Kan AI opdage deepfake-videoer med højere nøjagtighed end menneskelige eksperter i realtid ?

AI-systemer analyserer nu mikroudtryk, lysuoverensstemmelser og biologiske signaler for at identificere AI-genererede ansigter. Platforme som Microsoft Video Authenticator kan markere syntetisk indhold, før det spreder sig. Dette kapløb med generativ videoteknologi er afgørende for at bekæmpe misinformation. Nøjagtighedsprocenter overgår uddannede undersøgere i kontrollerede studier. Real-time API-baseret detektion er allerede implementeret.

Nuværende AI-systemer kan faktisk opdage deepfake-videoer med højere nøjagtighed end menneskelige eksperter i kontrollerede laboratorieindstillinger, især når de er trænet på store datasæt med forfalsket og autentisk medie. State-of-the-art-modeller (f.eks. EfficientNet, Vision Transformers eller specialiserede deepfake-detektorer som DFDC-vindere) overgår ofte uuddannede menneskelige observatører ved at identificere subtile artefakter i ansigtsudtryk, lysuoverensstemmelser eller unaturlige blinkemønstre. Real-time implementering står imidlertid over for udfordringer: latensbegrænsninger, fjendtlige angreb, der narre detektorer, og generalisering på tværs af usete deepfake-genereringsmetoder (f.eks. diffusionsmodeller) er fortsat aktive forskningsområder. Nogle benchmarks (f.eks. Deepfake Detection Challenge) viser, at AI overgår mennesker på kuraterede datasæt, men ydeevnen falder i ukontrollerede, virkelige forhold.

— Beriget 12. maj 2026 · Kilde: Facebook AI — https://ai.facebook.com/blog/deepfake-detection-challenge-dfdc/