طنين الشبكة الكهربائية، شاهدٌ على مقاطع الفيديو المولَّدة بالذكاء الاصطناعي

أصبح كشف مقاطع الفيديو المولَّدة بالذكاء الاصطناعي سباق تسلّح، وهو بحسب Ryan Wyton وBacha Rehman من جامعة ساوثهامبتون سولنت سباقٌ «يخسره الكاشف». فمعظم الكواشف تتعلّم البصمات الكاشفة للمولّدات التي دُرّبت عليها. وفي معيار اختبار حديث يضمّ ستة ملايين مقطع، لا تبلغ أفضلها سوى نحو 80% من الدقة الإجمالية، وتهبط إلى مستوى الصدفة أو دونه أمام مولّدات لم ترها من قبل.

بحث الباحثان بدلًا من ذلك عن إشارة لا تتحكّم فيها المولّدات: تردّد الشبكة الكهربائية، أو ENF (electric network frequency).

بصمة الشبكة

تبلغ كهرباء الشبكة اسميًا 50 أو 60 هرتز، لكن تردّدها الدقيق ينجرف بمقادير صغيرة مع تغيّر العرض والطلب. ولأن الشبكة الكهربائية مترابطة بإحكام، يكون هذا الانجراف واحدًا، في حدود أجزاء من الألف من الثانية، عبر الشبكة كلها في أيّ لحظة — فيعمل كأنه ختم زمني. ويتسلّل إلى التسجيلات بطريقتين. فالميكروفونات تلتقطه على هيئة طنين. والمصابيح الموصولة بالشبكة تومض بضعف تردّد الشبكة، أي 100 أو 120 هرتز. والكاميرا التي يقرأ مستشعرها الصورة سطرًا بعد سطر («الغالق المتدحرج» أو rolling shutter) تسجّل ذلك الوميض على هيئة أشرطة خافتة في الفيديو.

فرضية لم تصمد

بدأ العمل بفكرة بسيطة: الفيديو الاصطناعي لن يحمل وميض الشبكة، ويمكن تمييزه بغيابه. وهي فكرة «لم تصمد أمام الأدلة»، كما يكتب المؤلفان. فعبر 600 مقطع من ستة مولّدات لتحويل النص إلى فيديو، ظهر الوميض بقوة اللقطات الحقيقية نفسها — بتردّد ظاهري يحدّده معدّل إطارات المولّد، لا أيّ شبكة حقيقية. وعند القياس بقوة الوميض وحدها، تعذّر التمييز بين المقاطع الحقيقية والمولَّدة: درجة 0.51، حيث تعني 0.5 التخمين المحض.

فتغيّر السؤال. فبدلًا من السؤال عمّا إذا كان الفيديو يحمل إشارة شبكة، يسأل النظام عمّا إذا كانت تلك الإشارة تطابق سجلًا مستقلًا للشبكة في الزمان والمكان المزعومين. فالأثر المطابق دليل قوي على تسجيل أصلي. أما غيابه فلا يُثبت شيئًا، لأن كثيرًا من التسجيلات الحقيقية — في الهواء الطلق، أو في إضاءة خافتة، أو بمعدّات صوت احترافية — لا تحمل طنينًا قابلًا للاستخدام.

كيف يعمل النظام

تقرأ شبكة عصبونية صغيرة (نحو 157,600 مُعامِل) إشارة الشبكة في الصوت والصورة معًا.
الأمثلة الحقيقية الموسومة نادرة، لذا درّبها الفريق على أمثلة اصطناعية: نمذجوا كيف يتجوّل تردّد الشبكة ثم يُشدّ عائدًا نحو قيمته الاسمية، ثم حقنوا هذا الانجراف في كلام خالٍ من الطنين وفيديو خالٍ من الوميض، مع خمسة أنواع من الإشارات غير المتّسقة (غائبة، مسطّحة، متقطّعة، من شبكة خاطئة، ملصوقة).
تطابق خطوة منفصلة إشارة التسجيل مع سجلّ مرجعي للشبكة، إما للتحقق من زمن مزعوم وإما للعثور على زمن مجهول.
يجمع مخطط قرار ثابت — وهو الجزء «الوكيلي» (agentic) — بين ذلك وبين كواشف قائمة للوجوه المتلاعَب بها ومزامنة الشفاه والبيانات الوصفية، ولا يستدعي البطيئة منها إلا حين تكون الفحوص السريعة غير حاسمة.

النتائج

على تسجيلات حقيقية من مصادر لم تُرَ قطّ أثناء التدريب، قَبِل النظام 93% من الصوت الأصلي و100% من مقاطع الفيديو الأصلية، مقابل 53% و15% لاختبار ساذج من نوع «هل هناك طنين؟».
فصل التحقق من زمن تسجيل مزعوم بين الأختام الزمنية الأصلية والزائفة فصلًا تامًّا في التسجيلات التي أمكن استخراج أثر منها؛ وعثر بحث أعمى على زمن تسجيل مجهول في حدود ثانية واحدة تقريبًا ضمن مرجع مدته 24 ساعة.
في مشهد حقيقي، طابق وميض الفيديو مرجعه الشبكي وصوت التسجيل نفسه. أما إعادتا إنشاء ذلك المشهد بالذكاء الاصطناعي فقد ومضتا بتردّد 60 هرتز، وهي الشبكة الخاطئة لمكان يُزعم أنه يعمل بتردّد 50.
من بين 91 تسجيلًا أصليًا فُحصت مقابل شبكتها الحقيقية، لم يوجّه أيّ اتهام زائف.
خفّض تشغيل الكواشف البطيئة عند الحاجة فقط زمن الحوسبة بنسبة 54% من دون خسارة في الدقة.

الحالة الصعبة

تُثبت إشارة الشبكة أصالة التسجيل، لا ما يعرضه. فإذا صوّر أحدهم مشهدًا حقيقيًا ثم بدّل فيه وجهًا، يبقى الطنين أصليًا. وتقع هذه المهمة على كواشف الوجوه ومزامنة الشفاه، التي جاء أداؤها على لقطات مضغوطة لعمليات تبديل وجوه حقيقية قريبًا من الصدفة: إذ سجّلت المجموعة الكاملة نحو 50%. وتحتاج الطريقة أيضًا إلى سجلّات مرجعية للشبكة، يصفها المؤلفان بأنها علنية للمملكة المتحدة وأوروبا القارية لكنها مقيّدة أو غير منشورة في أماكن أخرى، ولا تستطيع إيقاف مزوّر يلصق تسجيلًا شبكيًا أصليًا من الزمان والمكان الصحيحين.

يقدّم المؤلفان نظامهما أداةً للفرز، وخطًّا واحدًا من الأدلة بين خطوط أخرى. وهدفه، كما يكتبان، «ليس الحكم بأن مقطعًا ما مزيّف، بل القول، بثقة معايَرة، متى يكون التسجيل هو ما يدّعي أنه هو».