الحوسبة الضوئية قد تخفض تكاليف اكتشاف التزييف العميق

إن إنشاء فيديو اصطناعي مقنع أصبح أسهل. التحقق مما إذا كان ذلك الفيديو أصليًا يخلق تحديًا مختلفًا: يجب توفير القدرة الحاسوبية والكهرباء وسعة المراجعة اللازمة لفحصه.

بالنسبة للمنصات التي تتعامل مع حجم كبير من التحميلات، فإن دقة الكشف ليست سوى جزء من المعادلة. يجب على نظام التحقق أيضًا معالجة المحتوى بتكلفة معقولة وتوجيه المواد المشبوهة إلى مزيد من التحقيق دون إغراق المراجعين.

تستكشف دراسة جديدة من جامعة كاليفورنيا بلوس أنجلوس (UCLA) نشرت في eLight نهجًا غير مألوف لتلك المشكلة: استخدام الضوء لأداء جزء من عملية الكشف.¹ أظهر الباحثون نظامًا هجينًا يفحص 15 فيديوًا بشكل متوازي، يجمع بين المعالجة العصبية الرقمية ومفكك بصري. تمتد أهميته إلى ما وراء التزييف العميق، مقدماً مثالًا عمليًا على كيفية إمكانية تغيير الأجهزة المتخصصة لاقتصاديات استدلال الذكاء الاصطناعي.

كيف تكشف الحوسبة الضوئية عن مقاطع فيديو Deepfake

تحلل كواشف الذكاء الاصطناعي التقليدية الفيديو عبر عمليات رياضية تُنفّذ على المعالجات الإلكترونية. تحتفظ بنية UCLA بالمعالجة الرقمية لكنها تنقل مرحلة التصنيف اللاحقة إلى نظام بصري.

أولاً، يستخرج الشبكة العصبية الرقمية معلومات مفيدة من إطارات الفيديو المختارة. تُشفّر تلك التمثيلة المدمجة على مُعدِّل ضوئي مكاني قابل للبرمجة، وهو جهاز يتحكم في سلوك الضوء الوارد عبر سطحه.

بعد ذلك ينتقل الضوء عبر المفكك البصري، مُنتجًا أنماط شدة تدعم تصنيف الحقيقي أو المزيف. بدلاً من تنفيذ كل حساب للمفكك إلكترونيًا، يستخدم النظام السلوك الفيزيائي للضوء لتطبيق التحويل المتعلم.

يسمح التعدد المكاني للتمثيلات من مقاطع فيديو مختلفة باحتلال مناطق منفصلة على نفس المُعدِّل. وبالتالي يقوم المفكك البصري بتقييم مدخلات متعددة خلال مرور واحد للضوء.

هذا لا يعني أن 15 ملف فيديو كامل يتم التحقق منها فورًا. لا يزال اختيار الإطارات، والترميز الرقمي، وتحميل المُعدِّل، وقراءة النتيجة ضروريين. ينطبق التوازي على المرحلة الضوئية، مما يجعل البنية مسرّعًا متخصصًا ضمن سير عمل أكبر.

ما أظهرته دراسة كشف التزييف العميق

قَيَّم الباحثون الإطار باستخدام مجموعات بيانات تشمل تبديل الوجوه، وتسجيلات Deepfake في العالم الحقيقي، وفيديوهات مُولَّدة بالكامل بالذكاء الاصطناعي. في تكوينه التجريبي على مجموعة Celeb-DF، عالج النظام 15 فيديوًا لكل مرور بصري وحقق متوسط دقة قدره 97.79٪.

النتائج التالية مأخوذة مباشرةً من الورقة. إنها تصف تكوين Celeb-DF التجريبي، وليس الأداء عبر كل مجموعة بيانات أو مولد فيديو مستقبلي.

تقيس الحساسية عدد مقاطع الفيديو المزيفة التي يحددها الكاشف بدقة. تقيس الخصوصية عدد مقاطع الفيديو الحقيقية التي يتعرف عليها بشكل صحيح. تشير هذه التركيبة إلى نظام مناسب بشكل خاص لالتقاط المحتوى المشبوه قبل مرحلة التحقق الثانية.

أدى زيادة المعالجة المتوازية إلى 18 فيديوًا إلى خفض الدقة التجريبية إلى 96.13٪. وهذا يوضح مقايضة هندسية مألوفة: يمكن أن تُدخل زيادة السعة تداخلًا وقيودًا فيزيائية أخرى تؤثر على الأداء.

فحص الباحثون أيضًا الانحلال، والضغط، وعدم المحاذاة، والتلاعب العدائي. تعزز هذه الاختبارات الحجة من أجل مزيد من التطوير، لكنها لا تثبت اكتشافًا موثوقًا لكل مولد غير مرئي أو حصانة ضد الهجمات.

لماذا تُشكِّل الإيجابيات الكاذبة تكاليف التحقق

السؤال التجاري الأكثر فائدة هو ما يحدث بعد أن يصدر الكاشف تنبيهًا. يمكن لنظام الفحص عالي الحساسية أن يلتقط معظم التزييفات مع الاستمرار في تحويل كميات كبيرة من المواد الحقيقية للتحليل الإضافي.

تخيل عبء عمل توضيحي يضم 100,000 فيديو، بنسبة 1٪ منها مزيفة. إذا تم نقل الحساسية والخصوصية المبلغ عنهما إلى هذا العبء دون تغيير، فسيتم الإشارة إلى حوالي 999 فيديو مزيف، إلى جانب ما يقرب من 4,237 فيديو حقيقي. فقط حوالي 19٪ من المحتوى المُشار إليه سيكون في الواقع مزيفًا.

هذا حساب يوضح تأثير الانتشار، وليس نتيجة تنفيذية من الدراسة. سيعتمد الأداء الفعلي على مزيج المحتوى، وعَتَبَة القرار، والاختلافات بين التحميلات الإنتاجية وبيانات المعيار.

مع ذلك، يوضح ذلك لماذا يقترح المؤلفون مرشحًا للمرحلة الأولى. يجب أن يُطلق التنبيه تحقيقًا، بدلاً من أن يتحول تلقائيًا إلى اتهام عام أو قرار إزالة.

وبالتالي يعتمد نموذج الأعمال على عدة مقاييس مترابطة:

• تكلفة الطاقة والمعالجة لكل فيديو مُفحص.
• نسبة التحميلات التي تتطلب تحققًا إضافيًا.
• التلاعبات الفائتة ومعدلات التصعيد غير الصحيحة.
• تكاليف استخدام الأجهزة والصيانة والتكامل.

يمكن لمرحلة الفحص الأرخص أن تجعل التحقق الأوسع ميسورًا. ومع ذلك، يجب تقييم أي توفير جنبًا إلى جنب مع تكلفة عبء العمل اللاحق الذي تُنشئه.

توفير الطاقة في الذكاء الاصطناعي البصري يحتاج إلى سياق على مستوى النظام

تقدّر الورقة انخفاضًا كبيرًا في استهلاك الطاقة للمرمز مقارنةً بمرمز رقمي يقدم أداءً مماثلًا. الفرق بين هذا المكوّن والنظام الكامل له أهمية.

مع المشفر الرقمي الكامل، يستهلك التكوين الهجين ما يقدّر بـ 180.20–182.93 ملي جول لكل فيديو، مقارنةً بـ 209.26 ملي جول للخط الأساسي الرقمي المختار. وهذا يمثل انخفاضًا بنحو 13–14٪ في استهلاك الطاقة من الطرف إلى الطرف.

استخدام مشفر أخف يزيد التوفير المقدر إلى ما يقرب من 38–42٪ مقارنةً بالتكوين الرقمي المقابل. كما أن تقليل تعقيد المشفر يؤثر على أداء الكشف، رغم أن الطبقات البصرية السلبية الإضافية تساعد في استعادة الدقة والخصوصية.

هذه تقديرات نمذجة تستند إلى افتراضات حسابية وميزانيات طاقة المكوّنات. وهي ليست توفيرًا مقاسًا للكهرباء من خدمة تعديل تشغيلية. كما أنها لا تُظهر تفوقًا على كل كاشف GPU مُحسّن.

الدرس الأوسع هو أن تسريع مرحلة واحدة يحقق فوائد محدودة عندما تهيمن مرحلة أخرى على الاستهلاك. يصبح العتاد البصري أكثر قيمة عندما يُصمم خط الأنابيب الرقمي المحيط لاستغلاله.

يجب أن تشمل التقييمات التجارية أيضًا تكاليف الاستحواذ، استقرار المحاذاة، مكوّنات الاستبدال، وتأخيرات المعالجة. قد يكون للنظام الذي يعمل باستمرار مع دفعات كاملة اقتصاديات مختلفة تمامًا عن النظام الذي يتعامل مع طلبات متقطعة.

كشف التزييف العميق يُكمل توثيق أصل المحتوى

يتطور التحقق على عدة مسارات. يفتش الكشف المحتوى بحثًا عن علامات التوليد أو التلاعب. تسجل أنظمة التوثيق معلومات حول مصدر الأصل وكيف تم إنتاجه أو تحريره.

في مايو 2026، وصفت OpenAI نهجها الموسع لتوثيق المحتوى، بما في ذلك بيانات الاعتماد للمحتوى، وعلامة مائية SynthID، وأدوات التحقق. توفر هذه الأساليب إشارات يمكن أن تُكمل كواشف الطب الشرعي.

غياب بيانات الاعتماد لا يثبت أن الفيديو مزيف. وبالمثل، لا يثبت دليل أصل الملف أن كل ما يُصوَّر أو يُدَّعى فيه صحيح. يمكن أن يُعرض تسجيل حقيقي بطريقة مضللة.

يمكن لذلك أن يجمع سير عمل عملي فحوصات التوثيق، فحصًا منخفض التكلفة، تحليلًا جنائيًا أعمق، وتحقيقًا بشريًا. قد يساهم الحوسبة البصرية في طبقة الفحص دون الحاجة إلى حل مشكلة الأصالة بالكامل.

الأهمية المالية واضحة بالفعل. توضح إرشادات FINRA الصادرة في يونيو 2026 حول التزييف العميق والاحتيالات الانتحال التهديدات التي تشمل أشكالًا وأصواتًا مُصنَّعة. لا يتعامل كاشف الفيديو في جامعة كاليفورنيا لوس أنجلوس مع كل هذه التهديدات، خصوصًا الهجمات الصوتية فقط، لكنه يستهدف جزءًا من تحدي التحقق الأوسع.

تقدم Texas Instruments تعرضًا للعتاد البصري

تتناسب هذه التطورات أيضًا مع تحول استثماري أوسع نحو البنية التحتية المادية الداعمة للذكاء الاصطناعي. يسلط تغطية Securities.io لـ تركيز صندوق Machine Age على عتاد الذكاء الاصطناعي الضوء على الاهتمام المتزايد بالرقائق، والشبكات، والذاكرة، وأنظمة الحوسبة الكاملة.

Texas Instruments (TXN ) توفر اتصالًا ذا صلة عبر المكوّنات البصرية القابلة للبرمجة. تشمل تقنية DLP الخاصة بها مُعدِّلات ضوء طورية، مع أجهزة تقييم مُعدِّل ضوء الطور التي تدعم تطوير تطبيقات متقدمة للتحكم في الضوء.

تشير ورقة جامعة كاليفورنيا لوس أنجلوس إلى بحث يكيّف تقنية DLP من Texas Instruments إلى مُعدِّل ضوء فضائي طور عند مناقشة تطبيقات بصرية أسرع. يخلق ذلك صلة تقنية محددة، رغم أنه لا يثبت أن TI زودت النظام المختبري المعروض أو أن لديها اتفاقية تجارية مع الجامعة.

بالنسبة للمستثمرين، تمثل TI تعرضًا للعتاد المُمكّن ضمن عمل semiconductor متنوع. ستعتمد الفرصة على تقدم الحوسبة البصرية إلى ما بعد النماذج الأولية وتوليد طلب على المُعدِّلات القابلة للبرمجة، ووحدات التحكم، والإلكترونيات الداعمة.

تشمل الأدلة التي تستحق المتابعة الأداء القابل للتكرار خارج مجموعات بيانات المختبر، والتكامل في أنظمة الفحص القائمة، ونشر العملاء الذي يُظهر انخفاض التكاليف الإجمالية. لا تُثبت هذه الدراسة وجود فرصة إيرادات جوهرية لـ TI ولا خدمة كشف جاهزة للإنتاج.

قضية الاستثمار تبدأ بالتحقق الميسور

تُظهر أعمال جامعة كاليفورنيا لوس أنجلوس اتجاهًا موثوقًا لعتاد الذكاء الاصطناعي المتخصص: استخدام الحوسبة البصرية لفحص عدة فيديوهات مع الحفاظ على المعالجة الرقمية حيثما تظل مفيدة.

تتبنى هذه النتيجة تداعيات اقتصادية أوسع. مع توسّع الوسائط الاصطناعية، قد تحتاج المؤسسات إلى التحقق من المزيد من المحتوى دون إنفاق بنسبة متناسبة أكثر على كل تحميل. يمكن أن يساعد الفحص الأولي الفعّال في تخصيص التحليل المكلف والانتباه البشري حيثما يكونان أكثر قيمة.

المرحلة التالية هي إثبات هذه الميزة عبر سير العمل الكامل. يجب تحسين الدقة والطاقة والإيجابيات الكاذبة وتكاليف الأجهزة والقدرة على التكيّف معًا. هنا يمكن لتجربة بصرية مثيرة للاهتمام أن تصبح بنية تحتية تجارية مفيدة.

المراجع:

¹ غاباندار كاشاني، ب., تشين، س., وأوزكان، أ. (2026). Scalable, energy-efficient optical-neural architecture for multiplexed deepfake video detection. eLight, 6, المقال 27. https://doi.org/10.1186/s43593-026-00143-y