AAAIApr, 2024

AI 版税 —— 补偿 AI 生成内容的艺术家和知识产权持有者的知识产权框架

PDF
TL;DR探讨人工智能生成内容如何扰乱创意产业的核心收入来源，特别是知识产权（IP）权益的分红。通过审核人工智能生成系统的输入与输出之间的知识产权和版权问题，提出了一种系统性方法，使用图像相似度度量（CLIP）将图像与历史版权裁决进行比较，以评估 AI 生成的产出，尤其是图像是否侵犯了之前的版权。对先前提出的补偿框架进行经济和技术可行性审查，揭示了这些框架对创意者和知识产权持有人的财务影响。最后，提出了一个新颖的知识产权框架，以基于他们发布的 “许可 AI” 作为新媒介和资产来收取人工智能版税。
ai-generated contentcreative industriesintellectual property rightscopyright questionscompensation framework
发现论文，激发创造
  • 生成 AI 版权挑战的经济解决方案

    我们提出了一个框架，通过依靠现代生成型人工智能模型的概率性质和经济学中的合作博弈理论技术，按比例向版权所有者补偿其对人工智能生成内容的贡献，实现对生成型人工智能版权的解决。实验证明，我们的框架成功地识别了艺术品生成中使用的最相关的数据源，确保在版权所有者之间公平而可解释的收益分配。

    Apr, 2024

  • 计算版权：面向 AI 音乐生成平台的版税模型

    该研究旨在针对生成式人工智能在音乐产业中所引发的版权挑战，重点关注经济方面的问题，并提出了用于 AI 音乐生成平台的潜在版税模式。研究方法包括对 Spotify 和 YouTube 等现有版税模式进行详细分析，并将其适应于 AI 生成音乐的特殊背景。研究通过数据归属技术提出了解决 AI 生成音乐与训练数据中有影响力的受版权保护内容之间归属问题的算法解决方案，并通过实验结果验证了这些解决方案的有效性。该研究在生成式人工智能领域中首次整合了技术进步与经济和法律考虑，为 AI 技术的不透明性带来的挑战提供了计算版权解决方案。

    Dec, 2023

  • 一次训练中的数据 Shapley

    通过概率生成人工智能模型和协作博弈理论，我们提出了一个补偿版权所有者的框架，以解决生成人工智能的版权挑战，并确保公平分配收益。

    Jun, 2024

  • 生成人工智能和版权：动态视角

    通过建立一个带有内生内容创作和 AI 模型发展的动态模型，我们研究了公平使用标准和 AI 版权可保护性对人工智能发展、AI 公司利润、创作者收入和消费者福利的影响，并揭示了这些影响如何受到各种经济和运营因素的影响，为政策制定者提供了动态、具体背景的决策方法和为全球监管环境中的商业领导者提供了见解。

    Feb, 2024

  • 不确定边界：生成式人工智能中的版权问题的多学科方法

    这篇文献综述了生成人工智能领域中与版权侵权相关的问题，包括侵权检测的方法、保护版权作品的现有技术、评估侵权行为的资源和工具，以及 AI 相关法规和提案，从多个学科角度全面阐述了 AI 驱动内容和版权的意义和问题。

    Mar, 2024

  • 生成型人工智能与美国知识产权法

    生成型 AI 技术对艺术家权益、内容制作、数据收集、隐私、信息准确性和知识产权等方面产生了法律和伦理问题，尤其在是否侵犯了人类创作者的知识产权方面引发了法律挑战。AI 模型生成的结果能否满足现行法律下侵权的法定标准，各个法院的早期判断并不一致。

    Nov, 2023

  • 生成型人工智能中数据的知识产权保护方法评述

    大型生成型人工智能（GAI）模型可以生成逐渐无法区分是否人工生成的文本、图片、声音和其他形式的媒体。本文研究了训练数据的知识产权问题，重点关注生成模型的特性，探讨可能导致潜在知识产权侵犯的滥用行为，并提出了一个分类体系，对 GAI 中保护数据免受知识产权侵犯的技术解决方案进行系统评述。

    Apr, 2024

  • 生成式人工智能中的版权保护：技术视角

    从技术角度综述了版权保护，包括数据源权利保护和生成模型版权保护，探讨了数据所有者保护内容和合法利用 DGMs 的方法，以及防止模型盗取和识别特定模型生成结果的策略。同时，强调了现有技术限制和待开发领域，并讨论了版权保护对 Generative AI 可持续和道德发展的重要性。

    Feb, 2024

  • 评估和缓解视觉生成人工智能中的知识产权侵权

    通过对视觉生成 AI 模型进行广泛评估，我们发现当输入提示包含角色的名称或其特征的描述时，最先进的视觉生成模型能够生成与主要娱乐公司（如索尼、漫威和任天堂）持有的知识产权相似的内容，由此引发潜在的法律担忧。为了减轻此类知识产权侵权问题，我们提出一种防御方法，通过在扩散过程中利用引导技术，开发了一种修订生成范例，这种范例能够识别可能侵权的生成内容，并在整个扩散过程中减轻侵权行为，而无需重新训练或微调预训练模型。对 Spider-Man、Iron Man 和 Superman 等知名角色的实验表明了所提出的防御方法的有效性。

    Jun, 2024

  • 应对 GenAI 版权问题：原创性估计与泛化

    通过引入量化数据原创性的度量标准，并采用泛化方法，修改生成模型的输出以符合版权要求，实验结果表明该方法可以成功将文本到图像生成模型的输出转化为更通用符合版权的图像。

    Jun, 2024