لم يعد اكتشاف التزييف العميق يعتمد على البحث عن أصابع مشوهة أو حركة وجه غريبة. يمكن لنماذج الذكاء الاصطناعي الحديثة إنتاج صور وفيديو وصوت مقنع بدرجة تجعل الملاحظة البشرية وحدها غير كافية.
الطريقة الأقوى هي جمع عدة أنواع من الأدلة: مصدر الملف، والتحليل الجنائي للوسائط، وأدوات Deepfake Detection، والعلامات المائية مثل SynthID، وContent Credentials، ثم التحقق من السياق والحدث نفسه. لا توجد أداة واحدة تستطيع منحك حكمًا موثوقًا بنسبة 100% في جميع الحالات.
ما هو Deepfake؟
يُستخدم مصطلح Deepfake عادة لوصف صورة أو فيديو أو تسجيل صوتي تم توليده أو تعديله باستخدام تقنيات الذكاء الاصطناعي بحيث يقدم شخصًا أو حدثًا أو مشهدًا بطريقة قد تبدو حقيقية رغم أن ما يظهر أو يُسمع لم يحدث بهذه الصورة.
وقد يشمل ذلك:
- فيديو لشخص يبدو وكأنه يقول كلامًا لم يقله.
- Voice Clone ينتحل صوت شخص حقيقي.
- Face Swap يستبدل وجه شخص بآخر.
- صورة واقعية لشخص أو حدث لم يوجد أصلًا.
- تعديل جزء من فيديو حقيقي بدل توليد الفيديو بالكامل.
- تركيب صوت اصطناعي على فيديو حقيقي.
لكن توجد دقة مهمة في المصطلحات: Synthetic Media أوسع من Deepfake. فليس كل محتوى مولد بالذكاء الاصطناعي محاولة خداع أو انتحال. صورة خيالية أنشئت لأغراض فنية مثلًا هي محتوى اصطناعي، لكنها لا تصبح بالضرورة Deepfake مضللًا.
وتؤكد إرشادات NIST حول فحص الوسائط الرقمية أهمية التمييز بين المحتوى الاصطناعي، والمحتوى المعدل، والمحتوى المعاد استخدامه خارج سياقه، مع اعتبار Provenance أو تاريخ منشأ الملف عنصرًا أساسيًا في عملية التحقق.
ما المقصود بـ Deepfake Detection؟
Deepfake Detection ليست خوارزمية واحدة، بل عملية تهدف إلى تقييم ما إذا كان المحتوى قد تم توليده أو تعديله بالذكاء الاصطناعي، وكيف تم إنشاؤه، وما إذا كانت القصة المرتبطة به متوافقة مع الأدلة المتاحة.
يمكن تقسيم التحقق عمليًا إلى أربع طبقات:
- Media Forensics: فحص خصائص الصورة والفيديو والصوت والملف نفسه.
- AI-based Detection: استخدام نماذج تصنيف تبحث عن أنماط مرتبطة بالمحتوى الاصطناعي.
- Watermarking وContent Provenance: البحث عن إشارات أضيفت أثناء إنشاء المحتوى أو بيانات توثق تاريخه.
- Contextual Verification: التحقق من المصدر والزمان والمكان والحدث والنسخ الأخرى المنشورة.
ابدأ بالمصدر قبل البحث عن أخطاء في الصورة
عندما يصل إليك فيديو مثير أو تسجيل صوتي غير متوقع، فإن أول سؤال لا ينبغي أن يكون: «هل أرى خطأ في الوجه؟» بل:
من أين جاء هذا الملف؟
حاول معرفة:
- الحساب أو الموقع الذي نشره أولًا.
- هل تملك الملف الأصلي أم نسخة أعيد ضغطها أو تصوير شاشة لها؟
- هل توجد نسخة أطول من الفيديو؟
- هل نشر الشخص أو المؤسسة المعنية المحتوى عبر قناة رسمية؟
- هل ظهرت نسخ أقدم من الصورة أو الفيديو قبل الحدث المزعوم؟
إعادة النشر عبر شبكات التواصل قد تغير الدقة وCodec وMetadata وتضيف ضغطًا جديدًا، لذلك تكون النسخة الأصلية أكثر قيمة في التحقيق من فيديو أعيد تنزيله ورفعه عدة مرات.
وعند الحاجة إلى تتبع أقدم نسخة أو إجراء Reverse Image Search أو التحقق من المكان والتاريخ، يمكن استخدام منهجية أدوات OSINT للبحث والتحقق من الصور والمواقع والأرشيف بدل الاعتماد على شكل الصورة وحده.
كيف تكشف صورة مولدة أو معدلة بالذكاء الاصطناعي؟
الفحص البصري ما زال مفيدًا، لكنه أصبح مجرد نقطة بداية. قد تبحث عن تناقضات في:
- النصوص واللافتات الصغيرة.
- الانعكاسات في المرايا والزجاج.
- اتجاهات الإضاءة والظلال.
- الأجسام المتكررة بطريقة غير منطقية.
- تفاصيل الإكسسوارات والأسنان والأصابع.
- الحدود بين الشعر والخلفية أو بين عناصر الصورة.
- الهندسة والمنظور والمسافات داخل المشهد.
لكن هذه العلامات أضعف بكثير مما كانت عليه مع أجيال أقدم من مولدات الصور. عدم وجود أخطاء مرئية لا يعني أن الصورة حقيقية، كما أن وجود خطأ غريب لا يثبت وحده استخدام AI؛ فالضغط والتحرير التقليدي وضعف الكاميرا يمكن أن تنتج عنه تشوهات أيضًا.
افحص Metadata عندما تتوفر النسخة الأصلية
قد تحتوي الصورة الأصلية على EXIF أوبيانات أخرى توضح نوع الجهاز أووقت الالتقاط أوالبرنامج الذي تعامل مع الملف. هذه المعلومات قد تساعد في بناء Timeline، لكنها ليست دليلًا قطعيًا لأنها قد تُحذف أو تتغير أو تُعدل.
وتزيل كثير من منصات التواصل جزءًا من Metadata أثناء معالجة الصور، لذلك غياب EXIF لا يعني أن الصورة مولدة بالذكاء الاصطناعي.
استخدم البحث العكسي
Reverse Image Search قد يكشف أن «الصورة الجديدة» منشورة منذ سنوات، أوأن جزءًا منها مأخوذ من صورة أخرى، أوأن الوصف الحالي مختلف عن السياق الأصلي.
وهذا مهم لأن المشكلة ليست دائمًا Deepfake. قد تكون الصورة أصلية تمامًا ولكن أعيد نشرها مع ادعاء كاذب عن المكان أوالتاريخ.
كيف تكشف فيديو Deepfake؟
الفيديو يضيف بعدًا زمنيًا لا يوجد في الصورة الثابتة. بدل فحص Frame واحد، راقب ما إذا كانت التفاصيل تظل متماسكة أثناء الحركة.
ابحث بحذر عن:
- تغير ملامح الوجه أوالشعر بين Frames متجاورة.
- اختفاء أوظهور تفاصيل صغيرة دون سبب.
- عدم تطابق حركة الفم مع الكلام.
- حواف غير مستقرة حول الوجه أثناء الالتفات.
- انعكاسات وظلال تتغير بطريقة لا تتوافق مع حركة الشخص.
- حركة جسم أوكاميرا لا تتفق مع فيزياء المشهد.
- تغيرات غير طبيعية في الخلفية عند مرور الأشخاص أوالأجسام.
يمكن أيضًا استخراج عدة Key Frames والبحث عنها بصورة منفصلة. فقد يقود Frame واحد إلى النسخة الأصلية التي استخدمت لبناء المقطع أوإلى فيديو أقدم تم تغيير صوته أووجه الشخص الظاهر فيه.
ولا تهمل الصوت. فيديو الوجه نفسه قد يكون حقيقيًا بينما المسار الصوتي مستبدل أومعدل، لذلك يجب تحليل الصورة والصوت باعتبارهما دليلين يمكن أن تكون لهما قصتان مختلفتان.
كيف تكشف Voice Clone والصوت المزيف؟
أصبح Voice Cloning قادرًا على إنتاج أصوات شديدة الشبه بأشخاص حقيقيين، ولذلك لا ينبغي اتخاذ قرار مالي أوأمني لمجرد أن «الصوت يبدو صحيحًا».
قد تظهر أحيانًا إشارات مثل:
- إيقاع كلام غير معتاد بالنسبة للشخص.
- توقفات أوتنفس غير طبيعي.
- اختلاف غير منطقي في الضوضاء المحيطة.
- انتقالات غريبة بين بعض الكلمات.
- عدم توافق السعال أوالتنفس أوالأصوات الأخرى مع الفيديو.
- اختلاف نبرة الحديث أوالمفردات المعتادة للشخص.
لكن هذه العلامات لا يمكن الاعتماد عليها وحدها. فقد حذر FBI في حملات انتحال استخدمت رسائل صوتية مولدة بالذكاء الاصطناعي من افتراض أن الرسالة حقيقية، وأوصى بالتحقق من هوية المرسل من خلال وسيلة اتصال مستقلة ومعروفة مسبقًا.
لذلك إذا اتصل بك مدير أوأحد أفراد العائلة وطلب تحويل أموال أوإرسال بيانات حساسة بشكل عاجل، فإن أقوى اختبار ليس محاولة تخمين ما إذا كان الصوت AI، بل إنهاء الاتصال والتحقق عبر رقم أووسيلة اتصال مستقلة تعرفها مسبقًا.
كيف تعمل AI Deepfake Detectors؟
تُدرب أنظمة Deepfake Detection على بيانات تتضمن محتوى حقيقيًا ومحتوى مولدًا أوتم التلاعب به، ثم تحاول العثور على Features تميز بينهما.
بحسب نوع الوسائط، قد تتعلم النماذج أنماطًا مرتبطة بـ:
- Generation fingerprints.
- Frequency patterns.
- Temporal inconsistencies في الفيديو.
- خصائص الوجه والحركة.
- Artifacts في الإشارة الصوتية.
- خصائص الضغط أوالكاميرا.
المشكلة أن Generators تتغير باستمرار. Detector تم تدريبه على نماذج توليد معروفة قد لا يتعامل بنفس الجودة مع Generator جديد أوطريقة تعديل لم تكن موجودة في Training Data.
ولهذا يواصل برنامج NIST GenAI: Deepfakes اختبار أنظمة الكشف باستخدام سيناريوهات أكثر قربًا من الظروف الجنائية والواقعية، بما في ذلك Manipulations وAdversarial Attacks، بدل افتراض أن نتيجة Benchmark مخبرية تعني الأداء نفسه على كل ملف منشور على الإنترنت.
لماذا لا توجد أداة كشف بدقة 100%؟
أي Detector قد تنتج:
- False Positive: تصنيف محتوى حقيقي على أنه مزيف.
- False Negative: مرور محتوى مزيف على أنه حقيقي.
وتتأثر النتيجة أيضًا بما حدث للملف بعد إنشائه، مثل:
- ضغط الصورة أوالفيديو.
- إعادة رفعه إلى منصة اجتماعية.
- تغيير الدقة.
- القص أوالتدوير.
- تعديل الألوان.
- إضافة Filters.
- تحويل Codec.
- تسجيل الشاشة بدل استخدام الملف الأصلي.
وأظهر بحث حكومي بريطاني حول سوق Deepfake Detection أن اختلاف مجموعات الاختبار ومقاييس الدقة، وضعف تمثيل بيانات العالم الحقيقي، يجعل مقارنة ادعاءات Accuracy بين المنتجات أمرًا صعبًا.
لذلك عندما تعرض أداة نتيجة مثل «92% AI»، لا تتعامل معها وكأنها تحليل DNA. اسأل ما الذي تقيسه الأداة، وعلى أي نوع من البيانات تم اختبارها، وهل الملف الذي تفحصه يشبه تلك البيانات أصلًا.
AI Detector للنصوص ليست Deepfake Detector
الأداة التي تحاول تحديد ما إذا كان مقال أوواجب أكاديمي كُتب بواسطة LLM لا تقوم بالضرورة بالمهمة نفسها التي يؤديها نظام Media Forensics لفحص وجه أوصوت أوفيديو.
لكشف النصوص توجد مشاكل مختلفة تتعلق بالأنماط اللغوية واحتمالات False Positives وغيرها، وقد خصصنا لها دليلًا مستقلًا حول AI Detector وأدوات كشف النصوص المولدة بالذكاء الاصطناعي ومدى دقتها.
ما هو SynthID؟
SynthID من Google DeepMind يتبع مقاربة مختلفة عن Detector العامة. بدل محاولة الاستنتاج من شكل الملف فقط، تضيف التقنية Watermark غير مرئية أثناء إنشاء المحتوى بواسطة أنظمة تدعم SynthID، ثم يمكن البحث عن تلك الإشارة لاحقًا.
توضح Google DeepMind أن SynthID تُستخدم مع أنواع متعددة من المحتوى، بما فيها الصور والفيديو والصوت والنص، وأن العلامة مصممة لتحمل بعض العمليات الشائعة مثل الضغط أوالقص أوتغيير بعض خصائص الملف.
كيف تستخدم SynthID للتحقق حاليًا؟
تتيح Google حاليًا للمستخدم المسجل الدخول رفع صورة أوفيديو أوملف صوتي إلى Gemini وطلب التحقق مما إذا كان قد تم إنشاؤه أوتعديله بواسطة أدوات Google AI.
وتشرح وثائق Gemini الرسمية للتحقق من المحتوى أن العملية تستخدم SynthID إلى جانب Content Credentials عندما تكون البيانات المناسبة متاحة.
لكن توجد قاعدة مهمة جدًا:
عدم اكتشاف SynthID لا يعني أن الملف بشري أوحقيقي.
فقد يكون المحتوى مولدًا بواسطة خدمة أخرى لا تستخدم SynthID. ووفق وثائق Google الحالية، فإن تحقق Gemini عبر SynthID يحدد حاليًا المحتوى الذي أنشأته أدوات Google AI التي يستطيع النظام التعرف عليها، وليس كل المحتوى المولد بالذكاء الاصطناعي على الإنترنت.
ما هي Content Credentials وC2PA؟
بدل محاولة تخمين مصدر الملف من Pixels، يحاول معيار C2PA توفير سجل يمكن التحقق منه تشفيريًا حول منشأ المحتوى وبعض الخطوات التي مر بها.
يطلق على المعلومات المقدمة للمستخدم اسم Content Credentials. وقد تتضمن، حسب الأداة وطريقة التطبيق، معلومات عن إنشاء الملف أوالأداة المستخدمة أوالتعديلات التي أجريت عليه.
وقت تحديث هذا المقال، تعرض وثائق C2PA الرسمية الإصدار 2.4 من المواصفة، الصادر في أبريل 2026، والذي يواصل تطوير البنية التقنية لبيانات المنشأ والتوقيعات وربطها بالمحتوى.
الفكرة المهمة أن Content Credentials تقدم Provenance وليست محرك Fact-checking.
إذا أخبرتك Credential صالحة أن برنامجًا أوجهازًا معينًا أنشأ أوعدل ملفًا، فهذا يساعد في التحقق من تاريخ الملف. لكنه لا يثبت تلقائيًا أن الادعاء السياسي أوالخبر أوالوصف المصاحب للصورة صحيح.
هل عدم وجود Content Credentials يعني أن الصورة مزيفة؟
لا.
المعيار اختياري ولا تدعمه كل الكاميرات والأدوات والمنصات. كما أن محتوى حقيقيًا ضخمًا على الإنترنت لا يحتوي أصلًا على Content Credentials.
إضافة إلى ذلك، توضح اعتبارات الأمان الرسمية لـC2PA أن النظام مصمم لكشف العبث غير المصرح به بالبيانات المرتبطة بالمحتوى، لكنه لا يستطيع منع إزالة C2PA Manifest بالكامل من الملف.
لذلك:
No Content Credentials ≠ Deepfake.
هل العلامة المائية وحدها كافية؟
لا. Watermark يمكن أن تكون Signal قوية عندما يتم اكتشافها بصورة موثوقة، لكنها لا تغطي كل أدوات التوليد، كما تختلف مقاومتها للتعديل والإزالة بين التقنيات.
وفي تحليل موسع حول Watermarking وProvenance وAI Labels، خلصت Ofcom إلى أن وسائل Attribution يمكن أن تساعد المستخدمين، لكنها ينبغي أن تعمل مع وسائل أخرى لأن العلامات والبيانات قد تتعرض للإزالة أوالتعديل، ولأن المحتوى نفسه قد يجمع أجزاء حقيقية وأخرى مولدة.
Detector مقابل SynthID مقابل Content Credentials
| الطريقة | السؤال الذي تساعد في الإجابة عنه | أهم قيد |
|---|---|---|
| AI Deepfake Detector | هل خصائص الملف تشبه محتوى مولدًا أوتم التلاعب به؟ | تصنيف احتمالي وقد ينتج False Positives وFalse Negatives |
| Watermark مثل SynthID | هل توجد علامة أضافها نظام توليد يدعم هذه التقنية؟ | لا تغطي كل مولدات AI |
| Content Credentials / C2PA | ما المعلومات الموقعة المتاحة عن منشأ الملف وتاريخ تعديله؟ | عدم وجود Credential لا يعني أن المحتوى مزيف |
| Media Forensics | هل توجد خصائص تقنية غير متوافقة مع المصدر أوطريقة الإنشاء المزعومة؟ | تحتاج خبرة ونسخة جيدة من الملف |
| OSINT Verification | هل الحدث والمكان والتاريخ والمصدر يطابقون الادعاء؟ | تحتاج أدلة خارج الملف نفسه |
طريقة عملية للتحقق من صورة مشبوهة
- حدد الحساب أوالموقع الذي نشر الصورة.
- ابحث عن النسخة الأصلية بأعلى دقة ممكنة.
- نفذ Reverse Image Search للعثور على نسخ أقدم.
- قارن التاريخ والمكان والوصف بالمصادر الأخرى.
- افحص Metadata إن كانت النسخة الأصلية متاحة.
- ابحث عن Content Credentials إذا كانت موجودة.
- تحقق من Watermark معروفة عندما تعرف النظام المحتمل الذي أنشأ الصورة.
- استخدم Detector مناسبة كإشارة إضافية.
- لا تصدر حكمًا نهائيًا إذا كانت الأدلة متعارضة.
طريقة عملية للتحقق من فيديو مشبوه
- احفظ الرابط ومعلومات الحساب الذي نشر الفيديو.
- ابحث عن أقدم نسخة وأطول نسخة متاحة.
- استخرج Key Frames من أجزاء مختلفة من الفيديو.
- استخدم البحث العكسي على Frames المهمة.
- قارن الصوت بحركة الشفاه والمشهد.
- تحقق من القناة الرسمية للشخص أوالمؤسسة الظاهرة.
- افحص Metadata أوContent Credentials عندما يتوفر الملف الأصلي.
- تحقق من SynthID إذا كان هناك احتمال أن المحتوى جاء من أدوات Google AI.
- استخدم Deepfake Detector متخصصة، لكن لا تعتمد على Score واحدة.
- قارن النتيجة مع أدلة مستقلة عن الحدث نفسه.
ماذا تفعل مع مكالمة أوتسجيل صوتي مشبوه؟
إذا كان التسجيل مجرد محتوى منشور، ابحث عن المصدر الأصلي وقارن الكلام بتسجيلات موثوقة للشخص والسياق الذي يفترض أنه قيل فيه.
أما إذا كان الصوت يطلب منك فعل شيء حساس، فغيّر هدفك من «اكتشاف AI» إلى التحقق من الهوية:
- لا ترسل المال أوكلمات المرور أوأكواد التحقق.
- أنه المكالمة إذا كان الطلب غير متوقع.
- اتصل بالشخص عبر رقم معروف لديك مسبقًا.
- إذا كان الطلب باسم شركة، استخدم وسيلة الاتصال الرسمية للشركة وليس الرقم الذي أرسله المتصل.
- تحقق من الطلب عبر قناة ثانية عندما تكون المخاطر عالية.
حتى Detector ممتازة لا ينبغي أن تكون شرطك الوحيد قبل تحويل أموال أوتسليم بيانات حساسة.
لماذا التحقق من السياق قد يكون أقوى من كشف Pixels؟
تخيل فيديو يظهر مسؤولًا أوشركة تعلن قرارًا شديد الأهمية. حتى قبل استخدام أي Detector، يمكنك طرح أسئلة قابلة للتحقق:
- هل نشر الحساب الرسمي الفيديو؟
- هل توجد نسخة كاملة بدل المقطع القصير؟
- هل نقلت مصادر مستقلة الحدث؟
- هل المكان الظاهر متوافق مع الحدث؟
- هل الملابس والطقس والتوقيت متوافقة مع التاريخ المزعوم؟
- هل ظهرت الصورة أوالفيديو على الإنترنت قبل وقوع الحدث المزعوم؟
هذا لا يخبرك دائمًا بالخوارزمية التي أنشأت الملف، لكنه قد يثبت أن الادعاء المصاحب له خاطئ، وهو غالبًا السؤال الأهم بالنسبة للقارئ أوالصحفي أوالمحقق.
ما الذي يجب أن تفعله عندما تختلف أدوات الكشف؟
قد تعطي أداة نتيجة مرتفعة لاحتمال التزييف بينما تعتبر أداة أخرى الملف حقيقيًا. هذا ليس أمرًا غريبًا لأن الأدوات قد تستخدم نماذج وDatasets وThresholds مختلفة.
في هذه الحالة:
- لا تختر الأداة التي تعطيك النتيجة التي تريدها.
- سجل اسم الأداة وتاريخ الفحص إذا كان التحقيق مهمًا.
- حاول الحصول على الملف الأصلي.
- افحص Provenance وWatermarks.
- أضف أدلة مستقلة عن المصدر والسياق.
- عبّر عن مستوى الثقة بدل استخدام كلمات قطعية لا تدعمها الأدلة.
عندما تكون القضية قانونية أوأمنية
إذا كان الفيديو أوالصوت سيستخدم كدليل في قضية احتيال أوابتزاز أوتحقيق أمني، فلا تعدل النسخة الأصلية ولا تعتمد على Screenshot أونسخة أرسلت عبر تطبيق مراسلة إذا كان الملف الأصلي متاحًا.
احتفظ بالنسخة الأصلية ومعلومات الحصول عليها، واعمل على نسخة منفصلة للتحليل. وفي القرارات عالية المخاطر، يصبح تحليل Digital Forensics المتخصص أكثر ملاءمة من رفع الملف إلى عدة مواقع مجانية ثم اعتبار متوسط نتائجها دليلًا نهائيًا.
هل يمكن القضاء على Deepfakes باستخدام أداة واحدة؟
لا. تطور تقنيات التوليد يعني أن Deepfake Detection ستظل عملية دفاع متعدد الطبقات.
المنهج الأكثر قوة يجمع بين:
- Media Forensics.
- AI Detection.
- Watermarking.
- Content Credentials وProvenance.
- التحقق من الهوية.
- OSINT.
- المصادر الرسمية والمستقلة.
- إجراءات مراجعة بشرية للقرارات الحساسة.
الخلاصة
اكتشاف التزييف العميق لا يبدأ من البحث عن «وجه غريب» ولا ينتهي عند رقم تعرضه أداة AI Detector.
ابدأ بالمصدر والملف الأصلي، ثم افحص الصورة أوالفيديو أوالصوت، وابحث عن Content Credentials وWatermarks مثل SynthID عندما تكون مناسبة، واستخدم Detector كإشارة إضافية، ثم تحقق من الحدث نفسه من خلال مصادر مستقلة.
وجود علامة موثوقة قد يقدم دليلًا قويًا عن منشأ المحتوى، لكن غياب العلامة لا يثبت أن الملف حقيقي، ونتيجة Detector وحدها لا تثبت أنه مزيف.
وفي القضايا المالية أوالأمنية أوالقانونية، لا تجعل السؤال الوحيد «هل هذا Deepfake؟». السؤال الأكثر أهمية هو: ما الأدلة المستقلة التي تثبت هوية المصدر وصحة الادعاء؟