باحث في CISPA يختبر ما إذا كانت العلامات المائية للصور المولَّدة بالذكاء الاصطناعي تصمد أمام تدريب نماذج جديدة

اقتصرت اختبارات العلامات المائية على الصور المولَّدة بالذكاء الاصطناعي حتى الآن في الأساس على قياس متانتها أمام التعديلات: ضغط JPEG والقص والضوضاء والفلاتر. طرح الباحث Michel Meintz من SprintML Lab في CISPA سؤالًا مختلفًا: ماذا يحدث إذا دخلت الصور الموسومة في مجموعة بيانات تدريب نموذج توليدي جديد، وهل سنرى أثرًا للعلامة في مخرجاته؟ الجواب، استنادًا إلى عنوان الورقة، أن العلامة قد تصمد أمام التدريب، لكن مدى متانتها يتحدد بتصميمها. لا توجد نتائج كمية في المادة المصدرية، لذلك نستعرض أدناه ما هو معروف وكيف ينبغي قراءته.

ما السؤال المطروح

تُستخدم العلامات المائية للتعرف على الصورة بوصفها مولَّدة وتتبّع مصدرها. يبدو نموذج التهديد الكلاسيكي هكذا: يأخذ شخص ما صورة جاهزة ويحاول محو العلامة. يعيد ضغط الملف، ويقص الإطار، ويضيف ضوضاء. والأبحاث في هذا الموضوع كثيرة.

يتناول Meintz سيناريو مختلفًا. فالصور المولَّدة منتشرة منذ وقت طويل على الويب المفتوح، وما زال الويب المصدر الرئيسي لبيانات التدريب. وإذا دخلت هذه الصور الموسومة في مجموعة بيانات، فقد يرث النموذج الجديد خصائصها الإحصائية. عندها تصبح مخرجاته موسومة أيضًا، مع أنه لا علاقة له بالمولِّد الأصلي. والنتيجة المعاكسة ممكنة كذلك: ألا تنتقل العلامة، فلا يمكن تتبّع المصدر الأصلي انطلاقًا من النموذج الجديد.

لماذا يعود كل شيء إلى تصميم العلامة

تختلف مخططات الوسم في بنائها، ويفسّر ذلك على الأرجح التباين في النتائج. فالبيانات الوصفية مثل C2PA لا تُخزَّن في البكسلات أصلًا، وتضيع عند إعادة حفظ الملف، فلا تصل إلى مرحلة التدريب من الأساس. أما المعالجة اللاحقة فتضيف إشارة في مجال البكسل أو المجال الترددي للصورة الجاهزة. وهناك طرق مدمجة في المولِّد نفسه. فعلى سبيل المثال، تعمل Stable Signature من Meta على ضبط مفكّك الترميز في نموذج انتشار كامن، بينما تحدد Tree-Ring نمطًا في الضوضاء الأولية. يبدو منطقيًا الافتراض بأنه كلما كانت الإشارة مدمجة أعمق في إحصاءات الصورة زاد احتمال انتقالها إلى النموذج الجديد. لكن هذه فرضية، وليست استنتاجًا أعلنته الدراسة.

والسؤال عملي بالنسبة إلى الصناعة. فإذا كانت العلامة تُورَّث، تعطي أدوات الكشف إنذارات كاذبة على محتوى نماذج أخرى. وإذا لم تُورَّث، فلا يمكن الوثوق بسلسلة المصدر حيث مرّ المحتوى بإعادة تدريب.

ما المعروف حتى الآن

• الباحث: Michel Meintz، SprintML Lab، CISPA.
• موضوع الدراسة: العلامات المائية على الصور المولَّدة بالذكاء الاصطناعي.
• صياغة المسألة: المتانة أمام تدريب نموذج توليدي جديد، لا أمام تعديل صورة منفردة.
• النتيجة الرئيسية: قد تبقى العلامات، لكن المتانة تتوقف على تصميم المخطط.
• ما لم يكشف عنه الإعلان: قائمة المخططات، والنماذج ومجموعات البيانات، ونسب الكشف الناجح.

ما الذي ينبغي التحقق منه عمليًا

ينبغي للمنصات والمؤسسات الإعلامية أن تعامل العلامة المائية بوصفها إشارة واحدة ضمن مجموعة، لا دليلًا نهائيًا على المصدر. ويجب أن تُستكمل بالبيانات الوصفية والمؤشرات السلوكية والتحقق اليدوي في الحالات المثيرة للجدل.

أما الفرق التي تضبط النماذج على بيانات من الويب فعليها أن تأخذ في الحساب أن علامات الآخرين قد تتسرب إلى مخرجاتها. وبالنسبة إلى مطوري أدوات الكشف، يعني ذلك اختبارًا مستقلًا: ليس فقط «هل تُمحى العلامة عند التعديل»، بل أيضًا «هل تظهر حيث لا ينبغي لها أن تظهر».

الأفضل أن تُستخلص الاستنتاجات النهائية بعد صدور الورقة الكاملة، إذ نحتاج إلى المخططات المحددة وظروف التدريب ومقاييس الكشف. وحتى ذلك الحين، الواضح أمر واحد: سؤال ما إذا كانت العلامة المائية تصمد أمام إعادة التدريب صار مطروحًا الآن بصورة مستقلة، وجوابه «نعم، لكن ليس لدى الجميع».