💻 computer science

Skyra: AI-Generated Video Detection via Grounded Artifact Reasoning

تقدم هذه الورقة Skyra، وهو نموذج لغوي كبير متعدد الوسائط متخصص يكتشف ويفسر مقاطع الفيديو المُنشأة بواسطة الذكاء الاصطناعي من خلال تحديد الآثار البصرية التي يمكن للإنسان إدراكها، مدعوماً بمجموعة بيانات ViF-CoT-4K الجديدة، واستراتيجية تدريب ثنائية المرحلة، وتقييم ViF-Bench الشامل.

المؤلفون الأصليون: Yifei Li, Wenzhao Zheng, Yanran Zhang, Runze Sun, Yu Zheng, Lei Chen, Jie Zhou, Jiwen Lu

نُشر 2026-05-18

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yifei Li, Wenzhao Zheng, Yanran Zhang, Runze Sun, Yu Zheng, Lei Chen, Jie Zhou, Jiwen Lu

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أن الإنترنت فجأة غرق بمقاطع فيديو تبدو حقيقية للغاية، لدرجة أنك لا تستطيع التمييز بين ما إذا كانت قد صُوِّرت بكاميرا أم أنها من نسج خيال الكمبيوتر. هذه هي المشكلة التي صُممت Skyra لحلها.

فكر في Skyra ليس كمجرد كاشف بسيط للإجابة بـ "نعم أو لا"، بل كـ محقق فيديوهات خارق القدرات، لا يكتفي فقط بالتخمين بأن الفيديو مزيف، بل يشير بالفعل بإصبعه إلى "الخلل" المحدد الذي كشفه، ويشرح لماذا يُعد هذا الخلل خطأً.

إليك كيف يتم تفصيل الورقة البحثية، باستخدام بعض التشبيهات من الحياة اليومية:

1. المشكلة: "الوادي غير المريح" أصبح أكثر سلاسة

لقد أصبحت مولدات الفيديو بالذكاء الاصطناعي (مثل Sora وKling وWan) بارعة للغاية. يمكنها صنع فيديوهات تبدو مثالية للوهلة الأولى.

الطريقة القديمة: كانت الكواشف السابقة تشبه حراس الأمن الذين يمتلكون قائمة مراجعة؛ حيث يبحثون عن "بكسلات سيئة" أو "إضاءة غريبة". ولكن مع تطور الذكاء الاصطناعي، اختفت تلك البكسلات السيئة، وبدأ الحراس يشعرون بالارتباك، فغالباً ما يصنفون الفيديوهات الحقيقية على أنها "مزيفة!" والمزيفة على أنها "حقيقية!".
مشكلة النماذج اللغوية الكبيرة متعددة الوسائط (MLLM): حتى أذكى نماذج الدردشة العامة (التي تُعتبر "عباقرة" عالم الذكاء الاصطناعي) فشلت في هذا الاختبار. فعند سؤالها عن تمييز فيديو مزيف، كانت تكتب مقالات طويلة وواثقة تقول فيها: "الإضاءة تبدو رائعة، والشخص يبتسم، لذا فهذا الفيديو حقيقي!". لقد فاتتها الأخطاء الدقيقة التي تكسر قوانين الفيزياء لأنها لم تكن مدربة على البحث عنها.

2. الحل: Skyra، "الناقد الفني الجنائي"

Skyra هو نموذج ذكاء اصطناعي متخصص مصمم للقيام بشيء واحد فقط: إيجاد "الآثار الاصطناعية" (Artifacts).

ما هو الأثر الاصطناعي؟ تخيل أنك تنظر إلى لوحة فنية؛ إذا رسم الفنان يداً بستة أصابع، أو إذا تحول كوب قهوة فجأة إلى طائر في منتصف الهواء، فهذا هو "الأثر الاصطناعي". إنه خطأ يكسر قوانين الفيزياء أو المنطق السليم.
كيف تعمل Skyra: بدلاً من مجرد قول "مزيف"، تعمل Skyra مثل محقق يحمل عدسة مكبرة. إنها تشاهد الفيديو إطاراً تلو الآخر وتقول:

"عند الثانية 1.5، ذاب المحرك المعدني الخاص بالبارتندر مثل الزبدة. هذا مستحيل! هذا تشوه في الشكل (Shape Distortion). وأيضاً، عند الثانية 3.0، ظهر كوب من العدم. هذا ظهور غير طبيعي لجسم (Abnormal Object Appearance)."

3. التدريب: تعليم المحقق عبر "ملف قضايا مكون من 4,000 فيديو"

لا يمكنك تعليم محقق كيفية كشف التزييف بمجرد الطلب منه أن يخمن؛ بل تحتاج إلى قضايا حقيقية.

مجموعة البيانات (ViF-CoT-4K): قام الباحثون ببناء مكتبة ضخمة تضم 4,000 فيديو. والأهم من ذلك، أنهم لم يكتفوا بتصنيفها كـ "مزيفة" فحسب، بل جعلوا خبراء بشريين يشاهدونها ويكتبون تقارير مفصلة حول بالضبط ما هو الخطأ، وصولاً إلى الثانية المحددة والمكان الدقيق على الشاشة.
"سلسلة الأفكار" (Chain of Thought - CoT): لقد علموا الذكاء الاصطناعي كيف "يفكر بصوت عالٍ". فبدلاً من القفز إلى استنتاج، يُجبر الذكاء الاصطناعي على قول: "أنا أرى هذا، ثم أرى ذاك، ولذلك هذا الفيديو مزيف". وهذا يحاكي الطريقة التي يستنتج بها الخبير البشري.

4. التدريب على خطوتين: "البداية الباردة" و"التعزيز"

تصف الورقة عملية تدريب ذكية تتكون من خطوتين:

الخطوة 1: البداية الباردة (SFT): قاموا أولاً بتعليم الذكاء الاصطناعي الأساسيات باستخدام التقارير المكتوبة بشرياً. الأمر يشبه إعطاء محقق جديد كتاباً مدرسياً عن "الأخطاء الشائعة في الفيديوهات المزيفة" ليعرف ما الذي يجب أن يبحث عنه.
الخطوة 2: التعلم التعزيزي (RL): هذه هي مرحلة "الممارسة". يتم اختبار الذكاء الاصطناعي، وإذا فاته دليل أو أخطأ في الاستنتاج، يتلقى "عقوبة". وإذا وجد خطأً دقيقاً يكسر قوانين الفيزياء قد يغفل عنه البشر، فإنه يحصل على "مكافأة". هذا يدفع الذكنا الاصطناعي ليصبح محققاً ماهراً يستطيع رصد أدق وأخفى الأخطاء.

5. النتائج: التفوق على المنافسين

اختبر الباحثون Skyra مقابل "ViF-Bench"، وهي مجموعة اختبار صارمة تحتوي على فيديوهات من أكثر من 10 من أكثر مولدات الفيديو المتقدمة في العالم.

النتيجة: لم تفز Skyra فحسب، بل هيمنت تماماً. فبينما عانت الكواشف الأخرى (وحتى نماذج الذكاء الاصطناعي العامة الأكثر ذكاءً) وغالباً ما كان أداؤها لا يتعدى التخمين العشوائي، حققت Skyra دقة عالية جداً.
"السبب": توضح الورقة أن نجاح Skyra يعود إلى تركيزها على الانتهاكات الجوهرية (الأشياء التي تكسر الفيزياء، مثل شخص يمشي عبر جدار أو جسم يتغير لونه لحظياً) بدلاً من الأمور السطحية مثل "هل يبدو هذا الفيديو مشوشاً؟".

الملخص

باختاً، Skyra هو محقق ذكاء اصطناعي متخصص، تم تدريبه على مكتبة ضخمة من "أخطاء الذكاء الاصطناعي" الموثقة بشرياً. هي لا تخمن فقط ما إذا كان الفيديو مزيفاً، بل تشاهد الفيديو، وترصد اللحظة المحددة التي تكسر فيها الفيزياء (مثل ملعقة تذوب أو شخص يختفي)، وتكتب تقريراً يشرح بالضبط لماذا تعلم أن هذا الفيديو هو عملية تزييف. لقد صُممت لتكون "صادقة الحقائق" في عالم لم يعد فيه التصديق يعتمد على ما تراه العين.