Czy AI wykrywa deepfake’y z większą dokładnością niż eksperci ludzcy w czasie rzeczywistym ?

Systemy AI analizują obecnie mikrowyrazy, niespójności w oświetleniu oraz sygnały biologiczne, aby identyfikować twarze wygenerowane przez AI. Platformy takie jak Microsoft Video Authenticator mogą oznaczać syntetyczną treść, zanim się rozprzestrzeni. Ta rywalizacja z technologią generowania filmów jest kluczowa w walce z dezinformacją. W kontrolowanych badaniach wskaźniki dokładności przewyższają wyszkolonych śledczych. Detekcja w czasie rzeczywistym oparta na API jest już wdrażana.

Background

Current AI systems analyze micro-expressions, lighting inconsistencies, biological signals, and subtle artifacts in facial expressions or blinking patterns to flag synthetic content. State-of-the-art models—including EfficientNet, Vision Transformers, and specialized deepfake detectors (e.g., DFDC winners)—often exceed untrained human observers in controlled tests. Platforms such as Microsoft Video Authenticator demonstrate real-time API-based detection already in limited deployments. Benchmarks like the Deepfake Detection Challenge (DFDC) report higher accuracy compared to human experts on curated datasets; however, performance drops in unconstrained, real-world conditions due to factors such as latency constraints, adversarial attacks, and generalization gaps across unseen generation methods (e.g., diffusion models). The ongoing arms race with generative video technology underscores the need for continued advances in both detection and generation robustness.