Optik Hesaplama Deepfake Tespit Maliyetlerini Düşürebilir

İkna edici sentetik video üretmek giderek daha kolay hale geliyor. Bu videonun gerçek olup olmadığını kontrol etmek ise farklı bir zorluk oluşturuyor: birinin bunu incelemek için gerekli bilgisayar gücünü, elektriği ve inceleme kapasitesini sağlaması gerekiyor.

Büyük miktarda yükleme işleyen platformlar için tespit doğruluğu yalnızca denklemin bir parçasıdır. Bir doğrulama sistemi, içeriği uygun maliyetle işlemek ve şüpheli materyali daha fazla incelemeye yönlendirmek zorundadır; bu süreçte inceleyicileri bunaltmamalıdır.

UCLA’dan yeni bir çalışma, eLight’ta yayımlandı ve bu soruna alışılmadık bir yaklaşımı inceliyor: tespitin bir kısmını ışıkla gerçekleştirmek.¹ Araştırmacılar, dijital sinirsel işlemeyi bir optik kod çözücüyle birleştirerek paralel olarak 15 videoyu tarayan hibrit bir sistem gösterdiler. Önemi, deepfake’lerin ötesine geçerek, uzman donanımın AI çıkarımının ekonomisini nasıl değiştirebileceğine dair pratik bir örnek sunuyor.

Optik Hesaplama Deepfake Videoları Nasıl Tespit Eder

Geleneksel AI dedektörleri, videoyu elektronik işlemcilerde yürütülen matematiksel işlemlerle analiz eder. UCLA mimarisi dijital işleme devam ederken, sınıflandırmanın sonraki aşamasını optik bir sisteme aktarır.

İlk olarak, dijital bir sinir ağı seçilen video karelerinden faydalı bilgileri çıkarır. Bu kompakt temsil, gelen ışığın yüzeyinde nasıl davrandığını kontrol eden programlanabilir bir uzamsal ışık modülatörüne kodlanır.

Işık daha sonra optik kod çözücünün içinden geçerek gerçek‑ve‑sahte sınıflandırmasını destekleyen yoğunluk desenleri üretir. Tüm kod çözücü hesaplamalarını elektronik olarak yürütmek yerine, sistem öğrenilmiş dönüşümü gerçekleştirmek için ışığın fiziksel davranışını kullanır.

Uzamsal çoklama, farklı videolardan gelen temsillerin aynı modülatörün ayrı bölgelerinde yer almasını sağlar. Böylece optik kod çözücü, tek bir yayılım geçişinde birden fazla girişi değerlendirir.

Bu, 15 tam video dosyasının anında doğrulandığı anlamına gelmez. Kare seçimi, dijital kodlama, modülatörün yüklenmesi ve sonucun okunması hâlâ gereklidir. Paralellik optik aşamaya uygulanır ve mimariyi daha büyük bir iş akışının içinde özelleşmiş bir hızlandırıcı haline getirir.

Deepfake Tespit Çalışmasının Gösterdikleri

Araştırmacılar, yüz takasları, gerçek dünyadaki deepfake kayıtları ve tamamen AI tarafından üretilen videoları içeren veri setlerini kullanarak çerçeveyi değerlendirdiler. Deneysel Celeb-DF yapılandırmasında sistem, optik bir geçişte 15 video işledi ve ortalama %97,79 doğruluk elde etti.

Aşağıdaki sonuçlar doğrudan makaleden alınmıştır. Bunlar, her veri seti ya da gelecekteki video üreticisi üzerindeki performans yerine, deneysel Celeb-DF yapılandırmasını tanımlar.

Duyarlılık, dedektörün doğru bir şekilde tanımladığı sahte video sayısını ölçer. Özgüllük ise gerçek videoları doğru tanıma oranını ölçer. Bu kombinasyon, sistemi ikinci bir doğrulama aşamasına geçmeden şüpheli içeriği yakalamak için özellikle uygun kılar.

Paralel işlemeyi 18 videoya çıkarmak, deneysel doğruluğu %96,13’e düşürdü. Bu, tanıdık bir mühendislik ödünleşimini gösterir: kapasite artışı, performansı etkileyebilecek girişim ve diğer fiziksel kısıtlamaları beraberinde getirebilir.

Araştırmacılar ayrıca bozulma, sıkıştırma, hizasızlık ve adversarial manipülasyonu incelediler. Bu testler, daha fazla geliştirme ihtiyacını güçlendiriyor, ancak her görülmemiş üretici için güvenilir tespit ya da saldırıya karşı bağışıklık sağlamaz.

Yanlış Pozitiflerin Doğrulama Maliyetlerini Nasıl Şekillendirdiği

En faydalı ticari soru, dedektör bir uyarı verdiğinde ne olacağıdır. Yüksek duyarlılığa sahip bir tarama sistemi, çoğu sahteyi yakalayabilir ve yine de önemli miktarda gerçek materyali ek analiz için yönlendirebilir.

Örnek bir iş yükü olarak 100.000 video düşünün, bunların %1’i sahte. Raporlanan duyarlılık ve özgüllük bu iş yüküne aynı şekilde uygulanırsa, yaklaşık 999 sahte video işaretlenir ve yaklaşık 4.237 gerçek video da aynı şekilde işaretlenir. İşaretlenen içeriğin yalnızca yaklaşık %19’u gerçekte sahte olur.

Bu, yaygınlığın etkisini gösteren bir hesaplamadır, çalışmadan elde edilen bir dağıtım sonucu değildir. Gerçek performans, içerik karışımı, karar eşiği ve üretim yüklemeleri ile benchmark verileri arasındaki farklara bağlı olacaktır.

Buna rağmen, yazarların bir birinci aşama filtresi önermesinin nedenini açıklar. Bir uyarı, otomatik olarak halka açık bir suçlama ya da kaldırma kararı olmaktan ziyade, bir incelemeyi tetiklemelidir.

İş modeli dolayısıyla birkaç bağlantılı ölçüme bağlıdır:

• İncelenen video başına enerji ve işleme maliyeti.
• Daha fazla doğrulama gerektiren yüklemelerin oranı.
• Kaçırılan manipülasyonlar ve hatalı yükseltme oranları.
• Donanım kullanımı, bakım ve entegrasyon maliyetleri.

Daha ucuz bir tarama aşaması, daha geniş kapsamlı doğrulamayı uygun fiyatlı hâle getirebilir. Ancak, elde edilen tasarruflar, bu aşamanın yarattığı sonraki iş yükünün maliyetiyle birlikte değerlendirilmelidir.

Optik AI Enerji Tasarrufları Sistem Düzeyi Bağlam Gerektirir

Makale, benzer performans sunan bir dijital kod çözücüye kıyasla kod çözücü enerji tüketiminde önemli azalmalar tahmin ediyor. Bu bileşen ile tam sistem arasındaki fark önemlidir.

Tam dijital kodlayıcıyla, hibrit yapı video başına tahmini 180,20–182,93 milijoule tüketirken, seçilen dijital temel yapı 209,26 milijoule tüketir. Bu, uçtan uca enerji tüketiminde yaklaşık %13–14 daha düşük bir seviyeyi gösterir.

Daha hafif bir kodlayıcı kullanmak, ilgili dijital yapı ile karşılaştırıldığında tahmini tasarrufu yaklaşık %38–42’ye yükseltir. Kodlayıcı karmaşıklığının azaltılması tespit performansını da etkiler, ancak ek pasif optik katmanlar doğruluk ve özgüllüğü geri kazanmaya yardımcı olur.

Bunlar, hesaplama varsayımları ve bileşen güç bütçelerine dayanan modelleme tahminleridir. Bir işletim moderasyon hizmetinden ölçülen elektrik tasarrufu değildir. Ayrıca, her optimize edilmiş GPU dedektöründen üstünlüğü kanıtlamaz.

Daha geniş ders, bir aşamayı hızlandırmanın, başka bir aşama tüketimin büyük bir kısmını oluşturduğunda sınırlı fayda sağladığıdır. Optik donanım, çevresindeki dijital veri hattı onu kullanacak şekilde tasarlandığında daha değerli hâle gelir.

Ticari değerlendirme, ayrıca edinim maliyetleri, hizalama kararlılığı, yedek bileşenler ve işlem gecikmelerini de içermelidir. Tam yığınlarla sürekli çalışan bir sistem, aralıklı istekleri işleyen bir sistemden çok farklı bir ekonomik yapıya sahip olabilir.

Deepfake Tespiti İçerik Kökeniyle Tamamlayıcıdır

Doğrulama çeşitli yollarla gelişiyor. Tespit, içeriği üretim ya da manipülasyon belirtileri açısından inceler. Köken sistemleri, bir varlığın nereden geldiği ve nasıl üretildiği ya da düzenlendiği hakkında bilgi kaydeder.

Mayıs 2026’da OpenAI, genişletilmiş içerik kökeni yaklaşımını, İçerik Kimlik Bilgileri, SynthID filigranlama ve doğrulama araçlarını içerecek şekilde tanımladı. Bu yaklaşımlar, adli tespit araçlarını tamamlayabilecek sinyaller sağlar.

Eksik kimlik bilgileri bir videonun sahte olduğunu kanıtlamaz. Aynı şekilde, bir dosyanın kaynağına dair kanıtlar, içindeki tüm görüntülerin ya da iddiaların doğru olduğunu göstermez. Gerçek bir kayıt bile yanıltıcı bir şekilde sunulabilir.

Bu nedenle pratik bir iş akışı, köken kontrolleri, düşük maliyetli tarama, daha derin adli analiz ve insan araştırmasını birleştirebilir. Optik hesaplama, tüm özgünlük sorununu çözmeye gerek kalmadan tarama katmanına katkıda bulunabilir.

Finansal önemi zaten somut. FINRA’nın Haziran 2026 rehberi, deepfake’ler ve taklit dolandırıcılıkları konusunda, sahte benzerlikler ve sesler içeren tehditleri tanımlıyor. UCLA video dedektörü bu tür tüm tehditleri, özellikle ses‑sadece saldırıları, ele almıyor, ancak daha geniş doğrulama sorununu oluşturan bir bölüme odaklanıyor.

Texas Instruments Optik Donanıma Maruziyet Sağlıyor

Bu gelişmeler, AI’ı destekleyen fiziksel altyapıya yönelik daha geniş bir yatırım kaymasına da uyuyor. Securities.io’nun Machine Age Fund’ın AI donanım odak noktasını kapsayan raporu, çipler, ağ, bellek ve tam bilgisayar sistemlerine artan ilgiyi vurguluyor.

Texas Instruments (TXN ) Programlanabilir optik bileşenler aracılığıyla ilgili bir bağlantı sunar. DLP teknolojisi faz ışık modülatörlerini içerir; faz ışık modülatörü değerlendirme donanımı gelişmiş ışık kontrol uygulamalarının geliştirilmesini destekler.

UCLA makalesi, daha hızlı optik uygulamalardan bahsederken Texas Instruments DLP teknolojisinin bir faz uzamsal ışık modülatörüne uyarlanmasına ilişkin araştırmaya atıfta bulunur. Bu, belirli bir teknik bağlantı oluşturur; ancak TI’nin gösterilen laboratuvar sistemini sağladığını ya da UCLA ile ticari bir anlaşması olduğunu kanıtlamaz.

Yatırımcılar için TI, çeşitlendirilmiş bir yarı iletken işinde etkinleştirici donanıma maruziyet anlamına gelir. Fırsat, optik hesaplamanın prototip aşamasının ötesine geçip programlanabilir modülatörler, kontrolcüler ve destek elektroniklerine talep yaratmasına bağlı olacaktır.

İzlenmesi gereken kanıtlar, laboratuvar veri setlerinin dışındaki tekrarlanabilir performans, mevcut tarama sistemlerine entegrasyon ve toplam maliyetleri düşürdüğünü gösteren müşteri dağıtımlarıdır. Bu çalışma, TI için maddi bir gelir fırsatı ya da üretime hazır bir tespit hizmeti oluşturmadığını ortaya koyar.

Yatırım Durumu Uygun Fiyatlı Doğrulama ile Başlar

UCLA çalışması, özel AI donanımı için güvenilir bir yön gösteriyor: optik hesaplamayı, dijital işleme hâlâ faydalı olduğu yerlerde koruyarak birden fazla videoyu taramak için kullanmak.

Daha büyük etkisi ekonomiktir. Sentetik medya genişledikçe, kuruluşlar her yükleme için orantılı olarak daha fazla harcamadan daha fazla içeriği doğrulamak zorunda kalabilirler. Verimli bir ön tarama, pahalı analizleri ve insan dikkatini en değerli oldukları yerlere tahsis etmeye yardımcı olabilir.

Bir sonraki kilometre taşı, bu avantajı tüm iş akışı boyunca kanıtlamaktır. Doğruluk, enerji, yanlış pozitifler, donanım maliyetleri ve uyarlanabilirlik birlikte iyileşmelidir. İşte bu noktada ilginç bir optik deney, ticari açıdan faydalı bir altyapıya dönüşebilir.

Kaynaklar:

¹ Ghapandar Kashani, P., Chen, S., & Ozcan, A. (2026). Scalable, energy-efficient optical-neural architecture for multiplexed deepfake video detection. eLight, 6, Makale 27. https://doi.org/10.1186/s43593-026-00143-y