当任何有奇思妙想和互联网连接的人都可以访问计算机生成的图像时，“人工智能艺术”的创作也引发了质疑和诉讼。 关键问题似乎是 1）它实际上是如何工作的，2）它可以取代什么工作，以及 3）艺术家的劳动如何能在这种变化下得到相应的尊重？ 人工智能的诉讼在很大程度上与版权有关。 这些版权问题非常复杂，我们专门用另外一篇的文章来单独讨论它们。此文将专注于更棘手的非法律问题。 AI艺术生成器如何工作？ AI 艺术生成器的一声由两个不同的部分组成。 例如，首先是教它“狗”是什么，或者更抽象一点，“愤怒”是什么样子的数据。 接着是系统针对提示进行响应并输出。 早期，当生成器没有接受足够的训练时，这些输出只是松散地反映了提示。但最终，生成器将看到足够多的图像来弄清楚如何正确进行响应（这也是人类的做法）。 AI 生成的创意内容可以涵盖从“根据我在发烧梦中看到的图像提示”到“写得非常糟糕的博客文章”。 AI艺术生成器如何“学习”？ AI艺术生成器依赖于“机器学习”。 在机器学习过程中，训练算法接收大量数据并分析其不同方面之间的关系。 AI艺术生成有赖于通过接受图像和描述这些图像的文本进行训练。 在分析了图像数据的特征与文本之间的关系后，生成器就可以使用这组关联来生成新图像。 这就是它如何能够接受文本输入——一个“提示”——比如“狗”，并根据其训练数据生成（即“输出”）与输入文本相关联的像素排列。 这些“输出”的性质取决于系统的训练数据、训练模型以及系统的人类创造者所做的选择。 例如：通过提供带有与公共网页上的图像接近的文本标记的图像来训练模型，效果不如使用带有明确的、人工生成的标签的手动注释图像进行训练。 此过程与婴儿学习事物的过程没有太大区别。 例如，很多孩子起初会将所有的动物都认成“小狗”，直到他们有足够的接触和成人的纠正来区分“小狗”和“马”。 面对那些对人类来说都属于模糊的联系，机器学习当然也会犯类似的错误。 例如，如果图像包含标尺，则癌症分类器可以“学习”该图像显示肿瘤。 AI 学会了一条捷径：放射科医生确定为癌性肿瘤的结构图像上有标尺，用于缩放和跟踪尺寸。 良性增生的训练图像来自不同的集合，它们没有标尺。 除了训练数据质量带来的影响，还有不同训练“模型”的影响。 这些模型的名称类似于“扩散”或“生成对抗网络”(GAN)。这些模型中的每一个都有不同的优点和缺点（在撰写本文时，扩散模型通常被认为是最先进的）。 在模型训练期间，程序员引入变量来确定模型输出与其训练数据中图像的相似性。 其他变量决定了系统是优先为提示创建紧密匹配，还是通过输出模型具有较低“信心”（一种用于描述统计确定性的数学术语）作为用户提示匹配的图像来更具实验性。 一些模型允许用户在向模型输入提示的同时调整这些变量。 训练数据来自何方？ 通常，训练数据来自网络抓取：找到含有关联文本的可用图像（在某些情况下，随后会增添注释）。 这意味着图像的创作者或图像中描绘的人可能并不知道或明确同意将版权图像纳入分析。 对于最近涉及两场诉讼的“Stable Diffusion”系统——一起由代表几位视觉艺术家的集体诉讼和另一起由 Getty Images 提起的诉讼——其数据集由非营利组织 LAION 索引的 50 亿张图像组成。 有关与这些训练集相关的版权问题的分析，请参阅我们的其他博客。...

We're taking part in Copyright Week, a series of actions and discussions supporting key principles that should guide copyright policy. Every day this week, various groups are taking on different elements of copyright law and policy, and addressing what's at stake, and what we need to do to make...

Network usage fees, the idea that certain types of companies should pay internet service providers (ISPs) for the ability to deliver their content to consumers, both hurts consumers and breaks the status quo that has facilitated the rapid spread of the global internet. ISPs claim these fees are necessary because...