نیکون جایزه نخست مسابقه ویدیوهای میکروسکوپی را به‌دلیل استفاده از هوش مصنوعی

تصور کنید سال‌ها روی یک نمونه بیولوژیکی تحقیق کرده‌اید و در نهایت تصویری خیره‌کننده از حرکت مژک‌های مجاری تنفسی یک کودک ثبت می‌کنید، اما حالا متهم می‌شوید که بخشی از این واقعیت را «ساخته‌اید». این همان چالشی است که منجر شد نیکون (Nikon) جایزه نخست مسابقه Small World in Motion را از برنده آن سلب کند.

این اتفاق در حالی رخ می‌دهد که جامعه علمی در تلاش است مرز میان «بهبود تصویر» و «تولید مصنوعی» را تعریف کند. در دنیای تصویربرداری، استفاده از هوش مصنوعی زاینده (Generative AI) — شبیه نقاشی که به جای بازسازی دقیق عکس، جزئیاتی را از تخیل خود به بوم اضافه می‌کند — می‌تواند ویژگی‌هایی را خلق کند که در نمونه واقعی وجود ندارند و در نتیجه، پژوهشگران را به اشتباه بیندازند. این چالش‌ها در حوزه‌های تشخیص پزشکی نیز دیده می‌شود، جایی که مدل‌های پیشرفته‌ای مانند Damo Radar علی‌بابا برای تشخیص بیماری‌ها از روی سی‌تی‌اسکن تلاش می‌کنند دقت تحلیل‌های بصری را افزایش دهند.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی اخلاق در تولید محتوای مصنوعی اشاره کردیم، مرز بین ابزار و جعل هر روز باریک‌تر می‌شود. به گزارش ورج (The Verge) در ۹ اکتبر ۲۰۲۶، برنده اولیه مسابقه، دکتر نینگ شو (Dr. Ning Xu)، در لینکدین اعتراف کرد که از یک روش شبکه عصبی (Neural Network) — شبکه‌ای از سلول‌های کوچک، شبیه نقشهٔ مترو، که سیگنال را از ورودی به جواب می‌رساند — برای پس‌پردازش تصاویر استفاده کرده است. هدف او تفکیک و بصری‌سازی ویژگی‌ها در تصاویر خاکستری حاصل از تصویربرداری نوری فراتفکیک‌پذیری (Super-resolution) بود.

پس از این اعتراف، نیکون ویدیو را از وب‌سایت خود حذف کرد و جایزه اول را به نوئین نام نات (Nguyen Nam Nhat) داد. این شرکت اعلام کرد که تصمیمش صرفاً بر اساس رعایت قوانین مسابقه بوده و قضاوتی درباره اعتبار علمی یا حرفه‌ای دکتر شو نیست. این موضوع یادآور پرونده‌های حقوقی است که در آن‌ها استفاده غیرقانونی یا ساختگی از هوش مصنوعی در محیط‌های رسمی منجر به جریمه‌های سنگین شد.

برای متخصصان تصویربرداری، این یک هشدار جدی است: عبارت «کمک‌گرفته از AI» دیگر یک اصطلاح خنثی نیست. وقتی ابزارهای مولد به استاندارد پس‌پردازش تبدیل می‌شوند، بار اثبات اصالت بر دوش سازنده می‌افتد و او باید هر مدلی را که در خط لوله تولید استفاده کرده، به‌طور شفاف اعلام کند.

نیکون اکنون قصد دارد رویه‌های ارزیابی و قوانین مسابقات آینده را بازنگری کند تا از تکرار این اختلافات جلوگیری کند.

گام بعدی شما

• اگر در پژوهش‌های بصری از AI استفاده می‌کنید، یک سند شفاف از تمام مدل‌های به‌کاررفته (Provenance) تهیه کنید.
• استانداردهای جدید «منشأ داده» در تصویربرداری علمی را دنبال کنید تا متوجه شوید داده‌های خام چگونه با رندرهای نهایی تطبیق داده می‌شوند.
• تفاوت بین Noise Reduction (کاهش نویز) و Generative Fill (پر کردن مولد) را در ابزارهای خود تفکیک کنید.

اما بحث اصالت تنها در تصاویر میکروسکوپی نیست؛ اثر این ابزارها بر اعتبار مقالات علمی در ژورنال‌های تراز اول را در گزارش بعدی بررسی خواهیم کرد.