Pesquisadores do MIT CSAIL publicaram em agosto de 2026 um estudo na Nature Communications mostrando que modelos de difusão treinados com datasets grandes costumam gerar imagens impossíveis de atribuir a um único arquivo, rosto ou artista do conjunto de treino. A cobertura do Gizmodo em 25 de agosto retomou o trabalho de Zheng Dai e David Gifford no contexto de processos de artistas contra empresas de IA generativa, mas o resultado vem de experimentos controlados com arquitetura própria, não de auditoria de Midjourney ou Stable Diffusion em produção.
Fato confirmado pelo artigo científico: os autores treinaram 24 ensembles de difusão em subconjuntos de 256 a 162.770 imagens retiradas de sete bases públicas, entre elas CIFAR-10, CelebA, MetFaces e ArtBench. Para cada imagem gerada, mediram o raio contrafactual, a maior diferença observada quando removem uma unidade de treino sem retreinar o modelo inteiro. Quanto maior o dataset, menor esse raio, relação que os autores chamam de decaimento de atribuição e descrevem como lei de potência inversa.
O artigo Outputs of generative diffusion models are often unattributable, publicado na Nature Communications em agosto de 2026, introduz o decaimento de atribuição ao medir o raio contrafactual de imagens geradas por ensembles de difusão treinados entre 256 e 162.770 exemplos. A cobertura do Gizmodo, de 25 de agosto, retoma a entrevista com Zheng Dai e liga o resultado ao debate sobre prova de plágio em modelos comerciais, enquanto o release do MIT CSAIL descreve a arquitetura de ensemble que tornou viável remover dados de treino sem retreinar o modelo inteiro.
Como o experimento evita retreinar tudo
Retreinar um modelo de difusão a cada remoção de dado seria inviável em escala. Dai e Gifford construíram um ensemble de difusão modular: vários componentes menores aprendem fatias diferentes do dataset e depois se combinam. Para simular a ausência de uma foto, de um rosto ou de um artista inteiro, basta desligar os componentes expostos àquele material. O artigo afirma que esse método elimina a influência causal do dado omitido de forma exata, não aproximada.
A equipe compara a imagem factual com o universo contrafactual gerado ao omitir cada unidade. Se remover a Mona Lisa ou todo o acervo de Leonardo da Vinci não altera perceptivelmente a saída, concluem que aquela imagem específica não pode ser ligada causalmente àquele trecho do dataset. Em datasets pequenos, as contrafactuais divergem mais; em datasets grandes, ficam agrupadas perto do original, sinal de atribuição fraca ou inexistente.
O que muda para rostos, artistas e imagens isoladas
Fato confirmado: o decaimento aparece quando a unidade de treino é uma imagem única, todas as fotos de uma pessoa no CelebA ou todas as obras de um artista no MetFaces. Em escalas altas, torna-se inviável atribuir uma pessoa gerada a alguém real do treino ou uma obra sintética a um criador específico, segundo os testes publicados. Os autores replicaram o efeito com modelos condicionados por texto e por classe, com proporção fixa de dados removidos e com retreino completo em escala menor para descartar artefato da ablação.
O artigo também mostra que atribuição por similaridade visual, o vizinho mais próximo no dataset, produz falsos positivos crescentes conforme o treino aumenta. Omitir a imagem supostamente responsável muitas vezes não muda a saída, prova de que a semelhança superficial engana quando o modelo foi alimentado com massa enorme de exemplos redundantes.
Contexto legal e o que ainda é inferência
Gifford, citado no release do MIT CSAIL retomado pelo Gizmodo, argumenta que os achados levantam perguntas sobre obras derivadas, fair use, copyrightabilidade da saída e compensação a autores quando o arquivo gerado não aponta para nenhum item da internet. Isso é interpretação dos autores sobre política pública, não decisão judicial. O estudo não analisou modelos comerciais fechados nem provou impossibilidade matemática em todo cenário, apenas mostrou decaimento robusto nos ensembles testados.
Inferência prudente: modelos como Midjourney e Stable Diffusion operam com datasets ordens de magnitude maiores que 162.770 imagens, limite superior do experimento. Os autores escrevem que muitos sistemas comerciais treinam com até cerca de 10^9 imagens, escala onde o decaimento já seria acentuado nos gráficos publicados. Extrapolação a processo específico no tribunal americano ou europeu deve ser evitada até que peritos apliquem a metodologia a um modelo real sob litígio.
Privacidade versus plágio aparente
Paradoxo destacado no artigo: o mesmo fenômeno que dificulta provar roubo de estilo também sugere que retratos gerados podem ser causalmente independentes de qualquer foto real usada no treino, quando o dataset é grande o bastante. Isso reforça debate sobre privacidade de rostos coletados na web versus direito moral de artistas que veem saídas visualmente parecidas com o próprio trabalho.
O paper reconhece exceção: literatura de memorização mostra que modelos de produção ainda podem copiar quase pixel a pixel um exemplo raro, taxa da ordem de uma em um milhão segundo citação interna do artigo. Decaimento de atribuição não elimina memorização pontual, mas indica que a maioria das amostras comuns não depende de um único arquivo identificável.
Ferramentas de marca d'água e o vácuo forense
Marcas invisíveis como SynthID, C2PA e GUID embutido em pixels, temas que o ImgUtils já acompanhou em outras matérias, respondem a pergunta diferente: se o arquivo passou por pipeline de IA ou carrega metadado de proveniência. O estudo do MIT ataca outra camada: mesmo provando geração sintética, ainda pode ser impossível dizer qual obra humana influenciou estatisticamente aquela saída.
Para quem recebe JPEG suspeito de imitar ilustração ou retrato de terceiro, comparar nitidez, ruído e transições de cor continua útil antes de acionar jurídico ou pedir takedown. Eu abro o arquivo em Efeitos e filtros no ImgUtils para inspecionar halos, repetição de textura e bordas incoerentes em cópia de trabalho, mantendo o original intacto para eventual perícia. A ferramenta não mede raio contrafactual nem substitui laudo acadêmico, mas separa sinal visual grosseiro de plágio declarado de arquivo que só parece familiar.
O que está comprovado e o que falta
Confirmado: publicação Outputs of generative diffusion models are often unattributable na Nature Communications, DOI 10.1038/s41467-026-75667-5; existência do conceito decaimento de atribuição; 24 ensembles testados; queda significativa do raio contrafactual com p menor que 10^-5 nos testes reportados; cobertura jornalística do Gizmodo em 25 de agosto de 2026 citando Zheng Dai.
Não confirmado nesta redação: aplicação da metodologia a checkpoint comercial específico; posição de juízes ou reguladores europeus sobre o paper; se empresas de IA generativa usarão o resultado como escudo automático em todos os processos de artistas.
Checklist para leitores de imagem digital
1. Semelhança visual não prova que um arquivo de treino específico causou a saída em modelos grandes.
2. Marcas de proveniência detectam pipeline de IA, não autoria estatística do estilo.
3. Memorização rara ainda é possível mesmo com decaimento de atribuição agregado.
4. Processos de copyright precisam distinguir prova tecnológica de plágio e prova de influência causal no treino.
5. Antes de compartilhar acusação pública, arquive o arquivo original e documente diferenças visuais verificáveis.
Decaimento de atribuição não absolve plágio visual, mas redefine o que ciência de dados consegue provar quando o treino já engoliu milhões de imagens.