Resumo Técnico: Além das Comparações Pareadas: Um Teste Distribucional de Distintividade para Obras Geradas por Máquina no Direito da Propriedade Intelectual

1. Declaração do Problema

O direito da propriedade intelectual (PI) baseia-se em uma premissa empírica compartilhada: para justificar proteção (novidade, originalidade ou distintividade), uma obra deve ser significativamente distinta de uma classe de referência relevante. No entanto, as práticas jurídicas e técnicas atuais sofrem de um descompasso fundamental na unidade de análise.

• Prática Jurídica: Os tribunais tipicamente avaliam a distintividade usando comparações pareadas ao nível do item (ex: comparando uma única pintura com uma referência específica de estado da técnica), mediadas por proxies humanos ("observador comum" ou "pessoa com habilidade comum no assunto").
• O Desafio da IA Generativa: Modelos generativos são processos estocásticos com espaços de saída efetivamente ilimitados. Avaliar uma amostra finita de saídas contra uma classe de referência resulta em uma avaliação incompleta. Além disso, avaliadores humanos têm dificuldade em distinguir arte gerada por IA de arte humana (alcançando apenas ~58% de precisão), tornando o proxy do "observador comum" não confiável.
• Impasse Teórico: O debate entre "regurgitação" (IA meramente memorizando dados de treinamento) e "interpolação" (IA gerando combinações novas) não pode ser resolvido por métricas ao nível do item. Verificações de verbatim (verbatim checks) perdem a imitação estilística, enquanto a similaridade semântica pareada carece de uma base estatística principada para determinar se um processo é distinto de uma distribuição.

2. Metodologia

Os autores propõem uma alternativa distribucional: um teste de hipótese de duas amostras baseado em Discrepância de Média Máxima (MMD) computada em embeddings semânticos. Isso desloca a unidade de análise do item individual para o processo criativo.

2.1 Estrutura Central

1. Embedding Semântico: Dados não numéricos (imagens, texto) são mapeados em espaços vetoriais de alta dimensão usando modelos de fundação pré-treinados (ex: CLIP para imagens, SentenceTransformers para texto). Isso captura relações semânticas em vez da forma superficial.
2. Embeddings de Média de Kernel (KME): As distribuições de probabilidade dos processos criativos (Classe de Referência $P$ vs. Processo Candidato $Q$) são mapeadas em um Espaço de Hilbert de Núcleo Reproduzível (RKHS).
3. Cálculo de MMD: A MMD ao quadrado ($\text{MMD}^2$) é computada como a distância entre os KMEs das duas distribuições. Isso quantifica a divergência estatística entre os processos.
   • Fórmula: $\text{MMD}^2(P, Q) = \|\mu_P - \mu_Q\|_H^2$.
   • O estimador utiliza um kernel de Função de Base Radial (RBF) Gaussiano, que é "característico", garantindo que $\text{MMD}^2 = 0$ se, e somente se, $P = Q$.
4. Teste de Hipótese: Para fornecer admissibilidade jurídica, o escore bruto de MMD é convertido em um valor-p via um teste de permutação.
   • Hipótese Nula ($H_0$): $P = Q$ (Os processos são idênticos; o candidato não é distinto).
   • Hipótese Alternativa ($H_1$): $P \neq Q$ (Os processos são distintos).
   • O teste determina se a divergência observada excede o que seria esperado pelo acaso, permitindo que os julgadores estabeleçam um padrão de prova (nível de significância $\alpha$).

2.1 Estabilidade e Robustez

• Embeddings Aproximados: Os autores provam (Proposição 2) que a MMD é Lipschitz-contínua em relação a perturbações de kernel limitadas. Mesmo com redução de dimensionalidade (ex: UMAP) ou ruído, a métrica permanece estável.
• Eficiência de Amostragem: O método é projetado para ser eficaz com tamanhos de amostra pequenos, o que é crucial para contextos jurídicos onde grandes conjuntos de dados podem não estar disponíveis.

3. Principais Contribuições

1. Mudança do Item para o Processo: O framework resolve o problema da "cardinalidade infinita" da IA generativa ao tratar a distintividade como uma propriedade da distribuição subjacjacente, em vez de uma comparação pareada de saídas específicas.
2. Implementação Livre de Treinamento e Eficiente em Amostragem: O método não requer treinamento específico para a tarefa ou acesso a pesos proprietários de modelos. Ele pode detectar diferenças distribucionais com apenas 5 a 10 imagens ou 7 a 20 textos por grupo.
3. Identificação da "Distintividade Interpolativa": O artigo fornece evidência empírica de que modelos generativos não apenas regurgitam dados de treinamento. Em vez disso, eles produzem saídas que são semanticamente humanas, mas estocasticamente distintas, ocupando regiões topológicas únicas dentro do espaço latente aprendido.

4. Resultados Experimentais

4.1 Validação no MNIST (Imagens Controladas)

• Configuração: Comparou distribuições de dígitos manuscritos (0–9) usando um embedding LeNet-5.
• Descobertas: O método alcançou >95% de poder estatístico (rejeição de $H_0$) com apenas 6 amostras por distribuição. Conseguiu distinguir dígitos visualmente semelhantes (ex: 3 vs. 5) onde as comparações de pixels brutos falharam.
• Robustez: A métrica permaneceu estável sob redução de dimensionalidade e perturbações de entrada (ruído, marcas d'água), falhando em rejeitar a hipótese nula para versões perturbadas da mesma imagem.

4.2 Validação em Resumos de Patentes (Texto)

• Configuração: Comparou resumos de patentes através de três seções da Classificação Internacional de Patentes (IPC): Necessidades Humanas (A), Química (C) e Eletricidade (H).
• Descobertas: O método distinguiu de forma confiável campos técnicos não relacionados (ex: Química vs. Eletricidade) com 7 a 15 amostras por grupo. Controles de divisão de metade (comparando subconjuntos do mesmo campo) produziram resultados não significativos, confirmando que o método não detecta diferenças espúrias.

4.3 Arte Gerada por IA (Imagens do Mundo Real)

• Dataset: AI-ArtBench (Arte humana vs. saídas de Stable Diffusion e Latent Diffusion através de 10 estilos artísticos).
• O Paradoxo Perceptivo: Enquanto avaliadores humanos distinguem IA de arte humana com apenas ~58% de precisão, o teste MMD detectou robusta distintividade distribucional em todos os estilos ($p < 0.01$).
• Magnitude da Distintividade: A distância entre as distribuições Humana e de IA foi comparável à distância entre movimentos artísticos historicamente distintos (ex: Art Nouveau vs. Ukiyo-e).
• Auditoria de Memorização: Auditorias de vizinho mais próximo (CLIP, SSIM, LPIPS) não encontraram memorização sistemática. Os poucos casos sinalizados foram visualizados como convergências estilísticas (ex: paletas de cores compartilhadas) em vez de replicação de conteúdo.
• Evolução dos Modelos: À medida que os modelos evoluíram de Latent Diffusion (2021) para FLUX-Krea (2025), a distintividade distribucional aumentou (escores MMD subiram), sugerindo que os modelos estão se tornando melhores interpoladores, não melhores regurgitadores.
• Sensibilidade do Embedding: A distintividade foi maior no CLIP (IA-naïve), intermediária no DreamSim (IA-consciente, mas calibrada para humanos) e menor no VAE do Stable Diffusion (IA-nativa). Isso confirma que as saídas de IA são outliers genuínos no espaço semântico humano, mas se ajustam ao manifold latente do processo generativo.

5. Significância e Alegações

O artigo afirma oferecer um framework quantitativo e principado para a adjudicação de PI que aborda as limitações dos métodos atuais centrados no humano e em pares.

• Admissibilidade Jurídica: Ao converter distâncias distribucionais em valores-p via teste de permutação, o método fornece evidência empírica testável com taxas de erro conhecidas, satisfazendo critérios como o de Daubert.
• Investigação Bifurcada: Os autores propõem uma abordagem dupla:
  1. Teste MMD: Para adjudicar a natureza do processo generativo (é um processo criativo distinto ou um mero reamostrador?).
  2. Auditorias de Memorização: Para detectar instâncias específicas e raras de infração de nível de item (cópia verbatim).
• Implicações para Doutrinas de PI:
  • Direito Autoral: Fornece evidência de "originalidade probabilística" e criação independente, combatendo a crítica de "regurgitação".
  • Patentes: Oferece uma métrica para "distância generativa" relevante para a não-obviedade.
  • Marca Registrada: Pode quantificar a distintividade da pegada visual de uma marca contra uma distribuição de mercado.
• Limitações: Os autores reconhecem que o método depende da qualidade dos embeddings (que podem herdar vieses) e de amostragem representativa. Ele mede o modo dominante do processo e não descarta eventos raros de memorização, necessitando da abordagem bifurcada.

Em resumo, o artigo argumenta que os modelos generativos funcionam como interpoladores semânticos dentro de um espaço latente aprendido, produzindo saídas que são estocasticamente distintas de suas distribuições de treinamento, mesmo quando parecem perceptualmente semelhantes às criações humanas. Essa distintividade distribucional desafia a visão da IA como uma mera ferramenta de regurgitação e sugere a necessidade de que o direito de PI evolua da intuição baseada em testes pareados para evidências distribucionais.