از دست رفتن جایگاه برنده مسابقه عکاسی Nikon به دلیل استفاده از هوش مصنوعی

زمینه و ماجرای پرونده

مسابقه سالانه Small World in Motion شرکت Nikon یکی از معتبرترین رقابت‌های جهانی در حوزه عکاسی و تصویربرداری دیجیتال میکروسکوپی است. در دوره شانزدهم این مسابقه، ویدئویی که توسط دکتر Ning Xu از دانشگاه Tsinghua چین ثبت شده بود به عنوان اثر برتر معرفی شد. این ویدئو قرار بود مژک‌های درون مجاری تنفسی یک کودک مبتلا به بیماری نادر تنفسی را نمایش دهد.

با این حال، انتشار این ویدئو واکنش تند جامعه علمی را به همراه داشت. محققان و پژوهشگران حوزه زیست‌شناسی سلولی بلافاصله متوجه ناهنجاری‌های ساختاری عجیبی در سلول‌ها شدند که با قوانین بیولوژی سلولی همخوانی نداشت.

جزئیات فنی و شواهد کشف تقلب

متخصصان زیست‌شناسی و پژوهشگران با بررسی دقیق ویدئو به موارد مشکوکی پی بردند:

• ناپدید شدن ناگهانی: برخی ساختارها و مژک‌ها به طور ناگهانی ظاهر و محو می‌شدند که از نشانه‌های کلاسیک ویدئوهای تولید شده با ابزارهای هوش مصنوعی است.
• واترمارک مدل‌های هوش مصنوعی: یک دانشجوی دکتری به نام Ian Donovan در UT Southwestern Medical Center متوجه شد که تصویر منبع حاوی واترمارک متمایزی است که تولید آن توسط AI را تأیید می‌کند.

دکتر Xu پس از افشای این موارد در یک پست در شبکه اجتماعی LinkedIn اعتراف کرد که از هوش مصنوعی در بخش پردازش پس از تولید (Post-processing) برای تفکیک و تجسم ویژگی‌های تصاویر خاکستری بازسازی‌شده استفاده کرده است؛ اما اصرار داشت که خود ویدئو یا حرکت مژک‌ها توسط AI تولید نشده‌اند. با این حال، او از ارائه فایل ویدئوی خام (RAW) که می‌توانست ابهامات را برطرف کند، خودداری کرد.

پس از بررسی‌های انجام شده، شرکت Nikon تخطی این اثر از قوانین مسابقه را تأیید کرده و جایگاه نخست را از او سلب و به Nguyen Nam Nhat از ویتنام اهدا کرد. شرکت Nikon اعلام کرده است که قوانین و رویه‌های ارزیابی خود را برای مسابقات آینده بازنگری خواهد کرد.

چرا این موضوع برای مهندسان اهمیت دارد؟

رشد ابزارهای تولید محتوا با هوش مصنوعی چالش‌های جدی را در حوزه‌های مختلف ایجاد کرده است. پیش از این نیز شاهد پیروزی تصاویر تولید شده با Midjourney در مسابقات هنری سنتی یا انصراف برندگان مسابقات عکاسی Sony بوده‌ایم. برای مهندسان و توسعه‌دهندگان، این پرونده یادآور نکات کلیدی زیر است:

• اعتبار داده‌ها و استناد علمی: در حوزه‌هایی مانند علم و پژوهش، دستکاری داده‌ها با ابزارهای generative می‌تواند نتایج پژوهشی را زیر سؤال ببرد.
• نقص ابزارهای تشخیص: سیستم‌های فعلی پردازش تصویر و هوش مصنوعی هنوز به راحتی با واترمارک‌ها یا الگوهای غیرطبیعی (artifacts) قابل شناسایی هستند، اما مرز بین بازسازی داده (Data Enhancement) و توهم مصنوعی (Hallucination/Generation) در حال باریک‌تر شدن است.