Уфологията винаги е била изправена пред предизвикателството да проверява доказателствата. От първите фалшиви фотографии от 20-ти век до цифровите манипулации от ерата на Photoshop, изследователите разработиха все по-сложни методики за разграничаване на истинските случаи от измислените. Въпреки това, неотдавнашният бум на инструменти за генериране на изкуствен интелект, като Midjourney, DALL-E и Stable Diffusion, въведе променлива, която фундаментално променя естеството на това предизвикателство.
За разлика от традиционните фалшификати, които оставяха забележими следи от манипулация в слоевете на редактиране или несъответствия в JPEG компресията, изображенията, генерирани от ИИ, се синтезират пиксел по пиксел въз основа на вероятностни модели. Те не се „редактират“ в конвенционалния смисъл, а се измислят от невронни мрежи, обучени на милиарди изображения. Това техническо разграничение създава практически проблем: много от криминалистичните инструменти, разработени през последните десетилетия, стават частично остарели.
Анатомията на фалшификацията чрез изкуствен интелект
За да разберем как да разпознаваме тези творения, първо трябва да разберем как се различават от автентичните фотографии. Когато камерата заснема реално изображение, тя записва не само отразената светлина, но и цяла верига от физическа информация: дифракция през обектива, шум от сензора, специфичен за тази температура и ISO, специфична алгоритмична компресия от процесора на камерата. Фотографията е по същество криминалистичен документ за срещата между фотони и силиций.
Образите, генерирани от изкуствен интелект, от друга страна, са статистически конструкции. Моделът не „разбира“ физиката, оптиката или причинно-следствената връзка. Той е научил модели на корелация в своя тренировъчен набор. Когато генерира „НЛО над град“, той по същество пита: „Предвид разпределението на пикселите, което съм видял в милиони изображения, коя подредба е най-вероятна за това описание?“ Тази фундаментална разлика се проявява в фини, но разпознаваеми аномалии.
Най-разкриващите несъответствия се появяват точно там, където физиката среща статистиката. Осветлението често е първата точка на провал. Реален триизмерен обект взаимодейства със светлината по сложни начини: огледални отражения, подповърхностно разсейване, околната затъмняване. Докато съвременните модели на изкуствен интелект се доближават до тези явления удивително добре, те често не успяват да поддържат цялостна последователност. Метален диск може да има правилен огледален блясък, но цветната температура на този блясък може да не съответства на доминиращия източник на светлина в сцената. Или сенките могат да са ориентирани правилно, но с полусенки, които игнорират видимата площ на източника на светлина.
Перспективата поставя пред изкуствения интелект още един набор от предизвикателства. Реалните камери имат строга проективна геометрия: отдалечените обекти намаляват по размер според точни уравнения, успоредните линии се събират в точки на бягство, изкривяването на обектива следва конкретни математически модели. Невронните мрежи научават тези закономерности имплицитно, но при условия, които не са наблюдавани по време на обучението, могат да произведат невъзможни геометрии. НЛО може да бъде „далечно“ въз основа на атмосферна оклузия, но „близко“ въз основа на относителния размер спрямо известни референтни обекти.
Методи за проверка за изследователи
Сериозните изследователи трябва да възприемат многопластов подход, който съчетава традиционния криминалистичен анализ с конкретни техники за откриване на ИИ. Първата стъпка остава непроменена: анализ на EXIF метаданни. Изображенията, генерирани от ИИ, често изобщо не съдържат такива данни или съдържат обща информация, въведена от софтуер за последваща обработка. Липсата на GPS времеви отметки, специфични настройки на камерата или информация за модела са незабавни червени флагове.
Анализът на нивото на грешки, макар и разработен за откриване на манипулации в Photoshop, все още има своята стойност. Това, което се е променило, е интерпретацията: докато традиционните редакции показват ясни граници между манипулираните и оригиналните области, изображенията, създадени с изкуствен интелект, показват по-равномерно разпределение на грешките, но с модели на шум, които не съответстват на реалните камерни сензори. CMOS и CCD сензорите произвеждат шум със специфични статистически характеристики, включително гаусови разпределения в конкретни цветови канали, фиксирани пикселни модели и последователни горещи пиксели. Шумът, генериран от AI, като синтезиран, не притежава тези характеристики.
Специализирани инструменти за откриване на ИИ, като Hive Moderation или Illuminarty, използват невронни мрежи, специално обучени да разпознават артефакти от генериране. Те работят, като идентифицират статистически модели, характерни за различни генеративни архитектури. Моделите, базирани на дифузия, например, оставят отличителни спектрални подписи, когато се анализират чрез Фурие трансформации. Адеверни генератори (GAN) произвеждат различни артефакти, често видими при анализ на основни компоненти на изображения.
Въпреки това, това е основно състезание за надмощие. С подобряването на детекторите, генераторите също се развиват. По-новите модели изрично включват противници на детектирането по време на обучението, като произвеждат изображения, които преминават тестове, които биха засекли по-старите версии. Това предполага, че изцяло разчитането на технически анализ е неустойчиво в дългосрочен план.
Ролята на контекста и потвърждението
Тук уфологията се връща към своите изследователски основи. Никога не е бил установен сериозен случай, основан изключително на една единствена фотография, извадена от контекста. Солидните доказателства изискват потвърждение: множество независими свидетели, откриване по различни начини (визуално, с радар, инфрачервено), физически следи, съвременна документация.
Разпространението на фалшиви изображения, създадени с изкуствен интелект, прави тези методи не само желателни, но и абсолютно необходими. Когато дадено изображение се появи в социалните мрежи, разследващите трябва незабавно да зададат основни въпроси: Кой е заснел това? Кога и къде точно? Има ли други свидетели? Има ли допълнително видео? Защо този човек е снимал в тази посока в този момент? Отговорите на тези въпроси често разкриват повече от всеки криминалистичен анализ.
Моделите на разпространение също са информативни. Изображенията, създадени с цел дезинформация или вирусно разпространение, следват характерни траектории: едновременно споделяне чрез множество акаунти, стандартизиран хиперболичен език, липса на ясна атрибуция.
Истинските случаи обикновено имат по-обикновени истории: някой е снимал нещо друго и е заснел нещо необичайно, или е забелязал нещо странно и е взел телефона си, като е направил несъвършени снимки, често размазани или частично затъмнени.
Последици за полето
Този момент представлява едновременно предизвикателство и възможност за сериозната уфология. Предизвикателството е очевидно: замърсяването на пространството от доказателства с висококачествени фалшификати затруднява идентифицирането на истински случаи и предоставя аргументи на скептиците, които могат да отхвърлят цялата област, като посочват измамни примери.
Възможността се крие в принудителната професионализация на разследването. Точно както дигиталната ера изискваше изследователите да научат криминалистичен анализ на изображения, ерата на изкуствения интелект изисква грамотност в машинното обучение и проверката на социалния контекст. Съседните академични области, като компютърното зрение, дигиталната криминалистика и анализът на социалните медии, са разработили строги методологии, които уфологията може да адаптира.
По-фундаментално, това подсилва урок, който винаги е трябвало да бъде централен: изолираните снимки, независимо колко впечатляващи са, никога не са били и никога няма да бъдат достатъчно доказателство сами по себе си. Това, което отличава сериозното разследване от търсенето на сензация, е именно трудоемката работа по потвърждение, контекстуализиране и проверка, която никой изкуствен интелект не може убедително да произведе, поне не засега.
Отговорните изследователи сега трябва да поемат образователна роля, не само като разследват случаи, но и като учат обществеността как критично да оценява визуалните доказателства. В среда, където всеки може да генерира фотореалистично изображение на НЛО за секунди, визуалната грамотност се превръща в гражданско умение, а не само в умение на специалист.
Пътят напред изисква здравословен скептицизъм без парализиращ цинизъм, методологична строгост без догматизъм и готовност да се възприемат технологичните инструменти, като същевременно се признават техните ограничения. Въпросът не е дали можем да различим реалното от изкуственото (това ще остане възможно, поне в близко бъдеще), а дали ще изберем да положим необходимите усилия, за да го направим. Отговорът на този въпрос ще определи дали тази област ще се развие в уважавана изследователска дисциплина или ще потъне в океан от дигитален шум.
Източник: https://ufo.com.br/inteligencia-artificial-e-ufologia-o-novo-desafio-da-verificacao-de-evidencias-visuais/