Với đủ hình ảnh nguồn, không quá khó để biến Jordan Peele thành Tổng thống Obama, Jimmy Fallon thành John Oliver, hoặc Jon Snow thành người phát ngôn cho các fan Game of Thrones thất vọng. Ban đầu, phát hiện deepfake không quá khó – ngay cả những cái tốt nhất cũng có dấu hiệu trực quan như mờ, biến dạng, và khác biệt khuôn mặt kỳ lạ khiến chúng trông có vẻ "khác thường".
Đây là một trò chơi mèo đuổi chuột, và dường như ngay khi chúng ta học được một phương pháp phát hiện deepfake, thế hệ tiếp theo lại khắc phục lỗi đó. Để chống lại điều đó, có giải pháp nào tin cậy để tìm ra video nào đang cố gắng lừa dối chúng ta?
Dấu Hiệu Trực Quan
Artifacts (nghịch lý) không chỉ là những thứ Indiana Jones để trong bảo tàng – chúng còn là những sự bất thường nhỏ bị lại sau khi hình ảnh hoặc video bị thao túng. Trong deepfake sơ khai, những thứ này thường có thể bắt được bằng mắt thường và deepfake kém chất lượng vẫn có thể có một vài dấu hiệu cảnh báo, như mờ quanh các cạnh, khuôn mặt quá mượt, lông mày kép, lỗi hiển thị, hoặc cảm giác "không tự nhiên" chung về cách khuôn mặt vừa vặn.
Tuy nhiên, phần lớn, các kỹ thuật đã cải tiến đến mức những nghịch lý này chỉ nhìn thấy được bởi các thuật toán khác lướt qua dữ liệu video và kiểm tra ở cấp độ pixel. Một số kỹ thuật khá sáng tạo, như kỹ thuật kiểm tra xem hướng của mũi có khớp với hướng khuôn mặt không. Sự khác biệt quá tinh vi để con người nhận ra, nhưng máy móc lại khá giỏi việc này.
Dấu Hiệu Sinh Trắc Học
Một thời gian, có vẻ như chìa khóa để bóc mặt nạ deepfake là thiếu hụt mô hình nháy mắt tự nhiên do sự khan hiếm hình ảnh nguồn "mắt nhắm". Nhưng không mất nhiều thời gian để thế hệ công nghệ deepfake tiếp theo kết hợp nháy mắt tốt hơn, nhanh chóng giảm hiệu quả của kỹ thuật này.
Tuy nhiên, các chỉ số sinh trắc học khác chưa bị phá hoàn toàn, như những thói quen cá nhân mà thuật toán khó tự động hóa vào deepfake vì chúng đòi hỏi hiểu ngữ cảnh của ngôn ngữ được sử dụng. Thói quen nhỏ như nháy mắt nhanh khi ngạc nhiên hoặc nhấc lông mày khi hỏi câu hỏi, có thể được deepfake bắt chước, nhưng không nhất thiết đúng lúc vì chúng (chưa) không thể tự động tìm ra khi nào triển khai những chuyển động đó.
AI có thể đọc nhịp tim qua hình ảnh video có nhiều ứng dụng ngoài phát hiện deepfake, nhưng tìm kiếm các chuyển động và thay đổi màu định kỳ báo hiệu nhịp tim có thể giúp xác định kẻ giả mạo do AI tạo ra. Dấu hiệu rõ ràng nhất là khi deepfake không có nhịp tim nào, nhưng deepfake thường có mạch. Tuy nhiên, những bất thường (như các phần khác nhau trên khuôn mặt hiển thị nhịp tim khác nhau) vẫn có thể giúp xác định deepfake.
Dự Án AI
Nhiều tên tuổi lớn rất quan tâm đến giải quyết vấn đề deepfake. Facebook, Google, MIT, Oxford, Berkeley, và hàng loạt startup và nhà nghiên cứu khác đang giải quyết vấn đề này bằng cách huấn luyện trí tuệ nhân tạo để phát hiện video giả mạo sử dụng các phương pháp trên, trong số nhiều phương pháp khác.
Một việc cả Facebook và Google đang làm là tạo bộ dữ liệu video chất lượng cao của diễn viên làm các hành động, sau đó dùng để tạo deepfake. AI được huấn luyện trên những thứ này sau đó có thể tìm ra dấu hiệu nhận biết deepfake và được giao nhiệm vụ phát hiện chúng.
Tất nhiên, điều này chỉ hoạt động miễn là các nhà nghiên cứu tiếp tục tạo deepfake bằng công nghệ cập nhật nhất, nghĩa là luôn sẽ có chút trễ giữa các thủ thuật deepfake mới được khám phá và các thuật toán có thể bắt chúng. Hy vọng các thí nghiệm dùng chuột thật để nhận diện deepfake sẽ thành công và cho chúng ta lợi thế.
Xác Thực
Công nghệ phát hiện không phải câu trả lời hoàn chỉnh cho deepfake, vì chúng có thể không bao giờ đạt tỷ lệ thành công 100%. Deepfake đã đầu tư thời gian và tiền bạc có thể vượt qua nhiều bài kiểm tra và phương pháp AI hiện tại. Và hãy nhớ internet hoạt động thế nào: ngay khi các giả mạo này bị bắt, chúng vẫn có thể được lan truyền lại và được một số người tin tưởng.
Đó là lý do tại sao cũng quan trọng có cơ chế xác thực nào đó – bằng chứng nào cho thấy video nào là gốc hoặc cái gì có thể chỉ ra video đã bị chỉnh sửa. Đó là những gì các công ty như Factom, Ambervideo, và Axiom đang làm bằng cách mã hóa dữ liệu về video lên blockchain bất biến.
Ý tưởng cơ bản đằng sau nhiều dự án này là dữ liệu chứa trong file video hoặc được tạo bởi một camera nhất định có thể dùng để tạo chữ ký duy nhất sẽ thay đổi nếu video bị can thiệp. Cuối cùng, video tải lên mạng xã hội có thể đi kèm tùy chọn tạo mã xác thực mà người tải lên gốc có thể đăng ký trên blockchain để chứng minh họ là chủ sở hữu video gốc.
Các giải pháp này cũng có bộ vấn đề riêng, như mã hóa video thay đổi dữ liệu trong file và làm thay đổi chữ ký mà nội dung video thực sự không thay đổi, hoặc chỉnh sửa video hợp pháp làm hỏng chữ ký. Trong các tình huống rủi ro cao, như giao dịch thương mại nơi hình ảnh dùng để xác minh giao hàng hoặc nhận hỗ trợ từ nhà đầu tư, việc có lớp xác thực như vậy có thể giúp ngăn chặn gian lận liên quan đến deepfake.
Deepfake Có Nguy Hiểm Hơn Photoshop Không?
Lúc này, chúng ta đều chỉ giả định hình ảnh có thể không phải thật vì chúng ta hoàn toàn nhận ra công nghệ tồn tại để làm cho hầu hết mọi thứ trông thật trong ảnh tĩnh. Cuối cùng, chúng ta có thể tiếp cận video với cùng loại hoài nghi như khi làm giả chúng trở nên dễ dàng và thuyết phục như Photoshop hiện tại làm cho chỉnh sửa ảnh. Ngay cả với nhận thức chung, vẫn dễ tưởng tượng nhiều sự cố thực tế bắt đầu từ một deepfake kịp thời, chất lượng cao trong tương lai không xa.