Un reciente estudio de investigadores del Laboratorio de Ciencias de la Computación y Inteligencia Artificial del MIT ha revelado un fenómeno intrigante en el ámbito de la inteligencia artificial: a medida que los modelos generativos son entrenados con más datos, la posibilidad de rastrear las imágenes generadas hasta sus fuentes originales disminuye. Este fenómeno ha sido denominado “decadencia de la atribución”.
Zheng Dai, exinvestigador del MIT y autor principal del estudio publicado en la revista Nature Communications, señaló que si al eliminar un fragmento de datos el resultado del modelo se mantiene sin cambios, entonces ese dato específico no tuvo influencia en la salida. Este enfoque lleva a la conclusión de que atribuir un resultado a un dato particular carece de sentido si su eliminación no afecta la producción del modelo. Este principio aplicado de manera sistemática a todos los datos subraya que, en última instancia, la responsabilidad de las imágenes generadas se vuelve ambigua.
En su investigación, los científicos entrenaron 24 conjuntos de modelos en conjuntos de datos que iban desde 256 imágenes hasta más de 160,000, todas tomadas de colecciones públicas. La metodología implica reiniciar el modelo desde cero cada vez que se eliminaba una imagen, lo que permitió observar resultados concretos. A diferencia de estudios previos que utilizaban estimaciones para evaluar la influencia de las imágenes de origen, este trabajo establece un método riguroso que asegura la eliminación absoluta de las entradas y cualquier influencia asociada.
David Gifford, profesor del MIT y principal investigador de CSAIL, destacó que las técnicas anteriores eran aproximadas y no podían demostrar de manera concluyente que eliminar elementos individuales no alteraba los resultados. En cambio, el nuevo enfoque proporciona una manera exacta de realizar eliminaciones a gran escala y demostrar que los resultados no cambian.
Al poner su conjunto de modelos frente a 24 modelos convencionales de difusión entrenados con los mismos datos, los investigadores concluyeron que las imágenes generadas mostraban una calidad comparable según las medidas estándar.
Estas nuevas revelaciones también plantean cuestiones legales importantes sobre si las salidas de estos modelos son meras obras derivadas, lo que tiene implicaciones en derechos de autor. Gifford resalta que estos modelos pueden considerarse creativos, ya que no copian simplemente el material proporcionado, sino que generan nuevas salidas. Si estas producciones no están ligadas a ninguna imagen original, se abren interrogantes sobre el uso justo, la posibilidad de que estas creaciones sean consideradas obras originales y cómo deben remunerarse los autores en situaciones donde la producción no puede atribuirse a ninguna fuente específica.
Este estudio, con fecha de publicación del 19 de agosto de 2026, no solo marca un avance en la comprensión de la relación entre los modelos de IA y sus fuentes de datos, sino que también invita a una reflexión más profunda sobre la creatividad y la propiedad intelectual en la era digital.
Gracias por leer Columna Digital, puedes seguirnos en Facebook, Twitter, Instagram o visitar nuestra página oficial. No olvides comentar sobre este articulo directamente en la parte inferior de esta página, tu comentario es muy importante para nuestra área de redacción y nuestros lectores.
