🤖 AI

Beyond Pairwise Comparisons: A Distributional Test of Distinctiveness for Machine-Generated Works in Intellectual Property Law

Cet article propose un test de comparaison de deux échantillons de distribution basé sur la discrépance de moyenne maximale afin de déterminer si les œuvres générées par machine sont statistiquement distinctes de celles créées par l'humain, démontrant que les modèles génératifs produisent des contenus sémantiquement semblables à ceux de l'humain mais stochastiquement uniques qui remettent en question la vision de ces modèles comme de simples régurgitateurs de leurs données d'entraînement.

Auteurs originaux : Anirban Mukherjee, Hannah Hanwen Chang

Publié 2026-01-27

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Anirban Mukherjee, Hannah Hanwen Chang

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le grand problème : Le « un par un » contre « l'océan infini »

Imaginez que vous êtes un juge essayant de décider si une nouvelle peinture est véritablement originale ou s'il s'agit simplement d'une copie de peintures anciennes.

Comment la loi fonctionne habituellement :
Actuellement, la loi agit comme un détective examinant deux photos spécifiques côte à côte. Il demande : « Est-ce que cette peinture spécifique ressemble exactement à cette peinture ancienne spécifique ? » Si la réponse est non, il peut dire qu'elle est originale. Cela fonctionne très bien si vous comparez deux artistes humains qui ont réalisé quelques centaines de peintures chacun.

Le problème de l'IA :
Maintenant, imaginez un artiste IA capable de peindre un nombre infini d'images. Il ne possède pas seulement un portfolio fixe ; il possède un « processus génératif » capable de créer des variations infinies.

Si vous ne comparez qu'une image d'IA à une image humaine, vous aurez peut-être de la chance et constaterez qu'elles sont différentes.
Mais si vous choisissez une autre image d'IA, elle pourrait être identique à une image humaine.
Parce que l'IA peut créer des images infinies, les vérifier « une par une » est impossible. C'est comme essayer de trouver un grain de sable spécifique sur une plage en regardant un grain à la fois. Vous ne saurez jamais si l'ensemble de la plage est différent.

De plus, les humains sont mauvais pour repérer la différence. Des études montrent que même les experts ne parviennent à distinguer l'art de l'IA de l'art humain que dans 58 % des cas (à peine mieux qu'un lancer de pièce). Le « juge » humain échoue donc.

La solution : L'« empreinte digitale du processus »

Les auteurs proposent une nouvelle façon d'aborder le problème. Au lieu de comparer l'Objet A à l'Objet B, ils comparent l'empreinte digitale du processus entier qui a créé l'Objet A à l'empreinte digitale du processus qui a créé l'Objet B.

Voyez cela comme ceci :

L'ancienne méthode : Comparer deux empreintes digitales individuelles pour voir si elles correspondent.
La nouvelle méthode : Analyser le sol où les empreintes ont été trouvées. Si un ensemble d'empreintes provient d'une forêt boueuse et l'autre d'une plage de sable, vous savez que le processus de création des empreintes est différent, même si deux empreintes spécifiques se ressemblent.

Comment cela fonctionne : Le « test de goût statistique »

Les auteurs utilisent un outil mathématique appelé Discrépance de la Moyenne Maximale (Maximum Mean Discrepancy - MMD). Voici une façon simple de le comprendre :

Traduction : D'abord, ils traduisent les images (ou le texte) dans un « langage » que les ordinateurs comprennent, appelé embeddings (plongements). Imaginez transformer une peinture en une longue liste de nombres qui décrivent son style, ses couleurs et son humeur, plutôt qu'en simples pixels.
Le Nuage : Ils prennent un petit groupe de peintures d'IA et un petit groupe de peintures humaines et les transforment en deux « nuages » de points dans un espace multidimensionnel.
Le Test : Ils posent une question statistique : « Ces deux nuages proviennent-ils de la même source ? »
- Si l'IA se contente de régurgiter (copier-coller) les données d'entraînement anciennes, son nuage se situera exactement sur celui du nuage humain.
- Si l'IA fait de l'interpolation (mélanger et assortir des idées pour créer quelque chose de nouveau), son nuage sera dans un endroit différent, même s'il se trouve toujours dans le même quartier.

La découverte surprenante : Le « paradoxe perceptuel »

L'article a découvert quelque chose de très intéressant, qu'ils appellent un paradoxe perceptuel :

Ce que voient les humains : Les humains regardent une peinture d'IA et une peinture humaine et disent : « Elles se ressemblent. » (Ils ne peuvent pas faire la différence).
Ce que voit les mathématiques : Les mathématiques regardent la distribution des peintures d'IA et disent : « Elles sont statistiquement différentes des peintures humaines. »

L'analogie :
Imaginez un chef humain et un chef robot.

Le chef humain prépare 1 000 soupes uniques.
Le chef robot goûte les soupes humaines et apprend la recette.
Si le robot se contente de régurgiter, il vous sert exactement les mêmes 1 000 soupes.
Si le robot fait de l'interpolation, il crée 1 000 nouvelles soupes qui ont un goût très similaire aux soupes humaines, mais si vous analysiez la composition chimique de l'ensemble du lot, vous trouveriez que les soupes du robot ont un « profil de saveur » légèrement différent parce qu'il mélange les ingrédients de nouvelles manières.

L'article prouve que l'IA fait la deuxième chose. Elle ne fait pas que copier ; elle crée un nouveau « profil de saveur » distinct, qui est mathématiquement différent des humains, même s'il a le même goût (aspect) pour nos sens.

Pourquoi cela importe pour la loi

C'est rapide et peu coûteux : Vous n'avez pas besoin de voir des milliers d'images. Les mathématiques peuvent faire la différence avec seulement 5 à 10 images par groupe. C'est idéal pour les affaires judiciaires où l'on ne peut pas accéder aux données d'entraînement secrètes de l'IA.
C'est objectif : Cela élimine le biais humain. Puisque les humains ne peuvent pas distinguer la différence de manière fiable, cet outil donne au juge une « règle » qui fonctionne réellement.
Cela prouve la créativité (en quelque sorte) : Les résultats suggèrent que l'IA n'est pas juste une « photocopieuse » d'Internet. C'est un « interpolateur sémantique ». Elle apprend les règles de l'art et crée de nouvelles combinaisons au sein de ces règles. Cela remet en question l'idée que l'IA ne fait que voler et répéter.

Résumé

L'article soutient que pour juger l'IA devant un tribunal, nous devons cesser de regarder des images isolées et commencer à regarder le schéma statistique de l'ensemble du groupe. Ils ont construit un test mathématique capable de détecter la différence entre l'art humain et l'art de l'IA avec une grande précision, même lorsque les humains ne le peuvent pas. Cela prouve que l'IA crée une « distribution » de travail unique et distincte, suggérant qu'elle fait quelque chose de plus complexe que le simple copier-coller.

Résumé technique : Au-delà des comparaisons par paires : Un test distributionnel de la distinction pour les œuvres générées par machine en droit de la propriété intellectuelle

1. Énoncé du problème

Le droit de la propriété intellectuelle (PI) repose sur une prémisse empirique partagée : pour justifier une protection (nouveauté, originalité ou distinction), une œuvre doit être significativement distincte d'une classe de référence pertinente. Cependant, les pratiques juridiques et techniques actuelles souffrent d'une inadéquation fondamentale de l'unité d'analyse.

Pratique juridique : Les tribunaux évaluent généralement la distinction à l'aide de comparaisons par paires au niveau de l'élément (par exemple, comparer une peinture spécifique à une référence d'art antérieur spécifique), médiatisées par des proxys humains (« observateur ordinaire » ou « personne ayant des compétences ordinaires dans le domaine »).
Le défi de l'IA générative : Les modèles génératifs sont des processus stochastiques dotés d'espaces de sortie effectivement illimités. L'évaluation d'un échantillon fini de sorties par rapport à une classe de référence produit une évaluation incomplète. De plus, les évaluateurs humains peinent à distinguer l'art généré par l'IA de l'art humain (atteignant seulement environ 58 % de précision), rendant le proxy de l'« observateur ordinaire » peu fiable.
Impasse théorique : Le débat entre la « régurgitation » (l'IA ne fait que mémoriser ses données d'entraînement) et l'« interpolation » (l'IA génère des combinaisons novatrices) ne peut être résolu par des mesures au niveau de l'élément. Les vérifications verbatim ignorent le mimétisme stylistique, tandis que la similitude sémantique par paires manque d'une base statistique rigoureuse pour déterminer si un processus est distinct d'une distribution.

2. Méthodologie

Les auteurs proposent une alternative distributionnelle : un test d'hypothèse à deux échantillons basé sur la distance de Maximum Mean Discrepancy (MMD) calculée sur des plongements sémantiques (embeddings). Cela déplace l'unité d'analyse de l'élément individuel vers le processus créatif.

2.1 Cadre de base

Plongement sémantique (Embedding) : Les données non numériques (images, texte) sont projetées dans des espaces vectoriels de haute dimension à l'aide de modèles de fondation pré-entraînés (par exemple, CLIP pour les images, SentenceTransformers pour le texte). Cela capture les relations sémantiques plutôt que la forme de surface.
Plongements de moyenne de noyau (KME) : Les distributions de probabilité des processus créatifs (Classe de Référence $P$ vs Processus Candidat $Q$ ) sont projetées dans un espace de Hilbert à noyau reproduisant (RKHS).
Calcul de la MMD : La MMD au carré ( $\text{MMD}^2$ $MMD^{2}$ ) est calculée comme la distance entre les KME des deux distributions. Cela quantifie la divergence statistique entre les processus.
- Formule : $\text{MMD}^2(P, Q) = \|\mu_P - \mu_Q\|_H^2$ .
- L'estimateur utilise un noyau de fonction de base radiale (RBF) gaussien, qui est « caractéristique », garantissant que $\text{MMD}^2 = 0$ si et seulement si $P = Q$ .
Test d'hypothèse : Pour assurer l'admissibilité juridique, le score MMD brut est converti en une valeur p (p-value) via un test de permutation.
- Hypothèse nulle ( $H_0$ ) : $P = Q$ (Les processus sont identiques ; le candidat n'est pas distinct).
- Hypothèse alternative ( $H_1$ ) : $P \neq Q$ (Les processus sont distincts).
- Le test détermine si la divergence observée dépasse ce qui serait attendu par le simple fait du hasard, permettant aux décideurs de fixer un seuil de preuve (niveau de signification $\alpha$ ).

2.2 Stabilité et robustesse

Plongements approximatifs : Les auteurs prouvent (Proposition 2) que la MMD est Lipschitz-continue par rapport aux perturbations de noyaux bornés. Même avec une réduction de dimensionnalité (ex. : UMAP) ou du bruit, la métrique reste stable.
Efficacité d'échantillonnage : La méthode est conçue pour être efficace avec de petits échantillons, ce qui est crucial dans les contextes juridiques où de grands ensembles de données peuvent faire défaut.

3. Contributions clés

Passage de l'élément au processus : Le cadre résout le problème de la « cardinalité infinie » de l'IA générative en traitant la distinction comme une propriété de la distribution sous-jacente plutôt que comme une comparaison par paires de sorties spécifiques.
Mise en œuvre sans entraînement et efficace en échantillonnage : La méthode ne nécessite ni entraînement spécifique à une tâche, ni accès aux poids propriétaires des modèles. Elle peut détecter des différences distributionnelles avec seulement 5 à 10 images ou 7 à 20 textes par groupe.
Identification de la « distinction interpolative » : L'article fournit des preuves empiriques que les modèles génératifs ne se contentent pas de régurgiter leurs données d'entraînement. Au lieu de cela, ils produisent des sorties qui sont sémantiquement humaines mais stochastiquement distinctes, occupant des régions topologiques uniques au sein de l'espace latent appris.

4. Résultats expérimentaux

4.1 Validation sur MNIST (Images contrôlées)

Configuration : Comparaison des distributions de chiffres manuscrits (0–9) utilisant un plongement LeNet-5.
Résultats : La méthode a atteint une puissance statistique de >95 % (rejet de $H_0$ ) avec seulement 6 échantillons par distribution. Elle a réussi à distinguer des chiffres visuellement similaires (ex. : 3 vs 5) là où les comparaisons de pixels bruts échouaient.
Robustesse : La métrique est restée stable sous la réduction de dimensionnalité et les perturbations d'entrée (bruit, filigranes), ne rejetant pas l'hypothèse nulle pour les versions perturbées d'une même image.

4.2 Validation sur les résumés de brevets (Texte)

Configuration : Comparaison de résumés de brevés à travers trois sections de la Classification Internationale des Brevets (CIB) : Nécessités humaines (A), Chimie (C) et Électricité (H).
Résultats : La méthode a distingué de manière fiable des domaines techniques non liés (ex. : Chimie vs Électricité) avec 7 à 15 échantillons par groupe. Les contrôles de division de moitié (comparant des sous-ensembles du même domaine) ont donné des résultats non significatifs, confirmant que la méthode ne détecte pas de différences spécieuses.

4.3 Art généré par l'IA (Images réelles)

Jeu de données : AI-ArtBench (Art humain vs sorties de Stable Diffusion et Latent Diffusion à travers 10 styles artistiques).
Le paradoxe perceptuel : Alors que les évaluateurs humains distinguent l'IA de l'art humain avec seulement ~58 % de précision, le test MMD a détecté une distinction distributionnelle robuste à travers tous les styles ( $p < 0,01$ ).
Magnitude de la distinction : La distance entre les distributions Humaine et IA était comparable à la distance entre des mouvements artistiques historiquement distincts (ex. : Art Nouveau vs Ukiyo-e).
Audit de mémorisation : Les audits de plus proches voisins (CLIP, SSIM, LPIPS) n'ont trouvé aucune mémorisation systématique. Les rares cas signalés ont été visualisés comme des convergences stylistiques (ex. : palettes de couleurs partagées) plutôt que comme des réplications de contenu.
Évolution des modèles : À mesure que les modèles évoluaient de Latent Diffusion (2021) vers FLUX-Krea (2025), la distinction distributionnelle augmentait (les scores MMD augmentaient), suggérant que les modèles deviennent de meilleurs interpolateurs, et non de meilleurs régurgitateurs.
Sensibilité des plongements : La distinction était la plus élevée dans CLIP (naïf vis-à-vis de l'IA), intermédiaire dans DreamSim (conscient de l'IA mais calibré sur l'humain), et la plus faible dans le VAE de Stable Diffusion (natif de l'IA). Cela confirme que les sorties de l'IA sont de véritables anomalies dans l'espace sémantique humain, mais qu'elles s'insèrent dans le manifold latent du processus génératif.

5. Signification et revendications

L'article affirme offrir un cadre quantitatif et fondé pour l'adjudication de la PI qui répond aux limites des méthodes actuelles centrées sur l'humain et par paires.

Admissibilité juridique : En convertissant les distances distributionnelles en valeurs p via des tests de permutation, la méthode fournit des preuves empiriques testables avec des taux d'erreur connus, satisfaisant des critères tels que Daubert.
Enquête bifurquée : Les auteurs proposent une double approche :
1. Test MMD : Pour juger de la nature du processus génératif (est-ce un processus créatif distinct ou un simple ré-échantillonneur ?).
2. Audits de mémorisation : Pour détecter des cas spécifiques et rares de contrefaçon au niveau de l'élément (copie verbatim).
Implications pour les doctrines de la PI :
- Droit d'auteur : Fournit des preuves de « l'originalité probabiliste » et de la création indépendante, contrant la critique de la « régurgitation ».
- Brevets : Offre une métrique de « distance générative » pertinente pour la non-évidence.
- Marques : Peut quantifier la distinction de l'empreinte visuelle d'une marque par rapport à une distribution de marché.
Limites : Les auteurs reconnaissent que la méthode dépend de la qualité des plongements (qui peuvent hériter de biais) et d'un échantillonnage représentatif. Elle mesure le mode dominant du processus et ne permet pas d'exclure des événements de mémorisation rares, nécessitant l'approche bifurquée.

En résumé, l'article soutient que les modèles génératifs fonctionnent comme des interpolateurs sémantiques au sein d'un espace latent appris, produisant des sorties qui sont statistiquement distinctes de leurs distributions d'entraînement, même lorsqu'elles paraissent perceptuellement similaires aux créations humaines. Cette distinction distributionnelle remet en question la vision de l'IA comme un simple outil de régurgitation et suggère que le droit de la PI doit évoluer de l'intuition basée sur des tests par paires vers des preuves distributionnelles.