From Cheap Fakes to Pure Synthesis: Addressing the New Era of T2V Fake News Videos
لمواجهة التهديد الناشئ لمقاطع الفيديو الإخبارية المزيفة ذات التوليد الصرف الناتجة عن نماذج تحويل النص إلى فيديو، تقدم هذه الورقة أول مجموعة بيانات مخصصة (PS-FNVD) وإطار تصنيف ثلاثي مبتكر (R-T2V) يدمج الاستدلال الدلالي مع الآثار الفيزيائية لتحقيق أداء كشف هو الأفضل في مجاله.
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 تتصفح هاتفك، تشاهد مقاطع فيديو قصيرة للأخبار. لسنوات، إذا أراد شخص ما أن يكذب عليك، كان عليه أن يكون محرراً غير ماهر؛ حيث يأخذ فيديو حقيقياً لسياسي، ويقص جملة، ثم يضع مكانها جملة أخرى، أو يستبدل وجهاً بجسد آخر. كانت هذه تُسمى "التزييف الرخيص" (cheap fakes)—وهي سهلة الاكتشاف إذا نظرت بتمعن لأن الأجزاء لا تتطابق تماماً، مثل قطعة أحجية أُقحمت في صندوق خاطئ. لكن مؤخًا، ظهر نوع جديد من الخدع السحرية. تخيل روبوتاً يمكنه الاستماع إلى قصة مختلقة، ثم يرسم فوراً فيلماً جديداً كلياً، فائق الواقعية ليطابقها، إطاراً تلو الآخر، من الصفر. هذا هو توليد "النص إلى الفيديو" (Text-to-Video). الآن، لا يحتاج الكاذبون إلى لقطات قديمة؛ يمكنهم فقط كتابة كذبة، وسيقوم الكمبيوتر برسم عالم مزيف ومثالي يبدو تماماً مثل تلك الكذبة.
هذا التحول يخلق صداعاً هائلاً للمتخصصين الذين يحاولون كشف الكاذبين. الأدوات القديمة بُنيت لرصد "الخلل" حيث تم تقطيع اللقطات الحقيقية. ولكن إذا كان الفيديو لم يكن حقيقياً في الأصل، فلا توجد علامات تقطيع للبحث عنها. والأسوأ من ذلك، أن الذكاء الاصطناعي الجديد بارع جداً في اتباع التعليمات، بحيث يتطابق الفيديو المزيف مع القصة المزيفة تماماً. الأمر يشبه ساحراً لا يكتفي بإظهار أرنب فحسب، بل يجعل الأرنب يرتدي القبعة التي طلبتها بالضبط. إذا تحققت فقط مما إذا كان الأرنب يطابق القبعة، فستعتقد أن كل شيء حقيقي. السؤال الكبير الذي يواجه العلماء هو: كيف نكشف الكذبة عندما تبدو الكذبة مثالية، وتتطابق القصة مع الصورة بشكل مبالغ فيه؟
تتناول هذه الورقة البحثية هذه المشكلة تحديداً. أدرك المؤلفون، وهم فريق من جامعة هونغ كونغ البابتيست وجامعة بكين نورمال، أن الطريقة القديمة في فحص فيديوهات الأخبار—بمجرد السؤال "هل هذا حقيقي أم مزيف؟"—لم تعد كافية بعد الآن. ويجادلون بأننا بحاجة إلى طريقة أذكى لتصنيف ثلاثة أنواع من الفيديوهات: الفيديوهات الحقيقية، والتزييف الرخص (النوع القديم المقطوع)، والتوليد الصرف (النوع الجديد المصنوع بالذكاء الاصطناعي).
لحل هذه المشكلة، قاموا أولاً ببناء ساحة تجارب جديدة تسمى مجموعة بيانات PS-FNVD. بدلاً من مجرد جلب فيديوهات قديمة، استخدموا مولداً قوياً للفيديو يعمل بالذكاء الاصطناعي لإنشاء نوعين محددين من الأخبار المزيفة الماكرة. النوع الأول هو "الفخ المثالي": كتبوا قصة مزيفة وجعلوا الذكاء الاصطناعي يولد فيديو يطابقها بدقة شديدة لدرجة أنه يبدو متسقاً بنسبة 100%. النوع الثاني هو "الزي الزائف": أخذوا قصة حقيقية (مثل حديقة مدينة تحصل على روبوت جديد) ولكن جعلوا الذكاء الاصطناعي يولد فيديو مزيفاً ومبالغاً فيه تماماً ليرافقها (مثل روبوت عملاق يسيطر على الحديقة). هذه المجموعة من البيانات مميزة لأنها تجبر الحواسيب على تعلم الفرق بين فيديو متسق "دلالياً" (القصة والصورة متطابقتان) ولكنه مزيف "فيزيائياً" (لم يتم تصويره أبداً)، وبين فيديو هو مجرد تجميع غير متناسق.
بعد ذلك، بنوا أداة كشف جديدة تسمى R-T2V. بدلاً من مجرد التخمين "حقيقي" أو "مزيف"، تم تدريب هذه الأداة لتعمل كخبير جنائي يكتب تقريراً مفصلاً قبل اتخاذ القرار. لقد علموا الذكاء الاصطناعي النظر في سبعة أدلة محددة، مقسمة إلى مجموعتين: أدلة منطقية (هل القصة منطقية؟ هل يحاول النص خداعنا؟) وأدلة فيزيائية (هل تبدو الظلال غريبة؟ هل يتحرك الناس مثل الروبوتات؟ هل الملمس ناعم جداً؟).
النتائج مثيرة للإعجاب حقاً. فعندما اختبروا كاشفهم الجديد ضد عشر طرق شائعة أخرى، سحقهم نظام R-T2V. بينما حصلت ثاني أفضل طريقة على الإجابات الصحيحة بنسبة 72% تقريباً، حقق R-T2V دقة بلغت 84.79%. ومن حيث مقياس يسمى "macro F1" (الذي يقيس مدى قدرة النظام على التعامل مع جميع أنواع الفيديوهات بالتساوي)، فقد سجل 0.8000، متفوقاً على المنافس الثاني بفارق هائل قدره 8.46 نقطة مئوية.
تشير الورقة البحثية إلى أن "الخلطة السرية" ليست مجرد جعل الذكاء الاصطناعي أكبر أو أذكى، بل هي تعليمه أن "يفكر" خطوة بخطوة. فعندما اختبروا نسخة أصغر من ذكائهم الاصطناعي بدون هذا التدريب على "التفكير"، انهار أداؤه ليصل إلى حوالي 29%، مما يثبت أن القدرة على الاستنتاج من خلال الأدلة السبعة هي ما يصنع الفارق. يوضح المؤلفون أنه من خلال إجبار الذكاء الاصطناعي على شرح لماذا الفيديو مزيف—عبر التحقق مما إذا كانت الفيزياء خاطئة حتى لو بدت القصة صحيحة—يمكنه رصد فيديوهات "التوليد الصرف" الجديدة التي تخدع الجميع.
ومع ذلك، يلاحظ المؤلفون بحذر أن هذا ليس عصا سحرية تحل كل شيء. فنظامهم حالياً يقرأ نص ما يقوله الناس في الفيديو فقط، ولا يقرأ الموجات الصوتية الفعلية، لذا قد يفتقد الأصوات المزيفة. كما أنه لا ينظر إلى كيفية مشاركة الفيديو على وسائل التواصل الاجتماعي، وهو ما يعد غالباً دليلاً مهماً في الحياة الواقعية. ولكن في الوقت الحالي، لقد أظهروا أنه من خلال تعليم الذكاء الاصطناعي الفصل بين "هل تتطابق القصة؟" و"هل يبدو الفيديو حقيقياً؟"، يمكننا البدء في كشف هذه الأكاذيب المثالية الجديدة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.