OpenAI تضيف C2PA وSynthID للتحقق من الصور المولدة بالذكاء الاصطناعي

مع الانتشار الواسع لمولدات الصور بالذكاء الاصطناعي عبر الإنترنت، أصبح التمييز بين الصور الأصلية وتلك المولدة بالذكاء الاصطناعي أكثر صعوبة. وفي يوم الثلاثاء، أعلنت OpenAI عن تدبيرين جديدين للمساعدة في معالجة هذه المشكلة. وتعمل الشركة على تطبيق البيانات الوصفية من “تحالف مصدر ومصداقية المحتوى” (C2PA) إلى جانب SynthID، وهي تقنية علامة مائية طورتها Google. ومع ذلك، فإن هذه الحماية الجديدة تنطبق فقط على الصور التي تنتجها منتجات OpenAI. ونظراً لأن هذه الحماية تقتصر على نماذج OpenAI الخاصة، فلن تؤثر على الصور القادمة من أدوات ذكاء اصطناعي أخرى. وبدلاً من ذلك، فهي تهدف إلى المساعدة في ضمان عدم مساهمة OpenAI في مشكلة المحتوى المولد بالذكاء الاصطناعي غير المُتحقق منه.

ولمساعدة المستخدمين في التحقق من هذه الإشارات، تستعرض OpenAI أداة تحقق عامة ستسمح للمستخدمين باختبار ما إذا كانت الصورة قد وُلِّدت باستخدام الذكاء الاصطناعي بسهولة. في البداية، ستتحقق هذه الأداة فقط من إشارات C2PA وSynthID في الصور التي تنتجها نماذج OpenAI الخاصة، على الرغم من أن الشركة تأمل في توسيع قدراتها لتشمل أدوات أخرى بمرور الوقت.

صُمم النظامان للعمل معاً لمعالجة قيود كل طريقة على حدة. يُعد “تحالف مصدر ومصداقية المحتوى” (C2PA) مؤسسة غير ربحية تأسست عام 2021. وفي حين يوفر C2PA معياراً مفتوحاً يدمج إشارات واضحة مباشرة في البيانات الوصفية للصورة، يظل اعتماده غير متسق عبر القطاع، على الرغم من تبنيه من قبل مجموعة من منتجات Google. ونظراً لأن إشارة C2PA يمكن الوصول إليها بوضوح ضمن البيانات الوصفية لكل ملف، فإنه يمكن التلاعب بها، مما يجعل المعيار أكثر فائدة بين المستخدمين الموثوقين.

ولمواجهة هذه الثغرة، تتعاون OpenAI مع Google لتطبيق SynthID. صُممت تقنية العلامة المائية هذه لتكون أكثر قوة ضد التلاعب الرقمي. وتظل العلامة المائية قابلة للكشف حتى عندما يحاول “الجهات الفاعلة السيئة” إزالتها من خلال لقطات الشاشة، أو تغيير الحجم، أو تعديلات أخرى. ومن خلال الجمع بين كلا النهجين، تهدف الشركة إلى بناء نظام تحقق أكثر أماناً. وكما أشارت OpenAI في إعلانها: “يمكن أن تكون العلامة المائية أكثر متانة من خلال التحويلات مثل لقطات الشاشة، بينما يمكن للبيانات الوصفية توفير معلومات أكثر من العلامة المائية وحدها. ومعاً، فإنهما يجعلان المصدر أكثر مرونة مما سيكون عليه أي من الطبقتين بمفردهما”.

لماذا يهم

تعالج هذه الخطوة الصعوبة المتزايدة في التمييز بين الصور الأصلية وتلك المولدة بالذكاء الاصطناعي من خلال الجمع بين البيانات الوصفية والعلامات المائية لإنشاء معيار مصدر أكثر مرونة.