Resumen Técnico: Más allá de las comparaciones por pares: Una prueba de la distintividad distributiva para obras generadas por máquinas en el derecho de propiedad intelectual

1. Planteamiento del problema

El derecho de la propiedad intelectual (PI) se basa en una premisa empírica compartida: para justificar la protección (novedad, originalidad o distintividad), una obra debe ser significativamente distinta de una clase de referencia relevante. Sin embargo, las prácticas legales y técnicas actuales sufren un desajuste fundamental en la unidad de análisis.

• Práctica legal: Los tribunales suelen evaluar la distintividad mediante comparaciones por pares a nivel de ítem (por ejemplo, comparar una pintura individual con una referencia específica de estado de la técnica) mediadas por proxies humanos ("observador ordinario" o "persona con conocimientos ordinarios en la materia").
• El desafío de la IA generativa: Los modelos generativos son procesos estocásticos con espacios de salida efectivamente ilimitados. Evaluar una muestra finita de resultados frente a una clase de referencia produce una evaluación incompleta. Además, los evaluadores humanos tienen dificultades para distinguir el arte generado por IA del arte humano (logrando solo un ~58% de precisión), lo que hace que el proxy del "observador ordinario" sea poco fiable.
• Impasse teórico: El debate entre "regurgitación" (la IA simplemente memoriza sus datos de entrenamiento) e "interpolación" (la IA genera combinaciones novedosas) no puede resolverse mediante métricas a nivel de ítem. Las verificaciones verbatim omiten la mímica estilística, mientras que la similitud semántica por pares carece de una base estadística fundamentada para determinar si un proceso es distinto de una distribución.

2. Metodología

Los autores proponen una alternativa distributiva: una prueba de hipótesis de dos muestras basada en la Discrepancia de la Media Máxima (MMD) calculada sobre embeddings semánticos. Esto desplaza la unidad de análisis del ítem individual al proceso creativo.

2.1 Marco central

1. Embedding semántico: Los datos no numéricos (imágenes, texto) se mapean en espacios vectoriales de alta dimensión utilizando modelos fundacionales preentrenados (por ejemplo, CLIP para imágenes, SentenceTransformers para texto). Esto captura relaciones semánticas en lugar de la forma superficial.
2. Embeddings de la media del kernel (KME): Las distribuciones de probabilidad de los procesos creativos (Clase de Referencia $P$ frente a Proceso Candidato $Q$) se mapean en un Espacio de Hilbert de Núcleo Reproductor (RKHS).
3. Cálculo de MMD: Se calcula la MMD al cuadrado ($\text{MMD}^2$) como la distancia entre las KME de las dos distribuciones. Esto cuantifica la divergencia estadística entre los procesos.
   • Fórmula: $\text{MMD}^2(P, Q) = \|\mu_P - \mu_Q\|_H^2$.
   • El estimador utiliza un kernel de Función de Base Radial (RBF) Gaussiano, que es "característico", asegurando que $\text{MMD}^2 = 0$ si y solo si $P = Q$.
4. Prueba de hipótesis: Para proporcionar admisibilidad legal, el puntaje bruto de MMD se convierte en un valor p (p-value) mediante una prueba de permutación.
   • Hipótesis nula ($H_0$): $P = Q$ (Los procesos son idénticos; el candidato no es distinto).
   • Hipótesis alternativa ($H_1$): $P \neq Q$ (Los procesos son distintos).
   • La prueba determina si la divergencia observada excede lo que se esperaría por azar, permitiendo a los jueces de hecho establecer un estándar de prueba (nivel de significancia $\alpha$).

2.1 Estabilidad y robustez

• Embeddings aproximados: Los autores demuestran (Proposición 2) que la MMD es Lipschitz-continua con respecto a perturbaciones de kernel acotadas. Incluso con reducción de dimensionalidad (por ejemplo, UMAP) o ruido, la métrica permanece estable.
• Eficiencia de muestreo: El método está diseñado para ser efectivo con tamaños de muestra pequeños, algo crucial en contextos legales donde no se dispone de grandes conjuntos de datos.

3. Contribuciones clave

1. Cambio del ítem al proceso: El marco resuelve el "problema de la cardinalidad infinita" de la IA generativa al tratar la distintividad como una propiedad de la distribución subyacente en lugar de una comparación por pares de productos específicos.
2. Implementación libre de entrenamiento y eficiente en muestras: El método no requiere entrenamiento específico para la tarea ni acceso a los pesos propietarios del modelo. Puede detectar diferencias distributivas con tan solo 5 a 10 imágenes o 7 a 20 textos por grupo.
3. Identificación de la "Distintividad Interpolativa": El artículo proporciona evidencia empírica de que los modelos generativos no se limitan a la regurgitación de sus datos de entrenamiento. En su lugar, producen salidas que son semánticamente similares a las humanas pero estocásticamente distintas, ocupando regiones topológicas únicas dentro del espacio latente aprendido.

4. Resultados experimentales

4.1 Validación en MNIST (Imágenes controladas)

• Configuración: Se compararon las distribuciones de dígitos escritos a mano (0–9) utilizando un embedding LeNet-5.
• Hallazgos: El método logró una potencia estadística >95% (rechazo de $H_0$) con tan solo 6 muestras por distribución. Logró distinguir con éxito dígitos visualmente similares (por ejemplo, 3 frente a 5) donde las comparaciones de píxeles brutos fallaron.
• Robustez: La métrica se mantuvo estable bajo reducción de dimensionalidad y perturbaciones de entrada (ruido, marcas de agua), no rechazando la hipótesis nula para versiones perturbadas de la misma imagen.

4.2 Validación en Resúmenes de Patentes (Texto)

• Configuración: Se compararon resúmenes de patentes a través de tres secciones de la Clasificación Internacional de Patentes (IPC): Necesidades Humanas (A), Química (C) y Electricidad (H).
• Hallazgos: El método distinguió de manera fiable entre campos técnicos no relacionados (por ejemplo, Química frente a Electricidad) con 7–15 muestras por grupo. Los controles de mitad dividida (comparando subconjuntos del mismo campo) arrojaron resultados no significativos, confirmando que el método no detecta diferencias espurias.

4.3 Arte Generado por IA (Imágenes del mundo real)

• Conjunto de datos: AI-ArtBench (Arte humano frente a salidas de Stable Diffusion y Latent Diffusion a través de 10 estilos artísticos).
• La paradoja perceptual: Mientras que los evaluadores humanos distinguen el arte de la IA del arte humano con solo un ~58% de precisión, la prueba MMD detectó una robusta distintividad distributiva en todos los estilos ($p < 0.01$).
• Magnitud de la distintividad: La distancia entre las distribuciones Humana y de IA fue comparable a la distancia entre movimientos artísticos históricamente distintos (por ejemplo, Art Nouveau frente a Ukiyo-e).
• Auditoría de memorización: Las auditorías de vecino más cercano (CLIP, SSIM, LPIPS) no encontraron memorización sistemática. Los pocos casos señalados fueron visualizados como convergencias estilísticas (por ejemplo, paletas de colores compartidas) en lugar de replicación de contenido.
• Evolución de los modelos: A medida que los modelos evolucionaron de Latent Diffusion (2021) a FLUX-Krea (2025), la distintividad distributiva aumentó (los puntajes MMD subieron), lo que sugiere que los modelos están mejorando como interpoladores, no como mejores regurgitadores.
• Sensibilidad del embedding: La distintividad fue mayor en CLIP (ajeno a la IA), intermedia en DreamSim (consciente de la IA pero calibrado para humanos) y menor en el VAE de Stable Diffusion (nativo de la IA). Esto confirma que las salidas de la IA son valores atípicos genuinos en el espacio semántico humano, pero se ajustan al manifold latente del proceso generativo.

5. Significado y Reivindicaciones

El artículo afirma ofrecer un marco cuantitativo fundamentado para la adjudicación de la PI que aborda las limitaciones de los métodos actuales centrados en humanos y por pares.

• Admisibilidad legal: Al convertir las distancias distributivas en valores p mediante pruebas de permutación, el método proporciona evidencia empírica contrastable con tasas de error conocidas, satisfaciendo criterios como Daubert.
• Indagación bifurcada: Los autores proponen un enfoque dual:
  1. Prueba MMD: Para adjudicar la naturaleza del proceso generativo (¿es un proceso creativo distinto o un mero remuestreador?).
  2. Auditorías de memorización: Para detectar instancias específicas y raras de infracción a nivel de ítem (copia verbatim).
• Implicaciones para las doctrinas de PI:
  • Derecho de Autor (Copyright): Proporciona evidencia de "originalidad probabilística" y creación independiente, contrarrestando la crítica de la "regurgitación".
  • Patentes: Ofrece una métrica de "distancia generativa" relevante para la no obviedad.
  • Marcas Comerciales: Puede cuantificar la distintividad de la huella visual de una marca frente a una distribución de mercado.
• Limitaciones: Los autores reconocen que el método depende de la calidad de los embeddings (que pueden heredar sesgos) y de un muestreo representativo. Mide el modo dominante del proceso y no descarta eventos aislados de memorización, lo que requiere el enfoque bifurcado.

En resumen, el artículo argumenta que los modelos generativos funcionan como interpoladores semánticos dentro de un espacio latente aprendido, produciendo salidas que son estocásticamente distintas de sus distribuciones de entrenamiento, incluso cuando parecen perceptualmente similares a las creaciones humanas. Esta distintividad distributiva desafía la visión de la IA como una mera herramienta de regurgitación y sugiere la necesidad de que el derecho de la PI evolucione de las pruebas intuitivas por pares hacia la evidencia distributiva.