強(qiáng)大的人工智能模型有時(shí)會(huì)出現(xiàn)錯(cuò)誤，包括虛構(gòu)錯(cuò)誤信息或?qū)⑺�人作品作為自己的。為了解決后者的問(wèn)題，德克薩斯大學(xué)奧斯汀分校的研究團(tuán)隊(duì)開發(fā)了一種名為 "Ambient Diffusion" 的框架。該框架通過(guò)對(duì)無(wú)法辨認(rèn)的圖像數(shù)據(jù)進(jìn)行訓(xùn)練，繞過(guò)了 AI 模型復(fù)制他人作品的問(wèn)題。

　　DALL-E、Midjourney 和 Stable Diffusion 是文本到圖像擴(kuò)散生成的人工智能模型，它們能夠?qū)⑷我庥脩粑谋巨D(zhuǎn)化為高度逼真的圖像。這三個(gè)模型都面臨著藝術(shù)家提起訴訟的問(wèn)題，他們聲稱生成的樣本復(fù)制他們的作品。這些模型是通過(guò)訓(xùn)練數(shù)十億個(gè)圖像 - 文本對(duì)來(lái)實(shí)現(xiàn)的，這些對(duì)外不公開，它們能夠生成高質(zhì)量的圖像，但可能會(huì)使用版權(quán)圖像并復(fù)制它們。

　　"Ambient Diffusion" 框架的提出解決了這個(gè)問(wèn)題，通過(guò)僅通過(guò)擾亂后的圖像數(shù)據(jù)對(duì)擴(kuò)散模型進(jìn)行訓(xùn)練。初步實(shí)驗(yàn)表明，該框架仍然能夠生成高質(zhì)量的樣本，而不需要看到任何可識(shí)別為原始源圖像的內(nèi)容。研究團(tuán)隊(duì)首先在一組3000張名人圖片上訓(xùn)練了一個(gè)擴(kuò)散模型，然后使用該模型生成了新的樣本。

　　在實(shí)驗(yàn)中，用清晰的數(shù)據(jù)訓(xùn)練的擴(kuò)散模型明顯復(fù)制了訓(xùn)練樣本。但當(dāng)研究人員對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行擾亂，隨機(jī)遮擋圖像中的個(gè)別像素，然后用新的方法對(duì)模型進(jìn)行重新訓(xùn)練時(shí)，生成的樣本保持了高質(zhì)量，但看起來(lái)完全不同。該模型仍然可以生成人臉，但生成的人臉與訓(xùn)練圖像有明顯的區(qū)別。

　　研究人員表示，這指向了一個(gè)解決方案，盡管可能會(huì)改變性能，但永遠(yuǎn)不會(huì)輸出噪聲。這一框架為學(xué)術(shù)研究人員如何推進(jìn)人工智能以滿足社會(huì)需求提供了一個(gè)示例。德克薩斯大學(xué)奧斯汀分校已將2024年宣布為 "AI 之年"，這是今年的一個(gè)關(guān)鍵主題。該研究團(tuán)隊(duì)還包括加州大學(xué)伯克利分校和麻省理工學(xué)院的成員。