پژوهشگران در مطالعه‌ای بررسی کرده‌اند که آیا می‌توان افراد را برای تشخیص تصاویر چهره‌های تولیدی هوش مصنوعی آموزش داد یا خیر. این تحقیق با سرپرستی دکتر کلر ساترلند از دانشگاه ابردین و پروفسور ایمی داول، مدیر آزمایشگاه احساسات و چهره‌ها در دانشگاه ملی استرالیا، انجام شده است. تقارن بیش از حد چهره، متناسب نبودن اجزای صورت، بیش از حد جذاب بودن، تکراری بودن چهره، منتقل نشدن احساس، و به یادماندنی نبودن از جمله ویژگی‌های چهره‌های تولید هوش مصنوعی است.

به نوشته سرویس جهانی بی‌بی‌‌سی، پیشرفت سریع هوش مصنوعی باعث شده است تصاویر ساختگی یا جعل عمیق (دیپ فیک) بسیار واقعی‌تر از گذشته به نظر برسند. در گذشته، تشخیص این تصاویر آسان‌تر بود، زیرا هوش مصنوعی اشتباه‌های آشکاری مانند انگشت اضافی یا جزئیات غیرطبیعی ایجاد می‌کرد، اما با پیشرفت مدل‌های هوش مصنوعی این خطاها تا حد زیادی برطرف شده‌اند. به همین دلیل، پژوهشگران به‌جای تمرکز بر یافتن نقص‌های آشکار، روش متفاوتی را برای آموزش افراد آزمایش کردند.

در این پژوهش، هزاران تصویر چهره با استفاده از ابزار تولید تصویر StyleGAN3، یکی از پیشرفته‌ترین مولدهای چهره، ساخته شد. شرکت‌کنندگان ابتدا در آزمونی شرکت کردند تا توانایی اولیه آن‌ها در تشخیص تصاویر واقعی از تصاویر تولیدی هوش مصنوعی سنجیده شود. سپس، آموزش دیدند و بار دیگر ارزیابی شدند.

آموزش بر شش ویژگی ادراکی متمرکز بود. نخست، تقارن چهره؛ زیرا چهره‌هایی که هوش مصنوعی می‌سازد اغلب بیش از حد متقارن‌اند و ویژگی‌های طبیعی مانند افتادگی جزئی پلک یا نامتقارنی لبخند را کمتر نشان می‌دهند. 

دوم، تناسب اجزای صورت؛ تصاویر هوش مصنوعی معمولا از چهره‌هایی با بینی بسیار بزرگ یا گوش‌های برجسته دوری می‌کنند و به سمت تناسب‌های رایج گرایش دارند.

ویژگی سوم، جذابیت ظاهری است. به گفته پژوهشگران، هوش مصنوعی معمولا چهره‌هایی می‌سازد که از نظر ظاهری زیباتر و خوشایندتر از میانگین افراد واقعی‌اند. 

چهارمین ویژگی، تمایز چهره بود. تصاویر تولیدی هوش مصنوعی معمولا به چهره‌های متوسط و معمولی شباهت دارند و کمتر ویژگی‌هایی دارند که آن‌ها را در میان جمعیت متمایز کند.

پنجمین معیار، میزان بیان احساسات است. پژوهشگران دریافتند چهره‌های تولیدشدی هوش مصنوعی معمولا احساسات کمتری منتقل می‌کنند و حالت‌های چهره در آن‌ها محدودتر است. 

ششمین ویژگی نیز به قابلیت به‌یادماندنی بودن چهره مربوط می‌شد. این تصاویر اغلب کمتر در ذهن باقی می‌مانند و پس از مشاهده، به‌سختی به یاد آورده می‌شوند.

به گفته پژوهشگران، هوش مصنوعی در تولید چهره افراد غیرسفیدپوست، سالمندان و کودکان هنوز عملکرد ضعیف‌تری دارد، زیرا داده‌های آموزشی بیشتر شامل تصاویر افراد جوان و سفیدپوست بوده است.

بر اساس نتایج تحقیق، تشخیص تصاویر ساختگی به یافتن یک نشانه قطعی وابسته نیست، بلکه نیازمند آشنایی تدریجی با مجموعه‌ای از ویژگی‌های ظریف و شکل‌گیری نوعی حس شهودی است. شرکت‌کنندگان با مشاهده مجموعه‌ای از تصاویر واقعی و ساختگی و اطلاع از پاسخ صحیح، در مدت حدود یک ساعت پیشرفت قابل توجهی در تشخیص تصاویر داشتند.

نتایج نشان داد میانگین دقت شرکت‌کنندگان از حدود ۴۰ درصد پیش از آموزش به حدود ۸۰ درصد پس از آموزش افزایش پیدا کرد و تعدادی از افراد نیز به دقت نزدیک به ۱۰۰ درصد دست یافتند.

پژوهشگران این روند را مشابه نحوه یادگیری مدل‌های هوش مصنوعی توصیف کردند؛ به این معنا که انسان نیز با مشاهده نمونه‌های متعدد و دریافت بازخورد، به‌مرور الگوها را تشخیص می‌دهد، حتی اگر دقیقا نداند این فرایند چگونه در ذهن او شکل گرفته است.

بخش دیگری از پژوهش میزان اعتمادبه‌نفس شرکت‌کنندگان را بررسی کرد. مطالعات پیشین نشان داده بود افرادی که بیشترین اطمینان را به توانایی‌شان در تشخیص تصاویر ساختگی داشتند، اغلب بیشترین اشتباه را نیز مرتکب می‌شدند. اما در این پژوهش، هم دقت و هم اعتمادبه‌نفس افراد پس از آموزش افزایش پیدا کرد.

افراد می‌توانند با تمرین بیشتر، مهارت تشخیص تصاویر ساختگی را افزایش دهند و حتی از طریق وب‌سایت‌های آموزشی یا مشارکت در پروژه‌های تحقیقاتی این توانایی را تقویت کنند.

شرکت مشاوره‌ای «دیلویت» پیش‌بینی کرده است خسارت ناشی از کلاهبرداری‌ با استفاده از جعل عمیق در آمریکا تا سال آینده به حدود ۴۰ میلیارد پوند برسد. همچنین، نمونه‌هایی از کلاهبرداری مالی و استفاده از تصاویر ساختگی در جاسوسی سیاسی، از جمله پرونده یک حساب کاربری جعلی منسوب به روسیه در لینکدین، در گزارش ذکر شده است.

در کنار این موارد، پژوهشگران به کاربردهای مثبت هوش مصنوعی نیز اشاره کرده‌اند؛ از جمله بازسازی چهره کودکان گمشده در سنین مختلف یا استفاده از این فناوری در فعالیت‌های خلاقانه، مشروط بر آنکه استفاده از هوش مصنوعی برای مخاطبان آشکار باشد.

خبر خوب این است که هنوز در دنیایی پادآرمان‌شهری زندگی نمی‌کنیم که تشخیص واقعیت از تولید رایانه غیرممکن باشد.

اما خبر بد این است که مدل‌های هوش مصنوعی احتمالا تاکنون مقالات علمی منتشرشده را «خوانده‌اند» و همچنان در حال یادگیری‌اند.