پایان دوران جعل؛ Pangram چگونه ویدیوهای دیپ‌فیک را در VRAM شما شناسایی می‌کند

نبرد میان مدل‌های مولد و نگهبانان دیجیتال

دنیای محتوای بصری به وضعیتی رسیده که دیگر به چشمانمان هم نمی‌توانیم اعتماد کنیم. شرکت پانگرام (Pangram) که پیش‌تر با ابزارهای تشخیص متن خود شناخته می‌شد، حالا وارد میدان نبرد سنگین‌تری شده است: تشخیص ویدیوها و تصاویر تولید شده توسط هوش مصنوعی. در دنیایی که مدل‌هایی مثل Sora یا Midjourney با سرعتی سرسام‌آور محتوا تولید می‌کنند، داشتن ابزاری که بتواند سره را از ناسره تشخیص دهد، دیگر یک انتخاب نیست، بلکه یک ضرورت برای امنیت اطلاعات است.

من به عنوان کسی که روزانه با مدل‌های محلی مثل Llama یا DeepSeek سر و کله می‌زنم، می‌دانم که تشخیص اثر انگشت دیجیتال (Digital Fingerprint) یک مدل هوش مصنوعی در خروجی‌های بصری، کار ساده‌ای نیست. پانگرام ادعا می‌کند که با مدل‌های جدید خود، نه تنها کلیت یک ویدیو را بررسی می‌کند، بلکه با استفاده از یک سیستم Heatmap، دقیقاً به شما نشان می‌دهد کجای تصویر توسط مدل‌های هوش مصنوعی دستکاری شده است. این یعنی یک لایه شفافیت در دنیایی که پر از ابهام است.

معماری پشت پرده و دقت ۹۸ درصدی

وقتی صحبت از تشخیص ویدیوی هوش مصنوعی می‌شود، با یک چالش سنگین محاسباتی روبرو هستیم. پردازش ویدیو یعنی بررسی ده‌ها فریم در ثانیه و تحلیل تغییرات پیکسل‌ها در طول زمان. پانگرام می‌گوید مدل ویدیویی آن‌ها در تست‌های داخلی به دقت ۹۸ درصد رسیده است. اما سوال فنی من اینجاست: آیا این مدل روی سخت‌افزارهای معمولی (مثل یک RTX 4070) قابل اجراست یا باز هم با یک دیوار بسته ابری طرف هستیم؟

این شرکت ادعا می‌کند که مدل‌های آن‌ها در تشخیص «مرزهای هوش مصنوعی» (Frontier AI) برتری دارند. اگر این ادعا درست باشد، یعنی آن‌ها به جای تکیه بر الگوهای ساده، در حال تحلیل ساختارِ نویز و بافت‌های تولید شده توسط شبکه‌های عصبی (GANs یا Diffusion Models) هستند. این دقیقاً همان جایی است که مهندسی هوش مصنوعی از یک بازی ساده به یک علم دقیق تبدیل می‌شود؛ جایی که باید تفاوت بین نویزِ سنسور دوربین و نویزِ تولید شده توسط مدلِ دیفیوژن را درک کرد.

چالش دوربین‌های موبایل و هوش مصنوعی درونی

مکس اسپرو (Max Spero)، مدیرعامل پانگرام، به نکته‌ای اشاره کرده که دقیقاً نقطه کور بسیاری از ابزارهای امنیتی است. گوشی‌های هوشمند امروزی، از iPhone گرفته تا پرچمداران اندرویدی، همگی از پردازش‌های پس‌زمینه هوش مصنوعی برای بهبود عکس‌ها استفاده می‌کنند. این یعنی عکس شما، به معنای واقعی کلمه، دیگر یک عکس «خام» نیست. پانگرام مجبور شد عرضه مدل خود را به تأخیر بیندازد تا مطمئن شود ابزارش، خروجی دوربین iPhone 18 Pro را با یک تصویر جعلیِ تولید شده توسط هوش مصنوعی اشتباه نمی‌گیرد.

این موضوع نشان می‌دهد که مرز بین «واقعیت» و «تولید هوشمند» به‌شدت باریک شده است. وقتی نرم‌افزار دوربین گوشی شما، صورت یا بافت پوست را با استفاده از مدل‌های یادگیری ماشین «بهینه» می‌کند، در واقع شما هم در حال تولید محتوای هوش مصنوعی هستید. پانگرام باید مدلی می‌ساخت که نسبت به این پردازش‌های معمول، مقاوم (Robust) باشد و فقط دستکاری‌های مشکوک را علامت‌گذاری کند. این همان مهندسی ظریفی است که بسیاری از رقبا نادیده می‌گیرند.

محدودیت‌های سخت‌افزاری و رزولوشن

در دنیای متن‌باز، ما همیشه با محدودیت VRAM و رزولوشن دست‌وپنج نرم می‌کنیم. پانگرام نیز اعتراف کرده که تصاویر با رزولوشن کمتر از ۵12x512، ضریب اطمینان (Confidence) پایینی دارند. این منطقی است؛ چون در رزولوشن‌های پایین، جزئیات لازم برای استخراج ویژگی‌های بصری (Feature Extraction) توسط مدلِ تشخیص‌دهنده از بین می‌رود. این یک هشدار برای کاربرانی است که می‌خواهند از این ابزار برای بررسی تصاویر بی‌کیفیت و فشرده‌شده تلگرامی استفاده کنند.

با این حال، افزونه کروم (Chrome Extension) پانگرام حالا می‌تواند به‌صورت خودکار در حین وب‌گردی، تصاویر را اسکن کند. این یعنی یک لایه دفاعیِ ایجنتیک که در مرورگر شما فعال است. هرچند هنوز هم شاهد نتایج «نامطمئن» (Unsure) در تصاویر هستیم، اما این قدمی رو به جلو برای بازگرداندن حس اعتماد به فضای مجازی است. پانگرام با این حرکت، عملاً استانداردی جدید برای امنیت بصری در مرورگرها تعیین کرده است؛ استانداردی که امیدوارم در آینده‌ای نزدیک به سمت مدل‌های متن‌باز و قابل اجرا روی سیستم‌های محلی (Local-first) حرکت کند.