🤖 AI

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

Dit artikel stelt een distributionele, twee-steekproeftoets voor op basis van maximum mean discrepancy om te bepalen of door machines gegenereerde werken statistisch verschillen van door mensen gecreëerde werken, waarmee wordt aangetoond dat generatieve modellen semantisch menselijke maar stochastisch unieke outputs produceren die de visie op hen als louter herkauwers van trainingsdata uitdagen.

Oorspronkelijke auteurs: Anirban Mukherjee, Hannah Hanwen Chang

Gepubliceerd 2026-01-27

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Anirban Mukherjee, Hannah Hanwen Chang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Probleem: De "Eén-voor-één" versus de "Oneindige Oceaan"

Stel je voor dat je een rechter bent die moet beslissen of een nieuw schilderij echt origineel is of gewoon een kopie van oude werken.

Hoe de wet normaal werkt:
Momenteel werkt de wet als een detective die twee specifieke foto's naast elkaar legt. Ze vragen: "Lijkt dit specifieke nieuwe schilderij precies op dat specifieke oude schilderij?" Als het antwoord nee is, kunnen ze zeggen dat het origineel is. Dit werkt prima als je twee menselijke kunstenaars vergelijkt die elk een paar honderd schilderijen hebben gemaakt.

Het AI-probleem:
Stel je nu een AI-kunstenaar voor die een oneindig aantal plaatjes kan schilderen. Het heeft niet alleen een vast portfolio; het heeft een "generatief proces" dat eindeloze variaties kan creëren.

Als je één AI-plaatje vergelijkt met één menselijk plaatje, heb je misschien geluk en lijken ze verschillend.
Maar als je een ander AI-plaatje kiest, kan het identiek zijn aan een menselijk plaatje.
Omdat de AI oneindig veel plaatjes kan maken, is het "één-voor-één" controleren onmogelijk. Het is alsoals proberen een specifiek zandkorreltje op een strand te vinden door telkens één korreltje te bekijken. Je zult nooit weten of het hele strand anders is.

Bovendien zijn mensen slecht in het spotten van het verschil. Onderzoek toont aan dat zelfs experts AI-kunst van menselijke kunst slechts in ongeveer 58% van de gevallen kunnen onderscheiden (nauwelijks beter dan een muntje opgooien). Dus de menselijke "rechter" faalt.

De Oplossing: De "Vingerafdruk van het Proces"

De auteurs stellen een nieuwe manier voor om naar het probleem te kijken. In plaats van Object A te vergelijken met Object B, vergelijken ze de vingerafdruk van het hele proces dat Object A maakte met de vingerafdruk van het proces dat Object B maakte.

Denk hieraan als volgt:

De oude manier: Twee individuele vingerafdrukken vergelijken om te zien of ze overeenkomen.
De nieuwe manier: De grond analyseren waar de vingerafdrukken zijn gevonden. Als één set afdrukken uit een modderig bos kwam en de andere van een zandstrand, weet je dat het proces van het maken van de afdrukken anders is, zelfs als twee specifieke afdrukken op elkaar lijken.

Hoe het werkt: De "Statistische Smaaktest"

De auteurs gebruiken een wiskundig hulpmiddel genaamd Maximum Mean Discrepancy (MMD). Hier is een eenvoudige manier om dit te begrijpen:

Vertaling: Eerst vertalen ze afbeeldingen (of tekst) naar een "taal" die computers begrijpen, genaamd embeddings. Stel je voor dat je een schilderij verandert in een lange lijst met getallen die de stijl, kleuren en stemming beschrijven, in plaats van alleen de pixels.
De Wolk: Ze nemen een kleine groep AI-schilderijen en een kleine groep menselijke schilderijen en veranderen deze in twee "wolken" van punten in een meerdimensionale ruimte.
De Test: Ze stellen een statistische vraag: "Komen deze twee wolken uit dezelfde bron?"
- Als de AI simpelweg regurgiteert (kopiëren en plakken) van oude trainingsdata, zal haar wolk recht bovenop de menselijke wolk liggen.
- Als de AI interpoleert (ideeën mengt en combineert om iets nieuws te creëren), zal haar wolk op een andere plek liggen, ook al bevindt ze zich nog steeds in dezelfde buurt.

De Verrassende Ontdekking: De "Perceptuele Paradox"

Het artikel vond iets zeer interessants, wat zij de Perceptuele Paradox noemen:

Wat Mensen Zien: Mensen kijken naar een AI-schilderij en een menselijk schilderij en zeggen: "Ze lijken op elkaar." (Ze kunnen het verschil niet zien).
Wat de Wiskunde Ziet: De wiskunde kijkt naar de verdeling van de AI-schilderijen en zegt: "Deze zijn statistisch gezien verschillend van de menselijke schilderijen."

De Analogie:
Stel je een menselijke chef en een robotchef voor.

De menselijke chef maakt 1.000 unieke soepen.
De robotchef proeft de menselijke soepen en leert het recept.
Als de robot alleen regurgiteert, serveert hij je exact dezelfde 1.000 soepen.
Als de robot interpoleert, creëert hij 1.000 nieuwe soepen die qua smaak erg lijken op de menselijke soepen, maar als je de chemische samenstelling van de gehele batch zou analyseren, zou je merken dat de soepen van de robot een iets ander "smaakprofiel" hebben omdat hij ingrediënten op nieuwe manieren mengt.

Het artikel bewijst dat de AI het tweede doet. Het kopieert niet alleen; het creëert een nieuw, afwijkend "smaakprofiel" dat wiskundig gezien anders is van de menselijke werken, ook al smaakt (lijkt) het hetzelfde voor onze zintuigen.

Waarom dit Belangrijk is voor het Recht

Het is Snel en Goedkoop: Je hoeft niet duizenden plaatjes te zien. De wiskunde kan het verschil aantonen met slechts 5 tot 10 afbeeldingen per groep. Dit is ideaal voor rechtszaken waarbij je geen toegang hebt tot de geheime trainingsdata van de AI.
Het is Objectief: Het verwijdert de menselijke bias. Omdat mensen het verschil niet betrouwbaar kunnen zien, geeft dit instrument de rechter een "liniaal" die daadwerkelijk werkt.
Het Bewijst Creativiteit (In zekere zin): De resultaten suggereren dat AI niet slechts een "fotokopieerapparaat" van het internet is. Het is een "semantische interpolator". Het leert de regels van de kunst en creëert nieuwe combinaties binnen die regels. Dit daagt het idee uit dat AI alleen maar steelt en herhaalt.

Samenvatting

Het artikel betoogt dat om AI in de rechtszaal te beoordelen, we moeten stoppen met het kijken naar individuele plaatjes en moeten gaan kijken naar het statistische patroon van de hele groep. Ze hebben een wiskundige test gebouwd die het verschil tussen menselijke en AI-kunst met hoge nauwkeurigheid kan opsporen, zelfs wanneer mensen dat niet kunnen. Dit bewijst dat AI een unieke, afzonderlijke "verdeling" van werk creëert, wat suggereert dat het iets complexers doet dan alleen kopiëren en plakken.

Technische Samenvatting: Voorbij Paarwise Vergelijkingen: Een Distributionele Test van Distinctiviteit voor Door Machines gegenereerde Werken in het Intellectueel Eigendomsrecht

1. Probleemstelling

Het recht op intellectuele eigendom (IE) rust op een gedeelde empirische premisse: om bescherming te verdienen (nieuwheid, originaliteit of distinctiviteit), moet een werk betekenisvol verschillen van een relevante referentieklasse. De huidige juridische en technische praktijken lijden echter aan een fundamentele mismatch in de analyse-eenheid.

Juridische Praktijk: Rechtbanken beoordelen distinctiviteit doorgaans aan de hand van item-niveau, paarwise vergelijkingen (bijv. het vergelijken van één specifiek schilderij met een specifieke referentie uit de stand van de techniek), bemiddeld door menselijke proxies ("de gemiddelde waarnemer" of "de vakman").
De Uitdaging van Generatieve AI: Generatieve modellen zijn stochastische processen met effectief onbegrensde outputruimtes. Het beoordelen van een eindige steekproef van outputs tegenover een referentieklasse levert een incomplete beoordeling op. Bovendien hebben menselijke beoordelaars moeite om AI-gegenereerde kunst van menselijke kunst te onderscheiden (met slechts ~58% nauwkeurigheid), waardoor de proxy van de "gemiddelde waarnemer" onbetrouwbaar wordt.
Theoretische Impasse: Het debat tussen "regurgitatie" (AI die slechts trainingsdata memoriseert) en "interpolatie" (AI die nieuwe combinaties genereert) kan niet worden opgelost door middel van item-niveau metrieken. Verbatim-controles missen stilistische nabootsing, terwijl semantische gelijkenis op paarwise niveau geen principieel statistisch fundament heeft om te bepalen of een proces onderscheidend is van een distributie.

2. Methodologie

De auteurs stellen een distributioneel alternatief voor: een tweestichters-hypothesetest gebaseerd op Maximum Mean Discrepancy (MMD), berekend op semantische embeddings. Dit verschuift de analyse-eenheid van het individuele item naar het creatieve proces.

2.1 Kernkader

Semantische Embedding: Niet-numerieke data (afbeeldingen, tekst) worden in hoog-dimensionale vectorenruimtes gemapt met behulp van getrainde foundation models (bijv. CLIP voor afbeeldingen, SentenceTransformers voor tekst). Dit legt semantische relaties vast in plaats van louter de oppervlakkige vorm.
Kernel Mean Embeddings (KME): De waarschijnlijkheidsdistributies van de creatieve processen (Referentieklasse $P$ versus Kandidaat Proces $Q$ ) worden gemapt in een Reproducing Kernel Hilbert Space (RKHS).
MMD-berekening: De gekwadrateerde MMD ( $\text{MMD}^2$ $MMD^{2}$ ) wordt berekend als de afstand tussen de KMEs van de twee distributies. Dit kwantificeert de statistische divergentie tussen de processen.
- Formule: $\text{MMD}^2(P, Q) = \|\mu_P - \mu_Q\|_H^2$ .
- De estimator gebruikt een Gaussische Radial Basis Function (RBF) kernel, die "karakteristiek" is, wat garandeert dat $\text{MMD}^2 = 0$ geldt indien en slechts indien $P = Q$ .
Hypothesetoetsing: Om juridische toelaatbaarheid te bieden, wordt de ruwe MMD-score via een permutatietest omgezet in een p-waarde.
- Nulhypothese ( $H_0$ ): $P = Q$ (De processen zijn identiek; de kandidaat is niet onderscheidend).
- Alternatieve Hypothese ( $H_1$ ): $P \neq Q$ (De processen zijn onderscheidend).
- De test bepaalt of de geobserveerde divergentie groter is dan wat door toeval verwacht mag worden, waardoor feitenonderzoekers een standaard van bewijs kunnen instellen (significantieniveau $\alpha$ ).

2.2 Stabiliteit en Robuustheid

Benaderende Embeddings: De auteurs bewijzen (Propositie 2) dat MMD Lipschitz-continu is met betrekking tot begrensde kernel-perturbaties. Zelfs met dimensionaliteitsreductie (bijv. UMAP) of ruis blijft de metriek stabiel.
Steekproef-efficiëntie: De methode is ontworpen om effectief te zijn bij kleine steekproeven, wat cruciaal is in juridische contexten waar grote datasets mogelijk niet beschikbaar zijn.

3. Belangrijkste Bijdragen

Verschuiving van Item naar Proces: Het kader lost het "oneindige cardinaliteit"-probleem van generatieve AI op door distinctiviteit te behandelen als een eigenschap van de onderliggende distributie in plaats van een paarwise vergelijking van specifieke outputs.
Training-vrije en Steekproef-efficiënte Implementatie: De methode vereist geen taakspecifieke training of toegang tot propriëtaire modelgewichten. Het kan distributionele verschillen detecteren met slechts 5–10 afbeeldingen of 7–20 teksten per groep.
Identificatie van "Interpolatieve Distinctiviteit": Het artikel levert empirisch bewijs dat generatieve modellen niet louter trainingsdata regurgiteren. In plaats daarvan produceren ze outputs die semantisch menselijk lijken maar stochastisch onderscheidend zijn, waarbij ze unieke topologische regio's binnen de geleerde latente ruimte bezetten.

4. Experimentele Resultaten

4.1 Validatie op MNIST (Gecontroleerde Afbeeldingen)

Opzet: Vergelijking van de distributies van handgeschreven cijfers (0–9) met behulp van een LeNet-5 embedding.
Bevindingen: De methode bereikte een statistische power van >95% (verwerping van $H_0$ ) met slechts 6 samples per distributie. Het maakte succesvol onderscheid tussen visueel gelijkaardige cijfers (bijv. 3 vs. 5) waar ruwe pixelvergelijkingen faalden.
Robuustheid: De metriek bleef stabiel onder dimensionaliteitsreductie en input-perturbaties (ruis, watermerken), waarbij de nulhypothese niet werd verworpen voor geperturbeerde versies van dezelfde afbeelding.

4.2 Validatie op Octrooabstracts (Tekst)

Opzet: Vergelijking van octrooabstracts over drie International Patent Classification (IPC) secties: Menselijke Noodzakelijkheden (A), Chemie (C) en Elektriciteit (H).
Bevindingen: De methode onderscheidde betrouwbaar tussen ongerelateerde technische velden (bijv. Chemie vs. Elektriciteit) met 7–15 samples per groep. Split-half controles (het vergelijken van subsets van hetzelfde veld) leverden niet-significante resultaten op, wat bevestigt dat de methode geen spookverschillen detecteert.

4.3 AI-gegenereerde Kunst (Real-world Afbeeldingen)

Dataset: AI-ArtBench (Menselijke kunst versus Stable Diffusion en Latent Diffusion outputs over 10 artistieke stijlen).
Het Perceptuele Paradox: Terwijl menselijke beoordelaars AI van menselijke kunst onderscheiden met slechts ~58% nauwkeurigheid, detecteerde de MMD-test robuuste distributionele distinctiviteit over alle stijlen heen ( $p < 0.01$ ).
Grootte van de Distinctiviteit: De afstand tussen de menselijke en AI-distributies was vergelijkbaar met de afstand tussen historisch onderscheidende menselijke kunststromingen (bijv. Art Nouveau vs. Ukiyo-e).
Memorizatie-audit: Nearest-neighbor audits (CLIP, SSIM, LPIPS) vonden geen systematische memorisatie. De weinige gesignaleerde gevallen werden gevisualiseerd als stilistische convergenties (bijv. gedeelde kleurenpaletten) in plaats van inhoudelijke replicatie.
Evolutie van Modellen: Naarmate modellen evolueerden van Latent Diffusion (2021) naar FLUX-Krea (2025), nam de distributionele distinctiviteit toe (MMD-scores stegen), wat suggereert dat modellen betere interpolatoren worden, en geen betere regurgitators.
Gevoeligheid van de Embedding: De distinctiviteit was het hoogst in CLIP (AI-naïef), intermediair in DreamSim (AI-bewust maar menselijk gekalibreerd) en het laagst in de Stable Diffusion VAE (AI-native). Dit bevestigt dat AI-outputs echte uitschieters zijn in de menselijke semantische ruimte, maar passen binnen het latente manifold van het generatieve proces.

5. Betekenis en Claims

Het artikel claimt een geprinciepeerd, kwantitatief kader te bieden voor juridische beslechting dat de beperkingen van huidige mensgerichte en paarwise methoden aanpakt.

Juridische Toelaatbaarheid: Door distributionele afstanden via permutatietesten om te zetten in p-waarden, biedt de methode toetsbaar empirisch bewijs met bekende foutmarges, wat voldoet aan criteria zoals Daubert.
Bifurcated Inquiry (Tweeledige Onderzoeksvraag): De auteurs stellen een tweeledige aanpak voor:
1. MMD-test: Om de aard van het generatieve proces te beoordelen (is het een onderscheidend creatief proces of een louter resampler?).
2. Memorizatie-audits: Om specifieke, zeldzame instanties van item-niveau inbreuk (verbatim kopiëren) te detecten.
Implicaties voor IE-doctrine:
- Auteursrecht: Biedt bewijs voor "probabilistische originaliteit" en onafhankelijke creatie, wat de kritiek van "regurgitatie" tegengaat.
- Octrooirecht: Biedt een metriek voor "generatieve afstand" die relevant is voor niet-voorzienbaarheid (non-obviousness).
- Merkenrecht: Kan de distinctiviteit van de visuele voetafdruk van een merk tegenover een marktdistributie kwantificeren.
Beperkingen: De auteurs erkennen dat de methode afhankelijk is van de kwaliteit van de embeddings (die biases kunnen erven) en representatieve steekproeven. Het meet de dominante modus van het proces en sluit zeldzame memorisatie-events niet uit, wat de tweeledige aanpak noodzakelijk maakt.

Samenvattend betogen de auteurs dat generatieve modellen fungeren als semantische interpolatoren binnen een geleerde latente ruimte, waarbij ze outputs produceren die statistisch onderscheidend zijn van hun trainingsdistributies, zelfs wanneer ze perceptueel vergelijkbaar lijken met menselijke creaties. Deze distributionele distinctiviteit daagt de visie uit dat AI een louter instrument voor regurgitatie is en suggereert dat het IE-recht moet evolueren van intuïtie-gebaseerde paarwise tests naar distributioneel bewijs.