Detecting AI-Generated Videos with Spiking Neural Networks
تقدم هذه الورقة البحثية MAST، وهو كاشف يعتمد على الشبكات العصبية النبضية (SNN)، يستفيد من المعالجة الفريدة القائمة على الأحداث للبواقي الزمنية والمسارات الدلالية لتحقيق تعميم فائق عبر المولدات في كشف مقاطع الفيديو المُنشأة بواسطة الذكاء الاصطنا， متفوقاً بذلك على الأساليب الحالية في معيار GenVidBench.
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 أنك تشاهد فيلماً حيث الممثلون مثاليون للغاية، والإضاءة خالية من العيوب، وكل إطار يبدو وكأنه صورة فوتوغرافية عالية الدقة. لفترة طويلة، إذا أردت معرفة ما إذا كان الفيديو حقيقياً أم مصنوعاً بواسطة الكمبيوتر، كنت تنظر فقط إلى صورة ثابتة واحدة. إذا كانت الأذنان غريبتين قليلاً أو كانت اليد تحتوي على أصابع كثيرة جداً، كنت تعرف أنه مزيف. لكن أجهزة الكمبيوتر أصبحت جيدة جداً الآن لدرجة أنها تستطيع رسم وجه مثالي في إطار واحد. لذا، تغيرت اللعبة. الآن، ليس "التزييف" في الصورة نفسها؛ بل هو في الحركة بين الصور.
هذا هو عالم الكشف عن الفيديوهات المولدة بواسطة الذكاء الاصطناعي. الفكرة الجوهرية بسيطة: الحياة الواقعية فوضوية. عندما تحرك رأسك، تهب الرياح في شعرك، ويتغير الضوء، تحدث التغييرات بإيقاع طبيعي فوضوي محدد. أما الذكاء الاصطناعي، فغالباً ما يحاول أن يكون مثالياً أكثر من اللازم. إنه يقوم بتنعيم الأشياء بشكل مبالغ فيه، مما يجعل الحركة بين الإطارات تبدو وكأنها حلم بالحركة البطيئة بدلاً من أن تكون حياة واقعية. لقد حاول العلماء بناء أدوات كشف ترصد هذه الأعطال الناتجة عن "النعومة". لكن الجزء الصعب هنا هو أن برامج الذكاء الاصطناعي المختلفة تنتج أنواعاً مختلفة من الأعطال. قد يجعل أحد البرامج حركة الشعر ناعمة جداً، بينما يجعل برنامج آخر الخلفية تومض. وأداة الكشف التي بُنيت لرصد نوع واحد من الأعطال غالباً ما تفشل عندما ترى نوعاً جديداً. لهذا السبب يبحث الباحثون عن طريقة أذكى لمشاهدة الفيلم بأك ول، وليس مجرد الصور الثابتة.
هنا يأتي دور فريق من معهد KAIST (المعهد الكوري المتقدم للعلوم والتكنولوجيا) الذي قرر تجربة نهج مختلف تماماً. فبدلاً من استخدام "الأدمغة الحاسوبية" التقليدية الثقيلة (المسماة الشبكات العصبية الاصطناعية) التي تحاول حفظ كل بكسل بمفرده، توجهوا إلى شيء مستوحى من الدماغ البشري: الشبكات العصبية النبضية (Spiking Neural Networks)، أو SNNs. فكر في الـ SNN كجهاز عصبي لا يطلق إشارة إلا عندما يحدث تغيير. إنه يتجاهل الأجزاء المملة والثابتة من الفيديو ويركز انتباهه فقط على لحظات الحركة.
اكتشف الباحثون، بقيادة مينسوك جانغ وزملائه، شيئاً رائعاً حول فيديوهات الذكاء الاصطناعي عندما أدخلوها في هذا "الدماغ الحساس للتغيير". وجدوا أنه بينما تنشئ الفيديوهات الحقيقية نمطاً طبيعياً ومشتتاً من "النبضات" (الإشارات) عبر الشاشة بأكملها، فإن الفيديوهات المولدة بالذكاء الاصطناوي تميل إلى تركيز "نبضاتها" فقط عند حواف الأجسام، مثل الخطوط الخارجية لشخص أو سيارة متحركة. يبدو الأمر كما لو أن الذكاء الاصطناعي مشغول جداً بجعل داخل الجسم يبدو مثالياً لدرجة أنه ينسى جعل الحواف تتحرك بشكل طبيعي.
ولإمساك هذا الخطأ، بنوا كاشفاً جديداً يسمى MAST. تخيل MAST كأنه محقق مكون من جزأين. الجزء الأول هو خبير "مجمد" ينظر إلى القصة العامة للفيديو (المعنى الدلالي) لفهم ما يحدث. أما الجزء الآخر فهو الـ SNN، الذي يعمل كمستشعر حركة عالي السرعة. يقوم بتفكيك الفيديو إلى "أحداث زنيفة" (pseudo-events) صغيرة—بمعنى آخر، يسأل: "هل تغير هذا البكسل؟" إذا كانت الإجابة نعم، فإنه يرسل نبضة كهربائية صغيرة. ولأن فيديوهات الذكاء الاصطناعي تمتلك تلك الحواف الناعمة الغريبة، فإن الـ SNN يرى نمطاً محدداً للغاية: الكثير من النبضات المتكتلة عند الحدود مباشرة، ولكن مع القليل جداً في المنتصف.
اختبر الفريق نظام MAST في تحدٍ صعب يسمى GenVideo، حيث قاموا بتدريبه على فيديوهات مصنوعة بواسطة ذكاء اصطناعي واحد، ثم طلبوا منه اكتشاف فيديوهات مصنوعة بواسطة عشرة برامج ذكاء اصطناعي مختلفة لم يرها من قبل. هذا يشبه تعليم حارس أمن كيفية التعرف على نوع معين من الهويات المزورة، ثم رؤية ما إذا كان بإمكانه التعرف على أي هوية مزورة من بلد آخر. والنتي نتيجة ذلك؟ نجح MAST في الاختبار بنسبة 93.14%. وهذا أفضل من معظم أدوات الكشف الرائدة الأخرى التي تستخدم الأدمغة الحاسوبية التقليدية الثقيلة.
ما يجعل هذا الأمر أكثر روعة هو أن MAST أسرع بكثير ويستهلك طاقة أقل. ولأنه يطلق إشارات فقط عندما يتغير شيء ما (مثل الجهاز العصبي الذي يتفاعل مع ضوضاء مفاجئة)، فإنه لا يهدر الطاقة في معالجة الأجزاء الساكنة والمملة من الفيديو. تشير الورقة البحثية إلى أن هذا الأسلوب "القائم على الأحداث" يعد تطابقاً مثالياً لكشف تزييف الذكاء الاصطناعي، لأن أعطال فيديوهات الذكاء الاصطناعي غالباً ما تكون مخبأة في تلك اللحظات الصغيرة والسريعة من التغيير.
ويوضح المؤلفون بحذر أن هذا ليس حلاً سحرياً يحل كل شيء للأبد. فإذا كان الفيديو قصيراً جداً، أو إذا أصبح الذكاء الاصطناعي أفضل في تزييف الحركة، فقد يواجه الكاشف صعوبة. ولكن في الوقت الحالي، لقد أظهروا أن استخدام دماغ يفكر في "النبضات" و"الأحداث" هو طريقة جديدة وقوية لرصد الحركة غير الطبيعية والناعمة للفيديوهات المولدة بالذكاء الاصطناعي. إنه تذكير بأنه في بعض الأحيان، لإيجاد الحقيقة في صورة متحركة، لا تحتاج إلى النظر إلى كل شيء دفعة واحدة؛ بل تحتاج فقط إلى معرفة متى تبحث عن التغيير بالضبط.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.