MIT 发现「归因衰减」：AI 图像难溯训练数据

MIT CSAIL 的一项新研究揭示了「归因衰减」现象：随着生成模型训练数据量的增加，任何单条训练样本对特定输出的影响微乎其微。在大规模数据下，从训练集中删除任意单张图片、某位艺术家的全部作品、甚至某人的全部照片，模型生成的样本往往不会发生变化。当前结论是：AI 生成的图像在很大程度上无法追溯回其具体训练数据源，这对版权诉讼的举证逻辑与作者认定具有重要影响。

已确认

• 研究由 MIT 完成、CSAIL 参与发布，@frankster、@WarmAd1257、@nordicinst、@MITCSAIL 多个帖子转述了同一核心结论：生成的图像往往无法追溯到具体训练数据源。
• @MITCSAIL 直接指出：在大规模模型中，删除单个图像、某位艺术家的所有作品或某人的所有照片，生成样本往往不变。
• 研究将此现象命名为「归因衰减」，认为模型在训练中发生了某种程度的抽象与重组，而非简单的记忆与复现，生成图像不能被用来反推训练集中的原始图像。

为什么重要

• 该发现挑战了「AI 艺术只是复制训练数据」的常规认知，暗示通过逆向工程找到具体训练样本可能比预期更困难，使「作者」概念在 AI 时代变得模糊。
• 对版权归属与「作者」认定构成根本性挑战：如果移除数据不改变输出，特定输出与特定训练样本之间的因果关系就难以成立，直接影响 AI 版权诉讼的举证逻辑。
• @nordicinst 指出，研究结论对作者权、版权以及欧洲 AI 政策讨论具有潜在影响。

2026-08-19 ~ 2026-08-20 · 6 条相关

• 【源头】MIT 新研究：训练数据越多，单张图片对生成结果越无足轻重 — MIT_CSAIL · 2026-08-19
• MIT 研究：AI 艺术常无法追溯至训练数据 — nordicinst · 2026-08-19
• MIT 研究：生成式图像常无法追溯至训练数据 — frankster · 2026-08-19

另有 3 条近重复转述:MIT_CSAIL · Warm_Ad1257 · Warm_Ad1257