Käyttäen “Todennäköisyyttä” Syvänvalheen Havaitsemisen Mittarina

Jos AI:lla generoitu video ja ääni ovat tarpeeksi hyviä, syvänvalheen havaitsemiseen perustuvat visuaaliset virheet tai muut perinteiset signaalit eivät toimi enää. Mutta koska ihmiset harvoin poikkeavat ennustettavasta käyttäytymisestä, “todennäköisyys” voisi olla otettu syvemmälle signaaliksi siitä, onko video tai uutisten kuiskausta todennäköisesti totta.

Mielipide 1990-luvun alussa kunnioitettu entinen brittiläinen jalkapalloilija ja urheilukommentaattori David Icke paljasti keskustelushow’ssa, että hän on “Jumalan poika” – outo ja odottamaton paljastus, josta kehittyy seuraavien vuosikymmenien ajan pysyvä ja monimutkainen salaliittoteoria salaisesta ja voimakkaasta globaalista “liskoihmisten” salaliitosta.

Koska internetin käyttöönotto oli vielä vuosia eteenpäin, ja sosiaalisen median tulo vielä kauempana tulevaisuudessa, Icken julkisuuskuvan ja uusien näkemystensä välisen suuren dissonanssin vaikutus brittiläiseen yleisöön oli syvä – ei vähiten sen takia, että ei ollut mitään kontekstia tai valmistautumista tähän massiiviseen käänteeseen, josta tuli tunnettu ja vakiintunut urheiluhenkilö.

Yli kaksikymmentä vuotta myöhemmin vastaava, mutta paljon pimeämpi versio tästä yhteiskunnallisesta shokista tapahtui, kun rakastettu hyväntekeväisyyskampanja ja lasten TV-juontaja Jimmy Savile paljastui postuumasti sariseksi ja ahneeksi elinikäiseksi seksuaalirikolliseksi, joka oli käyttänyt hyväntahtoista julkisuuskuvaa rikosten helpottamiseen.

Myöhempi Operation Yewtree -poliisitutkinta paljasti useita muita brittiläisiä julkisuuden henkilöitä, joilla oli pitkät seksuaalirikosten historiat; myöhemmin Harvey Weinsteinin syyte johti samanlaiseen löytöön julkisuuden henkilöistä, jotka olivat seksuaalirikollisia Yhdysvalloissa, mikä kehittyi #metoo-liikkeeksi ja vakiintui pysyvästi amerikkalaiseen kulttuuriin esimerkiksi The Morning Show -ohjelmissa. “Shokkiuutiset” näyttivät kehittävän uuden ja äkkinäisen mallin – yhden, josta tulisi myöhemmin syvänvalheen hyökkääjien omaksuman.

Syvänvalheen Perinteisen Havaitsemisen Loppu?

Vaikka sosiaalinen media ja AI olisivat olleet olemassa 1990-luvun alussa, mikään ennustejärjestelmä maailmassa ei olisi voinut ennustaa Icken keskustelushow-paljastuksia, jotka (niin kuin muistan hyvin) eivät olleet millään tavoin ennakoiden edeltävien vuosien aikana.

Jos AI olisi ollut olemassa, se olisi saattanut viedä jonkin aikaa vakuuttaa laajempaa yleisöä siitä, että Icken ilmoitukset eivät olleet Google Veo 3:n tai jonkin uuden sukupolven hyperrealistisen ääni- ja videoteknologian tuotetta.

On vasta viimeisten 6-12 kuukauden aikana, että AI-syvänvalhemetodit ovat kehittyneet tarpeeksi tehokkaiksi täyttämään vuosien ajan medialle esitettyjä varoituksia syvänvalheen vaikutuksesta vaaleihin, ja kykeneviä luomaan sellaisen nopea maineen tahra, joka on valheellista, mutta vaikeaa poistaa kasvavassa uskollisessa kulttuurissa.

Tähän asti AI-videotuotanto yleensä jää lyhyeksi oikeasta realisminsa, rajoitettuna teknillisillä esteillä ja yhä enemmän polarisoituneena kasvavalla kuilulla Länsimaiden rajoittavien mallien ja Kiinan sensuroimattomien avoimien julkaisujen välillä^**.

Kuitenkin huomaan yhä enemmän tutkimuskirjallisuudessa lähestyvän myöntymisen tätä kylmää sotaa, esimerkiksi uudessa tutkimuspaperissa Performance Decay in Deepfake Detection^†:

‘[Me] oletamme, että syvänvalhevideoissa on edelleen koneoppimiseen perustuvia piirteitä, jotka luotettavasti erottavat ne aidoista videoista. Kun generatiivisen AI:n kyky kehittyy nopeasti, tämä oletus saattaa murtua.

‘Tällaisessa skenaariossa watermarking ja muut alkuperän seurantamenetelmät tarjoavat ainoan keinon digitaalisen median luotettavuuden ylläpitämiseksi.’

Kuitenkin sama tutkimus myöntää, että alkuperään perustuvat ratkaisut, kuten Adobe-johtama Content Authenticity Initiative (ja moni pienempi tutkimus tarjous tarjoaa viimeisten 7-8 vuoden aikana) vaativat laajaa käyttöönottoa, joka on epärealistista; ja tutkimus päättyy yleiseen perääntymiseen, ellei tappioon.

Jos ääni- ja videoteknologian syvänvalheen havaitsemismenetelmät kehittyvät generatiivisen AI:n ylitse, ja maailmanlaajuinen käyttöönotto intrusiivista watermarking- tai alkuperäjärjestelmää epäonnistuu moninaisissa logistisissa esteissä, mikä yhteinen keskeinen piirre voisi korvata ne mahdollisesti väärennetyn tulosteen merkkinä? Tai onko meidän pakko luopua maailmasta, jossa kaikki media on epäilyksen alaisia, ja Liar’s Dividend vallitsee?

Tietoverkot

Näyttää siltä, että on aika hyödyntää todennäköisyys ja uskottavuus “raportoiduista tapahtumista” syvänvalheen havaitsemisen ominaisuutena. Lisäksi, koska video- ja äänigeneratiivinen AI-järjestelmä yhdistyy yhä enemmän, saattaa olla aika yhdistää erilliset tutkimussuunnat “väärennetyistä uutisista” (tekstipohjaisena kerrontana) ja väärennetystä kuvasta/videosta.

Todennäköisyys -syvänvalhemittari ei ole sama kuin RAG -avustettu tosiuden varmistus, jossa AI-malli voi tuoda nykyisiä verkkotuloksia tietoihin tapahtumista, jotka tapahtuvat sen omassa päätöksenteon päättymisajankohtana, ja/tai vahvistaa sen väitteitä.

Sen sijaan se suorittaa ennusteita yleisesti osoittavien tilastollisten trendien perusteella, jotka perustuvat historiallisiin malleihin, jotka ovat yhdenmukaisia nykyiselle kyselylle.

Tässä mielessä todennäköisyysmenetelmä on lähempänä tilastollista analyysiä kuin nykyisempiä lähestymistapoja nykyisessä koneoppimisen tilanteessa.

Vaikka aiemmin varjoon jäänyt nykyisemmistä Transformers-ajan lähestymistavoista, tietoverkot tekevät jonkinlaista paluuta yritysmaailmassa, ja näyttävät soveltuvan “todennäköisyys” -mittarin mahdolliseen käyttöön syvänvalheen havaitsemisessa.

Yksinkertaistettu tietoverkko, joka osoittaa, miten ihmiset, paikat, taiteen teokset ja tapahtumat voivat olla kytkettyjä merkittyjen suhteiden kautta, mahdollistaen koneiden päättelyä todellisista entiteeteistä ja niiden yhteyksistä. Lähde

Tietoverkko on tapa järjestää tietoa karttamalla todellisia asioita, kuten ihmisiä, yrityksiä, tapahtumia tai ideoita, verkostoon kytkettyjä tosiasioita.

Kunkin alayksikön on solmu, ja niiden väliset linkit (reunat) kuvaavat, miten ne liittyvät toisiinsa. Esimerkiksi ‘Microsoft’ (solmu) voisi olla linkitetty ‘OpenAI’:hin (toinen solmu) reunalla, joka sanoo ‘on OpenAI:n asiakas’. Nämä yhteydet tallennetaan usein graafitietokannoissa ja noudattavat aihe-predikaatti-objektin rakennetta, kuten ‘Microsoft on OpenAI:n asiakas’.

Pysyvä Muisti

Yksi Kiinalainen tutkimus ehdotti syyskuussa tänä vuonna koulutusvapaata menetelmää, joka käyttää graafiperusteista päättelyä havaitsemaan hienoja epäjohdonmukaisuuksia monimutkaisissa syvänvalheissa.

Sen sijaan, että generoisi perusteita tai hienosäätäisi suuria malleja, järjestelmä hakee kuva-teksti -paria, rakentaa samankaltaisuusgrafiikan ja pisteyttää yhteyksiä, jotta se voi hakea kaikkein relevantimmat esimerkit, ja ne ohjaavat mallin arviota ilman uuden koulutuksen tarvetta:

<img class=" wp-image-225720" src="https://www.unite.ai/wp-content/uploads/2025/11/TRAINING-FREE-MULTIMODAL-DEEPFAKE-DETECTION-VIA-GRAPH-REASONING.jpg" alt="GASP-ICL-kehyksen yleiskatsaus, joka parantaa syvänvalheen havaitsemista yhdistämällä graafiperusteisen näytevalinnan kontekstissä oppimiseen, jolloin jäädytetty visio- ja kielimalli voi luokitella kuva-/teksti -paria aidoiksi tai väärennetyiksi ilman koulutusta tai hienosäätöä.  LähdeTämä on luultavasti lähimpänä työ, joka on ylittänyt polkuni, joka on “tietoinen” ja historiasta tiedostava lähestymistapa syvänvalheen arvioinnissa ja vahvistamisessa. Yleensä tietokoneen näkölähestymistapa analysoi kuvia (mukaan lukien videon kehykset ja aikapersoonalliset anomaaliat, jotka kattavat useita kehyksiä) kun taas “väärennetyn uutisen” havaitsemisjärjestelmät korostavat edelleen tekstipohjaista dataa, jopa monimutkaisissa projekteissa.

Ominaisuuden Laajentuminen

Tällaisen ennustejärjestelmän haaste on se, että sen täydellinen toiminta edellyttää valvontaa, joka voi olla tarpeen, jotta lähestymistapa toimii – ainakin siinä määrin, että se ylittää julkkisten ja julkisuuden henkilöiden analyysin, joista on jo olemassa vapaasti saatavilla olevaa dataa.

Todennäköisesti lähin nykyinen tutkimussuunta on ennakkorikoksen tutkimusala, joka merkitsee moninaisia monimutkaisia älysignaaleja “epäilyttäviksi” ja esittää itsensä AI-hirviönä esimerkiksi Jonathan Nolanin Person of Interest (2011-2016) ja Steven Spielbergin Minority Report (2002) -elokuvissa.

Vaikka Person of Interest -tyylinen omnivorous-valvontajärjestelmä tuottaisi optimaalisen tuloksen, on epätodennäköistä, että länsimainen kulttuuri voisi tällä hetkellä hyväksyä henkilökohtaisen tunkeutumisen tasoa, jonka Kiinan sisäverkot asettavat kansalaisilleen.

Siten potentiaalisissa väärennetyissä uutisissa ei-julkisuuden henkilöistä vain hallituksen virastot, kuten poliisi (sekä syntymä- ja kuoleman rekisterit ja verovirastot) voisivat tarjota tarvittavaa historiallista tietoa todennäköisyyksien ohjaamiseksi graafiperusteisessa työssä; ja heidänkin pitäisi olla tarpeen CCCP-tyylinen tahto, kyky, lainsäädäntö ja resurssit sisällyttääksesi keskivertokansalaiset kattavuuteen ja analyyseihin (eli banalit, mutta pakolliset, tietopisteet, kuten passinumerot ja auton rekisteröintitiedot).

Todennäköisyyspisteet

Näyttää todennäköiseltä, että tällaisen järjestelmän potentiaalinen tehokkuus rajoittuisi nykyisiin (nykyisiin) syvänvalheen sisällön käyttökohteisiin: destabilisointi (valtion tukemat syvänvalheet); julkkisten ja “tuntemattomien” pornovideo (jotka voidaan molemmat pitää pahantahtoisina, vaikka jälkimmäinen tapaus saa usein syvemmän median huomion); petos (mukaan lukien ääni- ja videoteknologian syvänvalheet, jotka on suunniteltu suorittamaan ‘impersonaatio ryöstöt’); ja poliittinen luonnetappo.

Tietopohjainen järjestelmä tarvitsisi skaalan todennäköisyyksiä moninaisten mahdollisten tapahtumien joukossa. Toisessa päässä spektrissä yleiset inhimilliset virheet, kuten kyseenalainen taloudellinen johtaminen, uskottomuus, riippuvuus, huolimattomuus jne.; toisessa päässä… paljastaa, että olet Jumalan poika suorassa TV-keskustelussa (tai tapahtumia saman mittakaavan ja vaikutuksen kanssa).

Even in the latter case, personal historical factors for any one individual would weight the probability outcome: a prominent political figure who has publicly equivocated in controversial matters (such as the veracity of the 1960s/70s lunar landings) to gain capital with an increasingly ‘alternatively’-informed electorate, might gain additional wildcard status in verification routines, compared to their more staid peers.

In the case of celebrity porn, there is adequate real-world context (i.e., the 2012 celebrity photo leaks, among other – fairly rare – incidents) to generate a moderate Liar’s Dividend, in certain contexts; but since these outlier incidents tend to operate as exceptions proving the rule, most of the current crop of diffusion-based celebrity porn videos would be deemed extremely ‘improbable’ (though this does not solve the issue of the appropriation of people’s identities for such purposes).

Kansallisen häirinnän osalta on merkittävä määrä tilastollista dataa, joka voi auttaa arvioimaan “hävittävien” raporttien todennäköisyyttä. Jopa antiikin historiassa, näyttää siltä, että “yllättävät” tapahtumat, kuten tuntemattoman Vesuviuksen tulivuoren purkaus vuonna 79, olivat ennakoiden jos olisi kiinnittänyt tarpeeksi huomiota; ja plussana on saatavilla runsaasti hallituksen ja kansalaisjärjestöjen tietoja, ja AI:n kehittyvä kyky järjestää raakadataa voi tarjota lisää historiallista kontekstia todennäköisyyden arvioinnille.

Johtopäätös

Even a well-implemented predictive system of this kind could not account for random chance, acts of God, freak occurrences, or for malicious events concocted away from all oversight.

Further, the sheer volume and depth of data needed, in order to provide coverage also for non-famous people, would be a political stumbling point – at least, for the moment.

However, the choices seem to be narrowing; vision-based analysis is poised to fail in the face of improved generative AI, while verification and provenance schemes carry an impeding burden of technical debt, and friction against adoption. This makes solutions such as the Content Authenticity Initiative, and the unfulfilled Metaphysic.ai face-copyrighting system Metaphysic Pro, challenging to popularize.

In their broadest usage, RAG-based systems can only determine if an authority source backs up an unverified claim; and since many big (true) news stories emerge without prior context, a lack of substantiation from authority sources is not necessarily meaningful.

Their value may prove greater if they can form part of a larger data ecosystem concerned with the one thing that most current forms of AI find challenging – historical context.

* Ei pidä sekoittaa varhaisiin autoencoder -ilmaisiin, jotka debytoivat vuonna 2017 ja lopulta korvattiin paremmilla lähestymistavoilla.

^† https://arxiv.org/abs/2511.07009

^** Jotka voivat yleensä toimia vapaasti tehokkaammilla kotitietokoneilla, sen sijaan, että ne olisivat saatavilla ainoastaan porttiin ohjattujen API:en kautta, kuten ChatGPT ja Veo -sarja.

^††† Poistamatta laillisia viihteen käyttötapoja, kuten ammattimaisia visuaalisia efektejä elokuva- ja TV-tuotannoissa.

Julkaistu ensimmäisen kerran torstaina, 13. marraskuuta 2025