رمزگشایی از پایداری دینامیکی؛ روشی برای شکستن چرخه ابدی جعل‌های عمیق

آیا واقعاً می‌توانیم به پایان بازی گربه و موشی بین هوش مصنوعی زاینده (Generative AI) و ابزارهای شناسایی جعل پایان دهیم؟ تصور کنید سیستمی که به جای جست‌وجوی پیکسل‌های مشکوک، «امضای انرژی» یک تصویر را تحلیل می‌کند تا حقیقت را بفهمد.

در ۷ مه ۲۰۲۶، پژوهشگران متدی انقلابی به نام شناسایی ناهنجاری اکشن هامیلتونی (Hamiltonian Action Anomaly Detection یا HAAD) را معرفی کردند که تمرکز را از شناسایی الگوهای ایستا به تحلیل پایداری دینامیکی تغییر می‌دهد.

به نقل از گزارش arxiv.org، این رویکرد با هر تصویر مانند یک «سطح انرژی پتانسیل» برخورد می‌کند. فرضیه اصلی این است که تصاویر طبیعی، چون محصول فرآیندهای فیزیکی اتلافی هستند، در نقاط تعادل کم‌انرژی و پایدار قرار می‌گیرند. اما مدل‌های زاینده، با وجود شباهت آماری بالا، محدودیت‌های ساختاری مانند همواری هندسی را نادیده می‌گیرند و در نتیجه، جعل عمیق (Deepfake)ها در وضعیت‌های ناپایدار و پرانرژی باقی می‌مانند.

بر اساس مستندات این پژوهش، این سیستم از طریق سه محور فنی عمل می‌کند:

• مدل‌سازی سطح انرژی (Energy Surface Modeling): تصاویر واقعی پاسخ‌های کم‌انرژی (شبیه به حوضه) تولید می‌کنند، در حالی که جعل‌ها پاسخ‌های با گرادیان بالا و پرپتانسیل ایجاد می‌کنند.
• کاوش پایداری (Stability Probing): با رها کردن حالت‌های نهفته از حالت سکون، مشاهده می‌شود که نواحی پایدار محدود می‌مانند، اما نمونه‌های پرگرادیان واکنش‌های مسیر-وار بزرگی نشان می‌دهند.
• کمی‌سازی دینامیکی (Dynamic Quantification): اندازه‌گیری این رفتارها از طریق دو آماره‌ی تخصصی: اکشن هامیلتونی و اتلاف انرژی.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، رقابت میان تولیدکننده و شناسای-جعل همواره به نفع اولی بوده است، زیرا مدل‌های جدید سریع‌تر از شناسگرها تکامل می‌یابند. اما HAAD با تکیه بر پیش‌فرض‌های بنیادی فیزیک، این چرخه را می‌شکند و در بنچ‌مارک‌های انتقال بین‌داده‌ای، عملکردی فراتر از مدل‌های پیشرو (SOTA) دارد.

با تبدیل شدن رسانه‌های مصنوعی به محتوایی که برای چشم انسان غیرقابل تشخیص است، صنعت احتمالاً به سمت این ابزارهای جرم‌شناسی «فیزیک-محور» حرکت خواهد کرد تا اعتماد دیجیتال را بازیابی کند.

اما این تنها بخشی از معماری جدید است؛ تأثیر این متد بر سخت‌افزارهای استنتاج (Inference) در لبه را در گزارش بعدی بررسی خواهیم کرد.

گام بعدی شما

• بررسی مقاله HAAD در arxiv برای درک ریاضیات پشت پایداری دینامیکی.
• دنبال کردن ابزارهای Forensic که از رویکردهای Physics-first استفاده می‌کنند.
• ارزیابی مجدد استراتژی‌های احراز هویت دیجیتال در سازمان خود با نگاهی به تحلیل‌های پایداری.