Rozwój generatywnych modeli opartych o sztuczną inteligencję i sieci neuronowe gwałtownie przyspieszył w ciągu ostatnich kilku lat przynosząc do powszechnego dostępu i konsumenckiego, darmowego użytku takie narzędzia, jak generator tekstu ChatGPT, czy generatory obrazów, takie jak MidJourney, Imagene, Dall-E, a także Stable Diffusion – ten ostatni zdolny jest do generowania nawet krótkich animacji czy filmów. Wymienione modele zdolne są do wygenerowania wysokiej jakości danych wyjściowych w reakcji na odpowiednie ‘prompty’ – dane wejściowe. Model tekstowy może wygenerować przepis na naleśniki, kod w wielu językach programowania, porady, odpowiedzi na wyszukiwarkowe pytania, czy plan pracy licencjackiej. Modele wizualne zdolne są do wygenerowania obrazów o dowolnej treści i w dowolnym stylu. Popularność tych narzędzi, umiejętność zsyntezowania treści skutecznie naśladującej biegłość człowieka i ich ogólnodostępność budzą mieszane uczucia pośród społeczeństwa. 

Technikalia 

Jako przykład rozpatrzmy generator Stable Diffusion. Jest to generator, który przed udostępnieniem publicznie został wytrenowany w oparciu o dyfuzję danych obrazu. Jak przebiega taki trening? W dyfuzji ‘w przód’ model najpierw pobiera obraz treningowy, a następnie stopniowo dodaje do niego szum gaussa w odpowiedniej ilości kroków tak, aby w ostatnim otrzymany został sam szum przypominający telewizyjne artefakty (tv static). Następnym, kluczowym krokiem jest dyfuzja wsteczna. We wstecznej dyfuzji model stara się odwrócić cały proces i otrzymać konkretny obraz o pewnej treści z zupełnego szumu. W serii kroków odejmowany jest ten szum tak, aby pozostawić jedynie te informacje, które pasują do opisu generowanego przedmiotu podanego przez prompty wejściowe. Innymi słowy przetwarzanie na tym etapie polega na przekształcaniu szumu w konkretną treść nie będącą szumem, a jednocześnie odpowiadającą pewnemu opisowi tej rzeczy. Korzystając z podpowiedzi tekstowych na każdym etapie odszumiania mechanizm mówi generatorowi “w następnym kroku obraz powinien wyglądać bardziej w taki konkretny sposób, kontynuuj odszumianie” (Zhao, 2023). 

Opisanie procesu generacji idąc od danych wejściowych do wyjściowych da nam większą przejrzystość. Stable Diffusion oferuje możliwość zamiany tekstu na obraz, gdzie użytkownik opisuje obraz, który ma zostać wygenerowany przez model. W tym celu podaje tekstowe prompty. Po naciśnięciu przycisku ‘generuj’ koder tekstu tłumaczy tekst wejściowy użytkownika na wektory i liczby o pewnych wagach, które model dopasowuje do innych wektorów i liczb reprezentujących opisy obrazków, na których model został wytrenowany (Zhang, 2015). Użytkownik może na przykład podać prompt ‘lizard wizard’, który zostanie przetworzony na wektory i liczby reprezentujące słowa ‘lizard’ i ‘wizard’. Będą one miały ponadto pewne wagi, np. ‘wizard’ = 65, a ‘lizard’ = 630. Model wyszuka wszystkie powiązane z tymi określeniami ‘obrazy’, a raczej uzyskane na podstawie uczenia się na nich reprezentacje pojęć, aby użyć ich do wygenerowania obrazu wyjściowego. Na każdym etapie odszumiania określenia ‘wizard’ i ‘lizard’, które odpowiadają pewnym danym w bazie danych generatora, określają sposób redukcji szumu w ‘obrazie’, natomiast waga określa siłę tej redukcji. Pamiętajmy jednak, że słowa ‘obraz’ nie powinniśmy tutaj rozumieć jako informacji w przestrzeni pikselowej, a raczej zestaw semantycznych, wymiarowych wektorów, które reprezentują słowa oraz ich powiązania między sobą – różne konteksty. Po odszumieniu obrazu dane wyjściowe są następnie tłumaczone z powrotem na przestrzeń pikseli, aby mogły je zobaczyć ludzkie oczy.  

Skąd model Stable Diffusion wie jednak, jak odejmować szum w reakcji na prompty? Otóż musiał on wcześniej mieć okazję oglądnąć odpowiednio dużo par obraz – opis obrazu, dzięki czemu ukonstytuował swoją wiedzę na temat tego, jak konkretny opis tekstowy koresponduje z informacjami budującymi obrazy, a więc – z ich zawartościami. Stable Diffusion został przeszkolony na miliardach par tekst-obraz z LAION, “organizacji non-profit, która zapewnia zbiory danych, narzędzia i modele w celu uwolnienia badań nad uczeniem maszynowym” (LAION, 2023). LAION posiada bazy danych liczące miliardy linków do obrazów oraz powiązane z nimi metadane w postaci tagów, które opisują zawartość obrazów. Stability AI pobrało obrazy spod podanych linków i wykorzystało je do wytrenowania swojego modelu generatywnego.  

 

Kontrowersje prawno-etyczne  

Nie ulega wątpliwości, że wiele obrazów zawartych w zbiorze danych jest chronionych prawami autorskimi i pobranych ze stron internetowych bez pozwolenia. Jest jednak mało prawdopodobne, by sam zbiór danych został uznany za naruszenie praw autorskich właścicieli obrazów. Po pierwsze, status non-profit LAION i deklarowany cel promowania badań nad sztuczną inteligencją wchodzą w zakres dozwolonego użytku (Cantrill i Newman, 2023). Po drugie, zbiory danych LAION to jedynie indeksy internetowe, tj. listy adresów URL do oryginalnych obrazów wraz z tekstami powiązanymi z tymi obrazami” (LAION, 2022). To wytłumaczenie może czynić z bazy danych LAION coś na kształt ‘kroniki faktograficznej’, w takim samym sensie, w jakim za takową mogą zostać uznane indeks wyszukiwarki czy książka telefoniczna (Grimmelman, 2023). Sam web scraping, proces gromadzenia publicznie dostępnych informacji z internetu, raczej nie budzi kontrowersji. Jest on prawnie dozwolony przez zasady fair use; nie stanowi nieautoryzowanego dzieła pochodnego, a jedynie gromadzi informacji o dziełach. Możliwe jednak, że to Stability AI zostanie uznana za odpowiedzialną za przyczynienie się do naruszenia praw autorskich lub nakłanianie do ich naruszenia, biorąc pod uwagę, że ich model Stable Diffusion został udostępniony publicznie na mocy licencji Creative ML OpenRAIL-M umożliwiającej komercyjne i niekomercyjne wykorzystanie (Stability AI, 2022). To otworzyło drzwi firmom takim jak Midjourney do zarabiania na modelu. Stability AI również czerpie zyski ze swojego modelu w swojej aplikacji DreamStudio (Saveri et. al, 2023). Ponieważ model Stable Diffusion stanowi podstawę setek komercyjnych aplikacji, traci on ochronę dozwolonego użytku przyznaną celom badawczym. Patrząc ze ściśle prawnego punktu widzenia opartego o aktualne regulacje, Stable Diffusion naruszyło prawa autorskie nie ograniczając wykorzystania modelu jedynie do użytku niekomercyjnego.  

W skardze prawnej przeciwko Stable Diffusion powodowie twierdzą, że generacje modelu są w rzeczywistości nieautoryzowanymi dziełami pochodnymi opartymi na obrazach w zestawie danych szkoleniowych (Saveri, 2023). Posiadacze praw autorskich mają wyłączne prawa do tworzenia dzieł pochodnych, wyrażeń opartych na dziele chronionym prawem autorskim z istotnymi zmianami. Mogą one obejmować translacje, alternatywne aranżacje muzyczne, rysunki oparte na fotografiach i inne. Muszą one wymieniać oryginalnego autora, ale też, aby zostać uznanymi za ‘pochodne’ w prawnym rozumieniu tego słowa, wykorzystywać istotną część istniejącego wcześniej utworu. Ponadto sądy często orzekały, że aby postrzegać utwór jako pochodny musi być możliwym zidentyfikowanie utworu oryginalnego (Grimmelmann, 2023). Dzieła pochodne muszą dzielić z oryginalnym dziełem identyfikowalne podobieństwa. Podczas procesu dyfuzji model pobiera obraz z zestawu treningowego i dodaje do niego szum, aż stanie się nierozpoznawalny. Poprzez odwrotną dyfuzję model czerpie “inspirację” z innych istniejących obrazów w zestawie szkoleniowym, aby utworzyć obraz wyjściowy. W sensie technicznym obraz wyjściowy rzeczywiście jest pochodny względem obrazu lub obrazów treningowych (Zhao, 2023). Pochodność w tym technicznym sensie nie jest określeniem o tym samym znaczeniu, co pochodność w prawnym terminie ‘dzieła pochodnego’. W przypadku większości generacji Stable Diffusion nikt nie byłby w stanie zidentyfikować oryginalnych obrazów, na podstawie których powstały te generacje. Możliwym także jest, że dwa różne obrazy początkowe stworzone przez różnych artystów mogą dać niemal identyczny rezultat. Niedawne badanie pokazuje także, że jest niezwykle mało prawdopodobne, aby model odtworzył wizualną kopię obrazu treningowego (Carlini et. al, 2023). Biorąc to pod uwagę, przyszły sąd prawdopodobnie uznałby, że wyniki Stable Diffusion reprezentują dzieła transformacyjne, stanowiące dozwolony użytek oryginałów. Jednak pomimo tych faktów, przyszły sąd może być przychylny argumentowi zwracającemu uwagę na chaotyczny wpływ Stable Diffusion na rynek pracy, a w szczególności twórców wizualnych, których prace zostały wykorzystane do szkolenia modelu. Innymi słowy pomimo tego, że Stable Diffusion może zostać uznane jako mające charakter transformacyjny, możliwym jest pogląd, iż przyczynia się do zjawiska społecznie negatywnego i musi zostać ograniczone. Jego generacje są wszakże istotnymi substytutami oryginałów i są wysoce konkurencyjne na rynku. Pozostawiam otwartym pytanie, czy powinniśmy ten fakt traktować jak neutralne zdarzenie w biegu historii, czy też powinniśmy je traktować jako przesłankę dla ograniczenia narzędzi opartych o sztuczną inteligencję.  

 

Analiza kwestionariusza

Na potrzeby referatu przygotowałem kwestionariusz mający na celu zbadanie nastrojów społecznych w stosunku do narzędzi opartych o sztuczną inteligencję. Ankieta była kierowana do osób w wieku od 18 do około 30 lat, które ukończyły szkołę średnią.  

Kwestionariusz: Opinia o wpływie SI na społeczeństwo

Wyniki ankiety: odpowiedzi na pytania

 

W ankiecie wzięło udział 71 osób w wieku średnio 22 lat.  35 z nich to kobiety, a 31 to mężczyźni. Pojawiły się 4 osoby niebinarne.

59 (83%) ankietowanych aktualnie studiuje, 5 ukończyło studia i aktualnie ich nie kontynuuje. Ankieta trafiła do przedstawicieli licznych kierunków ścisłych, interdyscyplinarnych, społeczno-humanistycznych oraz mających związek z twórczością. Liczną reprezentacją cieszyły się kierunki Biotechnologii, Inżynierii Wzornictwa Przemysłowego, Informatyki Społecznej, Projektowania Graficznego i Informatyki Stosowanej. W drugiej kolejności nieznacznie większą reprezentację od pozostałych kierunków miała Filozofia. Moje spostrzeżenia odnośnie ogółu badanych są następujące:

• Edukacja 27 badanych (38%) ‘trochę’ nauczyła o SI, a 21 (29,5%) ‘niewiele’;
• Aktualny wpływ SI na rynek pracy i wpływ w perspektywie 10 lat jest średni oceniany jako zarówno trochę pozytywny, jak i trochę negatywny;
• Opinia badanych co do powstrzymania rozwoju narzędzi SI jest spolaryzowana: zdecydowanie nie – 18, raczej nie – 13, raczej tak – 16, zdecydowanie tak – 11;
• Opinia co do ograniczenia dostępu raczej na nie: zdecydowania nie – 28, raczej nie – 16;
• Generatywne modele zniechęcają do tworzenia – zdania spolaryzowane: zdecydowanie nie = 12, raczej nie – 17, raczej tak – 11, zdecydowanie tak – 16;
• Treści wygenerowane mają niższą wartość: zdecydowanie tak = 36, raczej tak = 12;
• Narzędzia SI są dobrymi nauczycielami: zdecydowanie nie = 10, raczej nie = 14, trudno powiedzieć = 15, raczej tak 24;
• To dobrze że SI usprawnia procesy twórcze: trudno powiedzieć = 23, raczej tak = 27;
• To źle, że SI usprawnia procesy twórcze: zdecydowanie nie = 19. Raczej nie = 24, trudno powiedzieć = 19;

 

Spośród zbadanych 71 osób zdołałem poprzez metody filtrowania odpowiedzi wyodrębnić dwie grupy w oparciu o wiedzę na temat SI oraz zainteresowanie SI.

Grupa I składa się z osób, które swój stan wiedzy o SI jak i zainteresowanie nią oceniły na co najwyżej niski. Grupa liczy 11 osób (15%). Średnia wieku w grupie wyniosła 23 lata. 6 osób stanowią kobiety, pozostała piątka to mężczyźni. Obrane kierunku studiów to: 

Są to głównie kierunki związane z naukami ścisłymi, a w drugiej kolejności kierunki interdyscyplinarne z odchyleniem technicznym. Mniejszość stanowią kierunki społeczne i humanistyczne. W oczywisty sposób związany z narzędziami SI może zostać uznany kierunek Informatyki stosowanej. Możliwość aktualnego wykorzystywania narzędzi SI na kierunkach zawierających komponent kreatywny, takich jak projektowanie graficzne czy architektura, nie może zostać założona, ale z pewnością są to dziedziny na które SI będzie mieć wpływ.  

Dla dominującej większości głównymi źródłami wiedzy o SI okazały się być media społecznościowe i popkultura, natomiast drugorzędnymi źródłami informacji były rozmowy ze znajomymi lub rodziną. Źródła takie, jak materiały edukacyjne lub wykłady stanowiły źródło informacji dla 4 z 11 zapytanych. 9 osób w toku swojej edukacji nauczyło się czegoś o SI co najwyżej niewiele. Na pytanie, czy SI stanowi dla ankietowanego zagrożenie grupa w obu wariantach tego pytania odpowiedziała raczej przecząco. Dla wariantu aktualnego było to 7 osób, natomiast dla wariantu ‘…w perspektywie 10 lat’ było to już 5 osób. 6 osób ocenia, że narzędzia SI okażą się dla ich profesji pomocne w przyszłości, jednocześnie aktualnie nie odnosząc z ich istnienia korzyści. Ocena aktualnego wpływu SI na rynek pracy była dla tej grupy dość zróżnicowana, rozstrzelona po wszystkich możliwych odpowiedziach. Uśredniając, wpływ został ustalony jako ‘nieznacznie negatywny’ i ‘trochę pozytywny’. W wariancie 10 letniej perspektywy wyniki zmieniły się nieznacznie. Jedynie negatywny wpływ uległ zmianie i został ustalony jako ‘trochę negatywny’, a bardziej kategorycznie, niż aktualny negatywny wpływ. Ze stwierdzeniem „Rozwijanie SI jest moralnie złe” nikt z grupy się nie zgodził, z czego niezdecydowani liczyli zaledwie 3 osoby. Pozostali wyrazili odpowiedź przeczącą (‘zdecydowanie nie’ – 4, ‘raczej nie’ – 4). Wobec stwierdzenia „Rozwijanie SI jest moralnie dobre” ambiwalentnych pozostała przytłaczająca większość – 9 z 11 osób. Na neutralność rozwijania narzędzi SI zgodziło się 8 osób. Ocena użytku narzędzi opartych o SI nie była określana ostrymi kategoriami. 7 osób nie zgodziło się z oceną negatywną, 7 osób pozostało obojętnych względem oceny pozytywnej i 7 osób zgodziło się na neutralność używania narzędzi SI. Na ograniczenie rozwoju narzędzi SI nie zgodziło się 5 osób (4 kategorycznie) i 5 osób pozostało niezdecydowanych. Ograniczenie dostępu nie spotyka się z aprobatą całej grupy, z czego 8 osób ten pomysł aktywnie dezaprobuje (‘raczej nie’ + ‘zdecydowanie nie’). Co do wpływu SI na kreatywność i motywację twórców zdania w obrębie grupy są w pierwszym wypadku dominowane przez odpowiedzi ‘trudno powiedzieć’, a w drugim przez inne odpowiedzi niekategoryczne. W obu przypadkach nie można mówić o jednomyślności lub chociaż odchyleniu grupy w stronę jakiejś opinii. 5 osób zgadza się ze stwierdzeniem, że narzędzia SI są dobrymi nauczycielami dla początkujących twórców, 3 się nie zgadzają i 3 powstrzymują się przed wydaniem opinii. 7 z 11 osób nie jest pewnych czy to dobrze, że SI usprawnia procesy twórcze, a 4 się zgadzają. Jednocześnie nikt nie twierdzi, że to źle, że SI wspomaga procesy twórcze – 6 osób się z takim stwierdzeniem nie zgadza, a 5 powstrzymuje się przed odpowiedzią. Najczęściej odczuwane uczucie w tej grupie to: Lęk (5) i ciekawość (9). 

  

Grupa II to grupa osób, które oceniły swoją wiedzę o SI na co najmniej dużą, a zainteresowanie określiłyby mówiąc, iż co najmniej „trochę się interesują SI”. Ta grupa liczy 15 osób (21%). Średnia wieku wynosi 21,5 roku. Większość, bo 11 osób, to mężczyźni, natomiast 4 pozostałe osoby to kobiety. Obrane kierunki studiów to: 

W grupie II dominują kierunki ścisłe. Grupa jest bardziej różnorodna – pojawia się większa reprezentacja kierunków społeczno-humanistycznych. Kierunki takie jak projektowanie graficzne, sztuka mediów, czy licznie występujące wzornictwo przemysłowe stanowią zauważalny komponent twórczy, choć ten ostatni nie jest kierunkiem ‘typowo’ twórczym. Generalnie są to raczej kierunki interdyscyplinarne z pewnym odchyleniem w stronę sztuk pięknych. 

Ta grupa posiada bardziej zróżnicowane źródła wiedzy o SI. Wszyscy dowiedzieli się czegoś o SI dzięki wykładom lub materiałom edukacyjnym. Czerpanie informacji z mediów społecznościowych lub popkultury również dotyczy całej grupy. Wpływ dotychczasowej edukacji na wiedzę badanych został określony jako co najmniej umiarkowanie wysoki (‘trochę mnie nauczyła’ + ‘dużo mnie nauczyła’ + ‘bardzo dużo mnie nauczyła’) w 11 z 15 przypadków. 7 osób nie sądzi, aby SI zagrażało ich profesji, 6 osób jest przeciwnego zdania. Perspektywa 10 letnia zmienia tendencję odpowiedzi. Przecząco odpowiedziały 3 osoby, twierdząco – 7. SI za aktualnie pomocne uznaje 14 z 15 osób w tej grupie (‘zdecydowanie tak’ = 6, ‘raczej tak’ = 8). Jedynie jedna osoba jest nieprzekonana (‘raczej nie’). W perspektywie 10 lat pomocność SI została przez tą grupę jednomyślnie uznana za wysoką. 9 osób odpowiedziało zdecydowanie twierdząco, pozostałe ‘raczej’ twierdząco. Trzej przedstawiciele grupy wyrazili kategorycznie negatywną ocenę wpływu SI na rynek pracy jednocześnie oceniając negatywny wpływ na co najmniej znaczący, a pozytywnego wpływu kompletnie SI odmawiając. Mimo to tendencje całej grupy dla oceny pozytywnej i negatywnej aktualnego wpływu SI okazały się niemal takie same (ocena pozytywna i negatywna zgromadziły takie same ilości punktów). W perspektywie 10 lat wysublimowała się opinia o wpływie trochę lub znacząco negatywnym i zaledwie nieznacznie pozytywnym. Ze stwierdzeniem „rozwijanie SI jest moralnie złe” 11 z 15 badanych się nie zgodziło. Co do moralnego dobra zdania były spolaryzowane i podzielone po równo. Za moralną neutralnością lub niemożnością oceny moralnej opowiedziało się 8 zapytanych, zaś nie zgodziło się 2. Pozostali nie podali jednoznacznej odpowiedzi. Jakoby używanie narzędzi SI było złe zaprzeczyło 10 z 15 ankietowanych. Co do dobra lub neutralności ich używania nie zauważyłem istotnej przewagi którejś odpowiedzi – większość pozostała niezdecydowana. Z powstrzymaniem rozwoju SI zgodziło się i nie zgodziło po 7 osób. Na ograniczenie dostępu większość się nie zgodziła (‘raczej nie’ + ‘zdecydowanie nie’ = 8). Afirmatywnej odpowiedzi udzieliły 4 osoby (‘zdecydowanie tak’ -2, ‘raczej tak’ -2). 5 osób z grupy zgadza się ze stwierdzeniem, że generatywne modele zabijają ludzką kreatywność, zaś 7 osób zaprzecza. 8 osób nie zgadza się ze stwierdzeniem, że generatywne modele SI zniechęcają do tworzenia, zaś 4 osoby się zgadzają. 10 na 15 osób z grupy przyznaje rację stwierdzeniu, że narzędzia SI mogą być dobrymi nauczycielami dla początkujących twórców. Nikt z grupy nie twierdzi, jakoby było czymś złym, że narzędzia SI usprawniają procesy twórcze.  13 osób stwierdza, że to dobrze i jednocześnie aktywnie zaprzecza, jakoby to było złe. Najczęściej odczuwane w tej grupie uczucia to: lęk (7), przytłoczenie (5), podekscytowanie (8), radość (6), ciekawość (14). Frustracja, gniew i wstręt odczuwały po 4 osoby. Co interesujące, każda z nich studiuje kierunek związany w jakiś sposób z twórczością kreatywną. 

 

Zdołałem wyodrębnić także jedną grupę w oparciu o uczucia, które badani czują w stosunku do rewolucji SI. 

Grupa III składa się z osób, które jednocześnie odczuwają lęk oraz frustrację na poziomie intensywności co najmniej „raczej wzbudza”. Liczy ona 11 osób (15%). Grupa liczy 6 kobiet, 3 mężczyzn i 2 osoby niebinarne. Studiowane kierunki to: 

Są to w dużej mierze kierunki zawierające jakiś komponent kreatywny, choć nie typowo związane ze sztukami pięknymi.

Ta grupa ocenia swoją wiedzę jako małą w 2 przypadkach, umiarkowaną w 4 i dużą w 5 przypadkach. Zapytani o zainteresowanie SI, ankietowani odpowiedzieli, że interesują się ‘trochę’ w 6 przypadkach, ‘średnio’ w 4 przypadkach. 9 osób zaczerpnęło wiedzę o SI z materiałów edukacyjnych lub wykładów. Większość czerpie też informacje z mediów społecznościowych oraz popkultury. 9 ankietowanych spodziewa się ze strony narzędzi SI zagrożenia dla profesji, 8 pomocności. Grupa niemal jednomyślnie oceniła aktualny wpływ SI na rynek pracy jako, uśredniając, ‘trochę negatywny’ i zarazem wcale nie pozytywny. Jednocześnie grupa spodziewa się negatywnego wpływu w perspektywie 10 lat (głównie odpowiedzi ‘znacząco negatywnie’) i w większości brak pozytywnego wpływu. Zawodami największego zagrożenia dla tej grupy okazały się te, które były najbliżej związane z jej profesjami, a więc artysta wizualny, pisarz, redaktor. Jednocześnie w stopniu istotnym nie została dostrzeżona pomocność narzędzi SI dla tych zawodów. Mimo to moralna ocena rozwijania i używania narzędzi SI nie została wydana jednomyślnie. Dominowały odpowiedzi ‘trudno powiedzieć’, pozostałe były podobnie liczne, niekategoryczne i spolaryzowane. 7 osób zgodziło się, że należy powstrzymać rozwój narzędzi SI. 6 osób nie zgodziło się na ograniczenie dostępu do narzędzi SI, 4 nie miały zdania. 9 osób zgodziło się co do stwierdzenia, że modele SI zabijają kreatywność. 7 osób zdecydowanie zgodziło się ze stwierdzeniem, że narzędzia SI rozleniwiają i zniechęcają do tworzenia. Grupa pozostała niezdecydowana lub sceptyczna względem nauczycielstwa ze strony narzędzi SI.  

 

Bibliografia

Carlini, N., Hayes, J., Nasr, M., Jagielski, M., Sehwag, V., Tramèr, F., Balle, B., Ippolito, D., & Wallace, E. (2023). Extracting Training Data from Diffusion Models. arXiv preprint arXiv:2301.13188.

Grimmelmann, J. (2022). Internet law: Cases & problems. Semaphore Press.

Newman, M., & Cantrill, A. (2023, April 24). A high school teacher’s Free Image Database Powers Ai Unicorns. Bloomberg.com. https://www.bloomberg.com/news/features/2023-04-24/a-high-school-teacher-s-free-image-database-powers-ai-unicorns#xj4y7vzkg

Saveri, J. (n.d.). Counsel for individual and representative plaintiffs Sarah Andersen… stablediffusionlitigation.com. https://stablediffusionlitigation.com/pdf/00201/1-1-stable-diffusion-complaint.pdf

Zhang, C., Zhang, C., Zhang, M., & Kweon, I. S. (2023). Text-to-image Diffusion Model in Generative AI: A Survey. arXiv preprint arXiv:2303.07909.

Zhao, G. (Troy). (2023, April 5). How stable diffusion works, explained for non-technical people. Medium. https://bootcamp.uxdesign.cc/how-stable-diffusion-works-explained-for-non-technical-people-be6aa674fa1d

LINK1: https://laion.ai/about/

LINK2: https://stability.ai/