بجلی دے جال دی گونج، AI ویڈیوآں دے خلاف اک گواہ

AI نال بݨیاں ویڈیوآں نوں پھڑنا ہتھیاراں دی دوڑ بݨ گیا اے، تے ساؤتھیمپٹن سولینٹ یونیورسٹی دے رائن وائٹن (Ryan Wyton) تے باچا رحمان (Bacha Rehman) دے مطابق، ایہہ اوہ دوڑ اے جیہڑی “پھڑن والا ہار رہیا اے”۔ بہتے پھڑن والے پروگرام اوہناں ویڈیو بݨاؤݨ والے پروگراماں دے بھیت کھولݨ والے نشان سکھدے نیں جنہاں اُتے اوہناں نوں سکھلائی دتی گئی ہووے۔ سٹھ لکھ کلپاں دے اک تازہ مقابلہ جاتی ٹیسٹ اُتے، سب توں چنگے کُل ملا کے مشکل نال 80٪ دی درستی تیک اپڑدے نیں، تے جنہاں پروگراماں نوں اوہناں کدی نئیں ویکھیا اوہناں اُتے اٹکل جِنے یا اوہدے توں وی تھلے ڈِگ پیندے نیں۔

دوواں کھوجیاں نے ایہدی تھاں اک اجیہا اشارہ لبھیا جیہنوں ویڈیو بݨاؤݨ والے پروگرام قابو نئیں کردے: بجلی دے جال دی فریکوئنسی (electric network frequency)، یا ENF۔

جال دا انگوٹھے دا نشان

گھراں والی بجلی ناں دی 50 یا 60 ہرٹز ہوندی اے، پر ایہدی ٹھیک فریکوئنسی رسد تے منگ دے بدلن نال تھوڑی تھوڑی کھسکدی رہندی اے۔ کیونجے بجلی دا جال آپس وچ کس کے جُڑیا ہوندا اے، ایہہ کھسکاؤ کسے وی پل پورے جال وچ، ملی سکنٹاں دے فرق نال، اکو جہیا ہوندا اے — ایس لئی ایہہ اک ویلے دی مہر وانگوں کم کردا اے۔ ایہہ ریکارڈنگاں وچ دو راہواں نال وڑدا اے۔ مائیکروفون ایہنوں اک گونج دی شکل وچ پھڑدے نیں۔ تے بجلی نال چلن والے لیمپ جال دی فریکوئنسی توں دُگݨی، یعنی 100 یا 120 ہرٹز اُتے جھلملاندے نیں۔ اوہ کیمرہ جیہدا سینسر تصویر نوں لکیر لکیر کر کے پڑھدا اے (“رولنگ شٹر”، rolling shutter) ایس جھلمل نوں ویڈیو وچ ہلکیاں پٹیاں دی شکل وچ ریکارڈ کردا اے۔

اک مفروضہ جیہڑا ٹک نہ سکیا

کم اک سادے خیال نال شروع ہویا: بݨاوٹی ویڈیو وچ جال دی کوئی جھلمل نئیں ہووے گی تے ایہدی غیر موجودگی نال ایہنوں پھڑیا جا سکے گا۔ لکھاری لکھدے نیں پئی ایہہ خیال “ثبوت نال ٹکراؤ مگروں ٹک نہ سکیا”۔ لکھت توں ویڈیو بݨاؤݨ والے چھ پروگراماں دے 600 کلپاں وچ، جھلمل اصلی ویڈیو جنی ای زور نال نظر آئی — اک اجیہی دسدی فریکوئنسی نال جیہڑی پروگرام دی فریم ریٹ نے مقرر کیتی سی، کسے اصلی جال نے نئیں۔ صرف جھلمل دے زور نوں ناپیا جاوے تے اصلی تے بݨاوٹی کلپاں نوں وکھرا نئیں کیتا جا سکدا سی: 0.51 دا سکور، جتھے 0.5 دا مطلب نری اٹکل اے۔

سو سوال بدل گیا۔ ایہہ پچھن دی تھاں پئی ویڈیو وچ جال دا اشارہ ہے یا نئیں، سسٹم پچھدا اے پئی کیہ ایہہ اشارہ دعوے والے ویلے تے تھاں اُتے جال دے اک وکھرے ریکارڈ نال ملدا اے۔ ملدا ہویا نشان اصلی ریکارڈنگ دا پکا ثبوت اے۔ غیر موجود نشان کجھ ثابت نئیں کردا، کیونجے بہت ساریاں اصلی ریکارڈنگاں — باہر، مدھم روشنی وچ، یا پیشہ ور آواز دے سامان نال — وچ کوئی ورتݨ جوگی گونج نئیں ہوندی۔

سسٹم کیویں کم کردا اے

اک نِکا نیورل نیٹ ورک (لگ بھگ 157,600 پیرامیٹر) جال دے اشارے نوں آواز تے تصویر دوواں وچ پڑھدا اے۔
اصلی لیبل والیاں مثالاں تھوڑیاں نیں، ایس لئی ٹیم نے ایہنوں بݨاوٹی مثالاں اُتے سکھلائی دتی: اوہناں نے ماڈل بݨایا پئی جال دی فریکوئنسی کیویں بھٹکدی اے تے مُڑ اپنی ناں دی قدر ول کھچی جاندی اے، فیر ایس کھسکاؤ نوں بنا گونج والی گل بات تے بنا جھلمل والی ویڈیو وچ پا دتا، نال پنج قسماں دے بے جوڑ اشارے وی (غائب، سپاٹ، ٹُٹیا ہویا، غلط جال، جوڑیا ہویا)۔
اک وکھرا قدم ریکارڈنگ دے اشارے نوں جال دے اک حوالہ ریکارڈ نال ملاندا اے، یا تے دعوے والا ویلا پرکھن لئی یا کوئی انجان ویلا لبھن لئی۔
اک پکا فیصلہ گراف — کم دا “ایجنٹک” (agentic) حصہ — ایہنوں چھیڑے ہوئے چہریاں، بُلھاں دے میل (lip-sync) تے میٹاڈیٹا دے پہلاں توں موجود پھڑن والے پروگراماں نال جوڑدا اے، تے ہولی چلن والیاں نوں تدوں ای سددا اے جدوں تیز پرکھاں کسے نتیجے اُتے نہ اپڑن۔

نتیجے

سکھلائی وچ کدی نہ ویکھے گئے ذریعیاں دیاں اصلی ریکارڈنگاں اُتے، سسٹم نے اصلی آڈیو دا 93٪ تے اصلی ویڈیوآں دا 100٪ منیا، جدکہ اک سادے “کیہ گونج ہے؟” ٹیسٹ لئی ایہہ 53٪ تے 15٪ سی۔
دعوے والے ریکارڈنگ ویلے دی پرکھ نے، اوہناں ریکارڈنگاں اُتے جنہاں وچوں نشان کڈھیا جا سکیا، اصلی تے جعلی ویلے دیاں مہراں نوں بالکل ٹھیک وکھرا کیتا؛ اک انھی کھوج نے اک انجان ریکارڈنگ ویلا 24 گھنٹیاں دے حوالے وچ لگ بھگ اک سکنٹ تیک لبھ لیا۔
اک اصلی منظر وچ، ویڈیو دی جھلمل اپنے جال دے حوالے تے اوسے ریکارڈنگ دی آواز نال ملی۔ اوس منظر دیاں AI نال بݨیاں دو نقلاں 60 ہرٹز اُتے جھلملائیاں، جیہڑا اوس تھاں لئی غلط جال اے جیہدے بارے دعویٰ اے پئی اوہ 50 اُتے چلدی اے۔
اپنے اصلی جال نال پرکھیاں گئیاں 91 اصلی ریکارڈنگاں وچوں، ایہنے کوئی غلط الزام نئیں لایا۔
ہولی پھڑن والیاں نوں صرف لوڑ ویلے چلاؤݨ نال، درستی گوائے بنا، کمپیوٹنگ دا ویلا 54٪ گھٹ گیا۔

اوکھا معاملہ

جال دا اشارہ ریکارڈنگ دی تصدیق کردا اے، اوہدی نئیں جو اوہ وکھاندی اے۔ جے کوئی اک اصلی منظر دی ویڈیو بݨا کے فیر اوہدے وچ چہرہ بدل دیوے، تے گونج اصلی ای رہندی اے۔ ایہہ کم چہرے تے بُلھاں دے میل والے پھڑن والیاں دا اے، جنہاں نے اصلی چہرہ بدلن والیاں دبیاں (compressed) ویڈیوآں اُتے اٹکل دے نیڑے کارکردگی وکھائی: سارے مجموعے نے لگ بھگ 50٪ سکور لیا۔ ایس طریقے نوں جال دے حوالہ ریکارڈاں دی وی لوڑ اے، جنہاں نوں لکھاری برطانیہ تے براعظمی یورپ لئی عام لوکاں لئی کھلا، پر ہور تھاواں اُتے پابند یا نہ چھپیا ہویا دسدے نیں، تے ایہہ اوس جعل ساز نوں نئیں روک سکدا جیہڑا ٹھیک ویلے تے تھاں دی جال دی اک اصلی ریکارڈنگ وچ جوڑ دیوے۔

لکھاری اپنے سسٹم نوں پہلی چھانٹی دے اک اوزار دے طور اُتے، ہور ثبوتاں وچوں ثبوت دی اک لڑی وانگوں، پیش کردے نیں۔ اوہ لکھدے نیں پئی ایہدا مقصد “کسے کلپ نوں جعلی کہݨا نئیں، سگوں جچے ہوئے یقین نال ایہہ دسنا اے پئی کدوں اک ریکارڈنگ اوہی اے جو اوہ ہوݨ دا دعویٰ کردی اے۔”