بجلی کے گرڈ کی بھنبھناہٹ، مصنوعی ذہانت کی ویڈیوز کے خلاف ایک گواہ

مصنوعی ذہانت سے بنی ویڈیو کا پتا لگانا ہتھیاروں کی دوڑ بن چکا ہے، اور ساؤتھیمپٹن سولینٹ یونیورسٹی کے Ryan Wyton اور Bacha Rehman کے مطابق یہ ایسی دوڑ ہے جو “ڈیٹیکٹر ہار رہا ہے”۔ زیادہ تر ڈیٹیکٹر ان جنریٹرز کے مخصوص نشانات سیکھتے ہیں جن پر انہیں تربیت دی گئی تھی۔ ساٹھ لاکھ کلپس کے ایک حالیہ معیاری امتحان (benchmark) میں، بہترین ڈیٹیکٹر مجموعی طور پر صرف تقریباً 80% درستگی تک پہنچتے ہیں، اور ان جنریٹرز پر جو انہوں نے کبھی نہیں دیکھے، اندازے کی سطح کے قریب یا اس سے نیچے گر جاتے ہیں۔

اس کے بجائے دونوں محققین نے ایک ایسا سگنل تلاش کیا جس پر جنریٹرز کا کوئی اختیار نہیں: بجلی کے نیٹ ورک کی فریکوئنسی، یا ENF (electric network frequency)۔

گرڈ کا نشانِ انگشت

گرڈ کی بجلی برائے نام 50 یا 60 ہرٹز ہوتی ہے، لیکن رسد اور طلب بدلنے کے ساتھ اس کی ٹھیک فریکوئنسی تھوڑی تھوڑی سرکتی رہتی ہے۔ چونکہ بجلی کا گرڈ مضبوطی سے جڑا ہوتا ہے، اس لیے یہ سرکنا کسی بھی لمحے پورے نیٹ ورک میں ملی سیکنڈز کے فرق تک ایک جیسا ہوتا ہے — اس لیے یہ ایک وقتی مہر (timestamp) کی طرح کام کرتا ہے۔ یہ ریکارڈنگز میں دو طرح سے داخل ہوتا ہے۔ مائیکروفون اسے ایک بھنبھناہٹ کے طور پر پکڑتے ہیں۔ اور گرڈ کی بجلی سے چلنے والے لیمپ گرڈ کی فریکوئنسی کے دُگنے، یعنی 100 یا 120 ہرٹز پر ٹمٹماتے ہیں۔ جس کیمرے کا سینسر تصویر کو سطر بہ سطر پڑھتا ہے (“رولنگ شٹر”)، وہ اس ٹمٹماہٹ کو ویڈیو میں مدھم پٹیوں کی صورت میں ریکارڈ کرتا ہے۔

ایک مفروضہ جو برقرار نہ رہ سکا

کام ایک سادہ خیال سے شروع ہوا: مصنوعی ویڈیو میں گرڈ کی ٹمٹماہٹ نہیں ہوگی اور اس کی غیر موجودگی سے اس کی نشاندہی کی جا سکے گی۔ مصنفین لکھتے ہیں کہ یہ خیال “شواہد کا سامنا ہوتے ہی برقرار نہ رہ سکا”۔ متن سے ویڈیو بنانے والے چھ جنریٹرز کے 600 کلپس میں، ٹمٹماہٹ اصلی فوٹیج جتنی ہی شدت سے ظاہر ہوئی — ایک ظاہری فریکوئنسی کے ساتھ جو جنریٹر کی فریم ریٹ سے طے ہوتی ہے، کسی اصلی گرڈ سے نہیں۔ صرف ٹمٹماہٹ کی شدت سے ناپا جائے تو اصلی اور مصنوعی کلپس میں فرق نہیں کیا جا سکتا تھا: اسکور 0.51، جبکہ 0.5 کا مطلب محض اندازہ ہے۔

چنانچہ سوال بدل گیا۔ یہ پوچھنے کے بجائے کہ آیا کسی ویڈیو میں گرڈ کا سگنل ہے، نظام یہ پوچھتا ہے کہ آیا وہ سگنل دعویٰ کیے گئے وقت اور جگہ پر گرڈ کے ایک آزاد ریکارڈ سے مطابقت رکھتا ہے۔ مطابقت رکھنے والا نشان اصلی ریکارڈنگ کا مضبوط ثبوت ہے۔ غائب نشان کچھ ثابت نہیں کرتا، کیونکہ بہت سی اصلی ریکارڈنگز — کھلی جگہ پر، کم روشنی میں، یا پیشہ ورانہ صوتی آلات سے بنی — کوئی قابلِ استعمال بھنبھناہٹ نہیں رکھتیں۔

نظام کیسے کام کرتا ہے

ایک چھوٹا نیورل نیٹ ورک (تقریباً 157,600 پیرامیٹرز) آواز اور ویڈیو دونوں میں گرڈ کا سگنل پڑھتا ہے۔
لیبل شدہ اصلی مثالیں کم ہیں، اس لیے ٹیم نے اسے مصنوعی مثالوں پر تربیت دی: انہوں نے ماڈل بنایا کہ گرڈ کی فریکوئنسی کیسے بھٹکتی ہے اور واپس اپنی برائے نام قدر کی طرف کھینچی جاتی ہے، پھر یہ سرکنا بھنبھناہٹ سے پاک گفتگو اور ٹمٹماہٹ سے پاک ویڈیو میں داخل کیا، ساتھ ہی غیر مطابق سگنل کی پانچ اقسام (غائب، سپاٹ، ٹوٹا ہوا، غلط گرڈ، جوڑا ہوا) بھی۔
ایک الگ مرحلہ ریکارڈنگ کے سگنل کو گرڈ کے ایک حوالہ جاتی لاگ سے ملاتا ہے، یا تو دعویٰ کیے گئے وقت کی جانچ کے لیے یا کسی نامعلوم وقت کو تلاش کرنے کے لیے۔
ایک مقررہ فیصلہ گراف — “ایجنٹک” حصہ — اسے بگاڑے گئے چہروں، ہونٹوں کی ہم آہنگی (lip-sync) اور میٹا ڈیٹا کے موجودہ ڈیٹیکٹرز کے ساتھ جوڑتا ہے، اور سست ڈیٹیکٹرز کو صرف تب بلاتا ہے جب تیز جانچیں کسی نتیجے پر نہ پہنچیں۔

نتائج

ان ذرائع کی اصلی ریکارڈنگز پر جو تربیت میں کبھی نہیں دیکھے گئے، نظام نے 93% اصلی آڈیو اور 100% اصلی ویڈیوز قبول کیں، جبکہ ایک سادہ “کیا بھنبھناہٹ ہے؟” ٹیسٹ کے لیے یہ شرح 53% اور 15% تھی۔
دعویٰ کیے گئے ریکارڈنگ کے وقت کی جانچ نے ان ریکارڈنگز پر اصلی اور جعلی وقتی مہروں کو مکمل طور پر الگ کر دیا جن سے نشان نکالا جا سکا؛ ایک اندھی تلاش نے ایک نامعلوم ریکارڈنگ کا وقت 24 گھنٹے کے حوالے میں تقریباً ایک سیکنڈ کی درستگی سے ڈھونڈ لیا۔
ایک اصلی منظر میں، ویڈیو کی ٹمٹماہٹ اپنے گرڈ کے حوالے اور اسی ریکارڈنگ کی آواز سے مطابقت رکھتی تھی۔ اس منظر کی مصنوعی ذہانت سے بنی دو نقول 60 ہرٹز پر ٹمٹما رہی تھیں، جو اس مقام کے لیے غلط گرڈ ہے جس کے بارے میں دعویٰ ہے کہ وہاں 50 چلتا ہے۔
91 اصلی ریکارڈنگز میں سے، جنہیں ان کے حقیقی گرڈ سے جانچا گیا، اس نے کوئی غلط الزام نہیں لگایا۔
سست ڈیٹیکٹرز کو صرف ضرورت کے وقت چلانے سے درستگی کھوئے بغیر کمپیوٹنگ کا وقت 54% کم ہو گیا۔

مشکل صورت

گرڈ کا سگنل ریکارڈنگ کی تصدیق کرتا ہے، اس کی نہیں جو اس میں دکھایا گیا ہے۔ اگر کوئی ایک اصلی منظر فلمائے اور پھر اس میں ایک چہرہ بدل دے، تو بھنبھناہٹ اصلی ہی رہتی ہے۔ یہ کام چہرے اور ہونٹوں کی ہم آہنگی کے ڈیٹیکٹرز کا ہے، جنہوں نے اصلی چہرہ بدلنے کی کمپریس شدہ فوٹیج پر اندازے کے قریب کارکردگی دکھائی: پورے مجموعے کا اسکور تقریباً 50% رہا۔ اس طریقے کو گرڈ کے حوالہ جاتی لاگز کی بھی ضرورت ہے، جنہیں مصنفین برطانیہ اور براعظمی یورپ کے لیے عوامی بتاتے ہیں مگر دوسری جگہوں پر محدود یا غیر شائع شدہ، اور یہ اس جعل ساز کو نہیں روک سکتا جو درست وقت اور جگہ کی ایک اصلی گرڈ ریکارڈنگ جوڑ دے۔

مصنفین اپنے نظام کو چھانٹی (triage) کے ایک آلے کے طور پر پیش کرتے ہیں، دیگر شواہد میں سے ایک۔ وہ لکھتے ہیں کہ اس کا مقصد “کسی کلپ کو جعلی قرار دینا نہیں، بلکہ ناپی تولی ہوئی اعتماد کی سطح کے ساتھ یہ بتانا ہے کہ کب کوئی ریکارڈنگ وہی ہے جس کا وہ دعویٰ کرتی ہے”۔