiano i risultati senza dover rifare tutto l’addestramento, un’operazione praticamente impossibile su vasta scala.

Applicando questo metodo a 24 modelli diversi, utilizzando sette dataset pubblici che vanno da poche centinaia a centinaia di migliaia di immagini, lo studio ha confermato un dato chiaro: più immagini di partenza ci sono, più è difficile attribuire un’immagine prodotta a una fonte precisa. Diversi test, sia a livello visivo sia sul contenuto, hanno confermato la validità di questi risultati.

Perché la ridondanza nei grandi archivi rende complicata l’attribuzione

Secondo i ricercatori, il motivo principale sta nella ridondanza informativa che si trova nei dataset molto grandi. Molte immagini condividono caratteristiche simili: colori, composizioni, forme ricorrenti, schemi strutturali. Di conseguenza, il modello non si basa su singoli elementi isolati, ma su un intreccio diffuso di informazioni prese da tante immagini diverse.

In pratica, togliere un singolo riferimento non cancella quei pattern, perché il sistema li ha imparati da molte fonti. Questo spiega perché un’immagine AI può assomigliare allo stile di un artista senza dipendere davvero da quella specifica opera o autore.

Va detto però che questa è una spiegazione basata sull’interpretazione dei dati, non una conclusione definitiva. Rappresenta comunque un passo avanti per capire come questi sistemi apprendono.

Attenzione a non confondere somiglianza con attribuzione

Un punto importante è il rischio di confondere la somiglianza visiva con una vera attribuzione. Con più dati di partenza, cresce la possibilità di errori nel riconoscere le fonti delle immagini AI solo guardando lo stile o l’aspetto.

Questo significa che un’immagine simile a un’opera protetta non è necessariamente prodotta grazie a quella specifica opera. È una distinzione che ha conseguenze pesanti, soprattutto sul piano legale: un’immagine può richiamare un artista, ma il modello può aver usato informazioni da centinaia o migliaia di fonti senza dipendere in modo determinante da nessuna in particolare.

Copiare o no? Cosa dice davvero lo studio del MIT sull’AI e le immagini

Non bisogna però fraintendere: lo studio non sostiene che l’AI non possa mai copiare o memorizzare immagini usate durante l’addestramento. Anzi, è noto che su dataset enormi i modelli possono a volte generare copie quasi perfette di immagini originali.

La differenza sta nel concetto di “attribuzione causale” a un’opera singola. Anche se l’AI può riprodurre immagini protette, non è semplice dimostrare che una specifica immagine prodotta derivi direttamente da un autore o da un’opera precisa.

Questo doppio aspetto – tra riproduzione e attribuzione – è fondamentale per capire il ruolo reale degli artisti nel processo creativo delle AI.

Diritti d’autore e intelligenza artificiale: un terreno sempre più complicato

La ricerca apre scenari difficili sull’uso delle opere protette nei dataset che servono ad addestrare intelligenze artificiali commerciali. Se diventa quasi impossibile attribuire un’immagine a un singolo artista, si complica anche la tutela legale e la richiesta di compensi per l’uso delle opere.

I ricercatori del MIT sottolineano come questa «impossibilità di attribuire» possa creare grandi problemi soprattutto quando si tratta di sfruttare economicamente le immagini generate. Se non si può identificare con precisione quale opera o autore abbia influito, diventa più difficile garantire giusti compensi o mettere limiti all’uso del materiale usato per l’addestramento.

Per questo motivo, il dibattito si sposta sulle condizioni di licenza e autorizzazione, prima ancora che sulle immagini generate. Il punto è capire quali opere possono entrare nei dataset, con quali regole e obblighi verso gli autori originali.

Il futuro dell’attribuzione e del copyright nell’era delle AI

Una cosa è chiara: più cresce la quantità di immagini usate per addestrare le AI, più si perde la possibilità di riconoscere con certezza la mano di un singolo artista o la fonte di un’opera. Non significa che l’AI lavori senza il contributo delle opere di partenza, ma quel contributo si perde nella massa, rendendo difficile risalire a chi ha influito davvero.

Il lavoro del MIT, pubblicato nel 2024 su Nature Communications, offre un punto di partenza importante per riflettere sulle sfide che ci aspettano in materia di copyright, uso etico dei dati e rispetto del lavoro creativo. Nel frattempo, il confronto tra tecnologia e mondo dell’arte si fa più complesso, mentre si cerca un equilibrio tra innovazione e tutela dei diritti.