{"id":16023,"date":"2026-08-21T10:59:41","date_gmt":"2026-08-21T13:59:41","guid":{"rendered":"http:\/\/laf5.publisher.highstack.com.ar\/?p=16023"},"modified":"2026-08-21T10:59:41","modified_gmt":"2026-08-21T13:59:41","slug":"el-mit-pone-en-duda-una-idea-clave-sobre-las-imagenes-generadas-por-ia-eliminar-a-un-artista-del-entrenamiento-puede-no-cambiar-el-resultado","status":"publish","type":"post","link":"https:\/\/laf5.publisher.highstack.com.ar\/?p=16023","title":{"rendered":"El MIT pone en duda una idea clave sobre las im\u00e1genes generadas por IA: eliminar a un artista del entrenamiento puede no cambiar el resultado"},"content":{"rendered":"
\n

Una de las grandes preguntas que rodean a los generadores de im\u00e1genes mediante inteligencia artificial es cu\u00e1nto debe cada resultado a las obras utilizadas durante su entrenamiento. Artistas, fot\u00f3grafos y empresas llevan a\u00f1os reclamando que algunos modelos fueron entrenados con contenido protegido, mientras varias demandas intentan determinar hasta qu\u00e9 punto una imagen creada por IA puede considerarse derivada de una obra previa.<\/p>\n

Una investigaci\u00f3n del Laboratorio de Ciencias de la Computaci\u00f3n e Inteligencia Artificial del MIT (CSAIL) acaba de a\u00f1adir una nueva dificultad al problema. Sus investigadores comprobaron que, cuando los modelos se entrenan con cantidades enormes de informaci\u00f3n, la influencia individual de una fotograf\u00eda o incluso del cat\u00e1logo completo de un artista puede volverse extremadamente peque\u00f1a.<\/p>\n

El equipo bautiz\u00f3 este fen\u00f3meno como \u201cdecaimiento de la atribuci\u00f3n\u201d.<\/p>\n

Cuantos m\u00e1s datos aprende una IA, menos pesa cada imagen<\/h2>\n

La l\u00f3gica parece sencilla. Un modelo generativo aprende a partir de enormes colecciones de im\u00e1genes y, a medida que aumenta ese conjunto, cada elemento representa una fracci\u00f3n cada vez menor de todo lo que el sistema ha visto.<\/p>\n

El problema era demostrarlo experimentalmente.<\/p>\n

Para conocer realmente cu\u00e1nto influye una determinada fotograf\u00eda en un modelo habr\u00eda que eliminarla del conjunto de entrenamiento, volver a entrenar el sistema desde cero y comparar posteriormente sus resultados.<\/p>\n

Repetir ese proceso con modelos entrenados mediante millones o miles de millones de im\u00e1genes ser\u00eda demasiado caro y lento. Por eso, los investigadores del MIT dise\u00f1aron una arquitectura diferente.<\/p>\n

\"El
\u00a9 Magnific<\/figcaption><\/figure>\n

Encontraron una forma de \u201cborrar\u201d im\u00e1genes sin entrenar de nuevo toda la IA<\/h2>\n

En lugar de utilizar un \u00fanico sistema enorme, el equipo construy\u00f3 un modelo compuesto por m\u00faltiples componentes m\u00e1s peque\u00f1os, cada uno entrenado con distintos subconjuntos de datos.<\/p>\n

Esta estructura permite estudiar qu\u00e9 ocurrir\u00eda si una imagen determinada nunca hubiera formado parte del entrenamiento. Para hacerlo, los cient\u00edficos pueden simplemente desactivar los componentes que tuvieron acceso a ese contenido y observar c\u00f3mo cambia el resultado.<\/p>\n

El mismo procedimiento puede utilizarse para eliminar no solo una fotograf\u00eda, sino tambi\u00e9n todas las obras asociadas a un determinado artista.<\/p>\n

Los experimentos mostraron algo llamativo: en modelos suficientemente grandes, retirar una obra concreta puede producir cambios m\u00ednimos o pr\u00e1cticamente imperceptibles en la imagen final generada. Incluso eliminar conjuntos m\u00e1s amplios vinculados a un \u00fanico creador puede tener una influencia sorprendentemente peque\u00f1a.<\/p>\n

Esto podr\u00eda complicar las demandas por derechos de autor<\/h2>\n

El descubrimiento entra directamente en uno de los debates legales m\u00e1s importantes alrededor de la inteligencia artificial generativa.<\/p>\n

Numerosos artistas sostienen que estos modelos producen im\u00e1genes gracias a haber aprendido de sus obras y que, por lo tanto, existe una relaci\u00f3n entre el material utilizado durante el entrenamiento y el resultado generado.<\/p>\n

El trabajo del MIT no demuestra que las obras originales sean irrelevantes para entrenar una IA. El modelo necesita aprender de grandes cantidades de contenido para desarrollar sus capacidades. Lo que plantea es algo m\u00e1s espec\u00edfico: puede resultar extremadamente dif\u00edcil demostrar que una imagen generada depende de una obra individual concreta.<\/p>\n

Y esa diferencia podr\u00eda resultar importante cuando un tribunal intenta establecer si existe una copia, una transformaci\u00f3n o una influencia suficientemente directa para justificar una reclamaci\u00f3n.<\/p>\n

\n

MIT @techreview: MIT CSAIL study finds attribution decay in AI art: as training data scales, removing a single image oftenLeaves no change in output. Implications for authorship, copyright, and regulation across Europe\u2019s AI policy landscape. Publication:\u2026 <\/p>\n

\u2014 Nordic AI Institute (@nordicinst) August 18, 2026<\/p>\n<\/blockquote>\n

La IA no parece funcionar como una simple m\u00e1quina de hacer collages<\/h2>\n

El estudio tambi\u00e9n pone en cuesti\u00f3n una explicaci\u00f3n habitual sobre los modelos generativos: la idea de que simplemente toman peque\u00f1os fragmentos de las im\u00e1genes utilizadas durante el entrenamiento y los reorganizan para producir algo nuevo.<\/p>\n

En sistemas de gran escala, el proceso parece ser mucho m\u00e1s distribuido. Las caracter\u00edsticas aprendidas proceden de cantidades enormes de datos y terminan mezcl\u00e1ndose dentro del modelo hasta que resulta dif\u00edcil se\u00f1alar una \u00fanica fuente responsable de un resultado.<\/p>\n

Eso no resuelve el conflicto sobre derechos de autor. De hecho, posiblemente lo haga todav\u00eda m\u00e1s complejo.<\/p>\n

Hasta ahora, una de las grandes preguntas era si una IA hab\u00eda utilizado una determinada obra para aprender. El trabajo del MIT introduce otra igual de inc\u00f3moda: aunque sepamos que la utiliz\u00f3, \u00bfc\u00f3mo demostramos cu\u00e1nto influy\u00f3 realmente en lo que termin\u00f3 creando?<\/p>\n

\u00a0<\/p>\n

\u00a0<\/p>\n

Fuente: Infobae.<\/p>\n<\/p><\/div>\n","protected":false},"excerpt":{"rendered":"

Una de las grandes preguntas que rodean a los generadores de im\u00e1genes mediante inteligencia artificial es cu\u00e1nto debe cada resultado a las obras utilizadas durante su entrenamiento. Artistas, fot\u00f3grafos y empresas llevan a\u00f1os reclamando que algunos modelos fueron entrenados con contenido protegido, mientras varias demandas intentan determinar hasta qu\u00e9 punto una imagen creada por IA […]<\/p>\n","protected":false},"author":1,"featured_media":16024,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-16023","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-sin-categoria"],"_links":{"self":[{"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/posts\/16023","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=16023"}],"version-history":[{"count":0,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/posts\/16023\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/media\/16024"}],"wp:attachment":[{"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=16023"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=16023"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=16023"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}