In Kürze

  • Forschende um den ehemaligen MIT-CSAIL-Mitarbeiter Zheng Dai und MIT-Professor David Gifford haben mit einer neuen, exakten Ablationsmethode erstmals in grossem Massstab getestet, was passiert, wenn einzelne Bilder, alle Werke einer Künstlerin oder alle Fotos einer Person vollständig aus dem Trainingsdatensatz eines Bildgenerierungsmodells entfernt werden.
  • Das Ergebnis: Bei genügend grossen, aus vielen Teilkomponenten zusammengesetzten Modellen («Diffusion Ensembles») verändert sich die generierte Ausgabe oft kaum messbar, selbst wenn ein einzelnes Trainingsbild oder ein ganzes Werkkonvolut vollständig gelöscht wird – ein Effekt, den die Forschenden «Attribution Decay» nennen.
  • Anders als frühere Annäherungsverfahren löscht die neue Methode Trainingsdaten und deren Einfluss auf das Modell tatsächlich vollständig und nachweisbar, statt den Effekt nur zu schätzen; die Studie erschien mit offenem Zugang in Nature Communications.

Was ist passiert?

Ein Forschungsteam um den ehemaligen MIT-CSAIL-Forscher Zheng Dai und MIT-Professor David Gifford hat am 18. August 2026 über MIT News eine neue Studie zur Nachvollziehbarkeit von Trainingsdaten bei generativen Bildmodellen vorgestellt. Im Zentrum steht eine neu entwickelte, exakte Ablationsmethode: Statt den Einfluss einzelner Trainingsbilder auf ein KI-generiertes Bild nur näherungsweise zu schätzen, löschen die Forschenden ein Bild – oder auch sämtliche Werke einer bestimmten Künstlerin beziehungsweise alle Fotografien einer bestimmten Person – vollständig samt ihres gesamten Einflusses aus dem Modell und vergleichen anschliessend, was das Modell ohne diese Daten erzeugt hätte. Angewendet wurde die Methode auf sogenannte Diffusion Ensembles, Architekturen aus vielen unterschiedlichen, auf unterschiedlichen Datenausschnitten trainierten Teilkomponenten.

Das zentrale Ergebnis der Studie ist ein Effekt, den die Forschenden «Attribution Decay» nennen: Je grösser der Trainingsdatensatz eines Modells ist, desto weniger Gewicht hat jedes einzelne Trainingsbeispiel für eine konkrete generierte Ausgabe. Bei ausreichend grossen Modellen lässt sich häufig ein einzelnes Bild, ein komplettes Werkkonvolut einer Künstlerin oder sämtliche Fotos einer Person entfernen, ohne dass sich das generierte Ergebnis merklich verändert. Die Studie wurde mit offenem Zugang in der Fachzeitschrift Nature Communications veröffentlicht.

Warum ist das wichtig?

Die Frage, ob und wie stark einzelne urheberrechtlich geschützte Werke in KI-generierten Bildern «fortleben», steht im Zentrum zahlreicher laufender Rechtsstreitigkeiten gegen KI-Anbieter weltweit – von Klagen einzelner Künstlerinnen und Künstler bis zu Sammelklagen grosser Verlage. Die neue MIT-Studie liefert dazu erstmals eine methodisch belastbare, exakte statt nur geschätzte Antwort und zeigt, dass sich die einfache Vorstellung eines direkten, nachweisbaren Zusammenhangs zwischen einem bestimmten Trainingsbild und einer bestimmten generierten Ausgabe bei sehr grossen Modellen zunehmend auflöst.

Für die politische und juristische Debatte um KI und Urheberrecht ist der Befund ambivalent: Anbieter könnten argumentieren, dass einzelne Werke bei grossen Modellen ohnehin kaum mehr individuell nachweisbar beitragen und eine Vergütungspflicht pro Werk daher praktisch schwer umsetzbar sei. Kreativschaffende und ihre Vertretungen dürften dagegen einwenden, dass genau diese Unauffindbarkeit das eigentliche Problem ist – weil sie es Betroffenen erschwert, im Einzelfall überhaupt nachzuweisen, dass und in welchem Umfang ihre Werke verwendet wurden.

Was bedeutet das für die Schweiz?

  • Die Schweiz kennt mit dem Urheberrechtsgesetz (URG) eigene Regeln zur Nutzung geschützter Werke für das Training von KI-Modellen, deren genaue Anwendung auf generative KI bislang kaum gerichtlich geklärt ist; eine Studie, die zeigt, dass sich einzelne Werke bei grossen Modellen kaum noch auf konkrete Ausgaben zurückführen lassen, dürfte sowohl von Anbietern als auch von Kreativschaffenden in künftigen Schweizer Auseinandersetzungen um Vergütung und Zustimmungspflichten als Argument herangezogen werden.
  • Für Schweizer Kreativbranchen – von Illustration über Fotografie bis zu Musik – verschärft der Befund ein grundsätzliches Beweisproblem: Wenn der Einfluss eines einzelnen Werks auf ein KI-generiertes Bild bei grossen Modellen kaum mehr nachweisbar ist, wird es für einzelne Urheberinnen und Urheber schwieriger, eine konkrete Schädigung oder Übernahme im Einzelfall gerichtsfest zu belegen.
  • Gleichzeitig liefert die von den Forschenden entwickelte exakte Löschmethode ein technisches Werkzeug, das auch für Schweizer Anbieter relevant werden könnte, die im Rahmen von Löschbegehren nach Datenschutzgesetz (DSG) oder auf gerichtliche Anordnung hin nachweisen müssen, dass bestimmte Trainingsdaten tatsächlich und vollständig aus einem Modell entfernt wurden.

Verwendete Quellen

MIT News veröffentlichte die Zusammenfassung am 18. August 2026; die zugrunde liegende Studie von Zheng Dai und David Gifford erschien mit offenem Zugang in Nature Communications.

Häufige Fragen

Was ist die Kernaussage zu MIT-Studie: Je grösser der Trainingsdatensatz, desto schwerer lässt sich ein KI-Bild auf einzelne Quellen zurückführen?

Forschende um den ehemaligen MIT-CSAIL-Mitarbeiter Zheng Dai und MIT-Professor David Gifford haben mit einer neuen, exakten Ablationsmethode erstmals in grossem Massstab getestet, was passiert, wenn einzelne Bilder, alle Werke einer Künstlerin oder alle Fotos einer Person vollständig aus dem Trainingsdatensatz eines Bildgenerierungsmodells entfernt werden.

Warum ist diese KI-Meldung für die Schweiz relevant?

Die Schweiz kennt mit dem Urheberrechtsgesetz (URG) eigene Regeln zur Nutzung geschützter Werke für das Training von KI-Modellen, deren genaue Anwendung auf generative KI bislang kaum gerichtlich geklärt ist; eine Studie, die zeigt, dass sich einzelne Werke bei grossen Modellen kaum noch auf konkrete Ausgaben zurückführen lassen, dürfte sowohl von Anbietern als auch von Kreativschaffenden in künftigen Schweizer Auseinandersetzungen um Vergütung und Zustimmungspflichten als Argument herangezogen werden.

Welche Quelle nutzt KI News Schweiz für diese Einordnung?

MIT News veröffentlichte die Zusammenfassung am 18. August 2026; die zugrunde liegende Studie von Zheng Dai und David Gifford erschien mit offenem Zugang in Nature Communications.