GUÍA de sociedad

Protección del artista de glaseado y belladona

Glaze y Nightshade son herramientas gratuitas de la Universidad de Chicago que añaden pequeños cambios cuidadosamente optimizados al arte para que los modelos de IA lo interpreten mal: Glaze intenta evitar que los modelos copien el estilo de un artista, y Nightshade intenta envenenar los datos de entrenamiento para que los modelos aprendan asociaciones incorrectas.

Escuche esta guíaNarrado por IA · ~3 min

En esta pagina4 minutos de lectura
  1. Descripción general
  2. Buceo profundo
  3. Implementación en el mundo real
  4. El futuro de la protección de artistas con Glaze y Nightshade
  5. Poniéndolo en práctica
  6. Sigue explorando
  7. Preguntas frecuentes

Descripción general

Ofrecen a los artistas cierta influencia contra el entrenamiento no autorizado, pero los investigadores han demostrado que pueden debilitarse o eliminarse, por lo que son un disuasivo más que una garantía.

Buceo profundo

Both tools come from the SAND Lab at the University of Chicago, led by Ben Zhao. Glaze was released in 2023 and Nightshade in January 2024, and both are free. Glaze also has a web version, WebGlaze, for artists without powerful computers. Glaze addresses style mimicry. Someone can fine-tune an image model on a few dozen pieces by one artist, then produce unlimited work in that style. Glaze adds a perturbation, a pattern of small pixel changes, that makes the artwork appear to a model's image encoder as though it were in a different style. A model fine-tuned on glazed images learns the wrong style, while a person sees little change. Nightshade is offensive rather than defensive. It targets training on scraped data. A shaded image of a dog is changed so a model perceives features of something else, such as a cat. Because each concept appears in relatively few training images compared with the whole dataset, the researchers argued that a modest number of poisoned samples could make a model respond to "dog" with distorted results. The aim is to raise the cost of scraping without permission. How well do they work? The perturbations are tuned against specific model components, and that is their weakness. A 2024 study by researchers at ETH Zurich and Google DeepMind found that simple methods, such as noisy upscaling, could remove Glaze-style protections enough for mimicry to succeed. Later work, including LightShed in 2025, trained detectors to spot and strip poisoning perturbations. The Glaze team has disputed some findings and updated its tools. The key misconception is that protection is permanent. An image published today cannot be updated later, while attackers and models keep changing. The tools can also leave visible artifacts, especially at high intensity.

Implementación en el mundo real

Una pintora digital pasa cada nueva obra por Glaze antes de publicarla, de modo que alguien que ajuste finamente un LoRA con su portafolio obtenga resultados que no coincidan con su pincelada y paleta.

Una ilustradora aplica Nightshade a imágenes de dragones que publica públicamente, con el objetivo de que las copias raspadas enseñen a un modelo características visuales de un concepto no relacionado.

Una artista compara los ajustes de intensidad de Glaze y elige un nivel más bajo para una pieza de acuarela suave porque los ajustes más altos dejaban artefactos visibles en áreas de color plano.

Una pequeña comunidad artística discute una investigación que muestra que el escalado puede eliminar las protecciones y decide combinar Glaze con registros de exclusión y configuraciones de plataforma en lugar de depender solo de ella.

El futuro de la protección de artistas con Glaze y Nightshade

La competencia entre herramientas de perturbación y métodos de eliminación se asemeja a otras carreras armamentísticas adversarias, y la investigación hasta ahora sugiere que los defensores están en desventaja estructural porque las imágenes publicadas son fijas mientras los ataques siguen mejorando. Glaze y Nightshade siguen siendo valorados por muchos artistas como una forma de aumentar el costo del uso indebido y señalar la falta de consentimiento. La protección a largo plazo es más probable que provenga de una combinación de normas legales sobre datos de entrenamiento, acuerdos de licencia, estándares de procedencia y políticas de plataformas. Los artistas deben usar estas herramientas con expectativas realistas y mantener otras medidas en vigor.

Poniéndolo en práctica

Por qué es importante

  • Riesgo y seguridad. Los daños catastróficos y cotidianos de la IA dependen de quién comprende los riesgos y quién puede actuar.
  • Decisiones más claras. La alfabetización pública y profesional determina si es políticamente posible una política de seguridad sólida.
  • Cortando el bombo. Las explicaciones claras reducen la captación por la exageración, las relaciones públicas de laboratorio y el vago teatro de ética.

cuidado con

  • Tratar el riesgo existencial como ciencia ficción mientras que la capacidad se agrava.
  • Confundir la seguridad del producto superficial con la alineación en condiciones de alta autonomía.
  • Dejando a las audiencias que no hablan inglés ni a expertos solo con fuentes de baja calidad.

Próximos pasos

  1. Separe los riesgos de daños al producto, mal uso y pérdida de control/desalineación.
  2. Pregunte qué evidencia cambiaría su opinión sobre los plazos y la gravedad.
  3. Prefiera fuentes primarias y evaluaciones concretas a afirmaciones de marketing.
  4. Identifique un camino de acción: carrera, política, financiamiento o habilidades, no solo concientización.

Sigue explorando

Boletín gratuito

Recibe el resumen diario de IA

Tres noticias verificadas sobre IA cada mañana de lunes a viernes, explicadas con claridad. Gratis para siempre y sin anuncios.

Un correo cada día laborable. Date de baja con un clic. Nunca vendemos ni compartimos tu dirección.

Ponte a prueba

Realiza el cuestionario de Protección de Artistas con Glaze y Nightshade

Corrección inmediata en cada respuesta y un certificado para compartir, con un ID verificable, cuando apruebas un curso.

Empezar el cuestionario

Apoya la educación gratuita sobre IA. AI Understanding es una organización sin fines de lucro 501(c)(3): sin anuncios ni muros de pago, nunca. Hacer una donación

Preguntas frecuentes

¿Qué es la Protección de Artistas con Glaze y Nightshade?

Glaze y Nightshade son herramientas gratuitas de la Universidad de Chicago que añaden pequeños cambios cuidadosamente optimizados al arte para que los modelos de IA lo interpreten mal: Glaze intenta evitar que los modelos copien el estilo de un artista, y Nightshade intenta envenenar los datos de entrenamiento para que los modelos aprendan asociaciones incorrectas. Ofrecen a los artistas cierta influencia contra el entrenamiento no autorizado, pero los investigadores han demostrado que pueden debilitarse o eliminarse, por lo que son un disuasivo más que una garantía.

¿Qué amenaza está diseñada principalmente para contrarrestar Glaze?

Glaze se dirige a personas que afinan modelos con imágenes de un artista para reproducir ese estilo.

¿Cómo difiere Nightshade de Glaze en su objetivo?

Glaze es defensivo, protege el estilo de un artista. Nightshade es ofensivo, busca corromper lo que un modelo aprende de imágenes raspadas.

¿Cuál es el objetivo de optimización de Glaze al perturbar una obra de arte?

Glaze desplaza la representación de características de la imagen hacia un estilo señuelo para que el ajuste fino aprenda ese estilo en su lugar.

¿Qué evita que las perturbaciones sean evidentes para los espectadores humanos?

La optimización limita cuán diferente se ve la imagen para las personas mientras maximiza cuán diferente se ve para el modelo.

¿Qué encontró un estudio de 2024 de ETH Zurich y Google DeepMind?

El estudio mostró que un preprocesamiento económico podía deshacer las protecciones, permitiendo que la imitación de estilo tuviera éxito.