तंत्रज्ञानाच्या या प्रगत आणि वेगाने बदलणाऱ्या युगात, आपल्या डोळ्यांसमोर दिसणारी गोष्ट खरी आहे की खोटी, हे ओळखणे माणसासाठी आता केवळ कठीणच नाही, तर जवळजवळ अशक्य होऊन बसले आहे. गेल्या काही वर्षांत कृत्रिम बुद्धिमत्तेने केवळ मजकूर किंवा स्थिर चित्रांपुरतीच आपली मजल मारली नसून, आता ती अतिशय हुबेहूब आणि वास्तविक वाटणारे व्हिडिओ तयार करण्याच्या पातळीवर पोहोचली आहे. या तंत्रज्ञानाची प्रगती इतकी अफाट आणि अचूक आहे की, सामान्य माणूस तर सोडाच, पण संगणकीय प्रणालीदेखील खऱ्या आणि खोट्या व्हिडिओमधील फरक ओळखण्यात पूर्णपणे अपयशी ठरत आहेत. सप्टेंबर २०२६ मध्ये सेव्हरिन श्याकुला, आंद्रेई येरमाकोव्ह आणि त्यांच्या सहकारी संशोधकांनी प्रकाशित केलेल्या एका महत्त्वपूर्ण आणि डोळे उघडणाऱ्या अभ्यासात हा धक्कादायक निष्कर्ष समोर आला आहे. या संशोधनानुसार, माणसाचे डोळे आणि मेंदू आता एआयने तयार केलेल्या या मायाजालाला सहजपणे बळी पडत आहेत.
या समस्येचे गांभीर्य आणि व्याप्ती समजून घेण्यासाठी संशोधकांच्या या पथकाने एका विस्तृत आणि सखोल प्रयोगाची रचना केली होती. या प्रयोगांतर्गत त्यांनी तब्बल २,६९१ लहान व्हिडिओंची काळजीपूर्वक निवड केली होती. या सर्व व्हिडिओंची लांबी केवळ पाच सेकंदांची होती, जेणेकरून दर्शकांना कमी वेळात त्यातील सत्यता ओळखण्याचे आव्हान दिले जावे. या एकूण व्हिडिओंपैकी केवळ २७१ व्हिडिओ हे पूर्णपणे खरे आणि मानवी कॅमेऱ्याने चित्रित केलेले होते, तर उर्वरित तब्बल २,४२० व्हिडिओ हे कृत्रिम बुद्धिमत्तेचा वापर करून अतिशय कौशल्याने तयार केलेले खोटे किंवा 'फेक' व्हिडिओ होते. या व्हिडिओंमध्ये प्रामुख्याने माणसे कॅमेऱ्याकडे बघून बोलत आहेत, अधिकृत निवेदने देत आहेत किंवा एखाद्या स्टुडिओमध्ये बसून मुलाखती देत आहेत, अशी दृश्ये दाखवण्यात आली होती. अशा प्रकारची दृश्ये निवडण्यामागील मुख्य उद्देश हा होता की, सहसा बातम्यांमध्ये किंवा समाजमाध्यमांवर आपण अशाच प्रकारचे व्हिडिओ पाहतो आणि त्यावर सहज विश्वास ठेवतो. त्यामुळे मानवी भावभावना आणि चेहऱ्यावरील हावभाव एआय किती अचूकपणे टिपू शकते, हे तपासणे या प्रयोगाचे मुख्य उद्दिष्ट होते.
या प्रयोगात सहभागी झालेल्या लोकांना केवळ ५२.६ टक्के वेळेसच खोटे व्हिडिओ अचूकपणे ओळखता आले. जर एखाद्या व्यक्तीने कोणताही विचार न करता केवळ नाणेफेक करून किंवा अंदाजे उत्तरे दिली असती, तरीही त्याचे ५० टक्के उत्तरे बरोबर येण्याची शक्यता असते. याचाच सरळ अर्थ असा होतो की, खऱ्या आणि खोट्या व्हिडिओमध्ये फरक ओळखण्याची माणसाची नैसर्गिक क्षमता आता पूर्णपणे कुचकामी ठरली आहे. मानवी मेंदू या एआय-निर्मित आभासी वास्तवाला खरे मानण्याइतपत फसवा ठरत आहे. आपण ज्या गोष्टी आपल्या उघड्या डोळ्यांनी पाहतो, त्या खऱ्याच असतील या मानवाच्या शतकानुशतके चालत आलेल्या विश्वासाला या तंत्रज्ञानाने आता मोठा तडा दिला आहे.
सर्वात आश्चर्याची आणि चिंतेची बाब म्हणजे, केवळ मानवी डोळेच नाही, तर या खोट्या व्हिडिओंना पकडण्यासाठी खास तयार करण्यात आलेले प्रगत संगणकीय सॉफ्टवेअर्स आणि अल्गोरिदम्सदेखील या परीक्षेत पूर्णपणे नापास झाले आहेत. संशोधकांनी खोटे व्हिडिओ ओळखणाऱ्या दोन अत्यंत आधुनिक सिस्टिम्सची चाचणी घेतली असता, त्यांची अचूकता अनुक्रमे केवळ ३४.५ टक्के आणि ४८.३ टक्के इतकीच भरली! हा निकाल मानवाच्या अंदाजापेक्षाही वाईट होता. ज्या तंत्रज्ञानावर आपण भविष्यात खोट्या माहितीला आळा घालण्यासाठी अवलंबून राहणार आहोत, ते तंत्रज्ञान स्वतःच या नव्या पिढीच्या एआय व्हिडिओंसमोर हतबल झाले आहे. ही परिस्थिती भयानक आहे कारण जर यंत्रेच सत्य आणि असत्य यातील फरक ओळखू शकली नाहीत, तर समाजमाध्यमांवर पसरणाऱ्या खोट्या माहितीला आणि अपप्रचाराला रोखणे जवळजवळ अशक्य होऊन बसेल.
या अपयशामागे एक महत्त्वाचे तांत्रिक कारण दडलेले आहे, ज्यावर संशोधकांनी विशेष प्रकाश टाकला आहे. जुन्या तंत्रज्ञानामध्ये प्रामुख्याने 'डीपफेक' (Deepfake) चा वापर केला जायचा, ज्यामध्ये मूळ व्हिडिओमधील एखाद्या व्यक्तीचा चेहरा बदलून तिथे दुसऱ्याच व्यक्तीचा चेहरा लावला जायचा. अशा व्हिडिओंमध्ये चेहऱ्याच्या कडा, प्रकाशाचा अभाव किंवा अनैसर्गिक हालचालींवरून व्हिडिओ खोटा असल्याचे सॉफ्टवेअर्स सहज पकडू शकत होते. परंतु, आताच्या नव्या पिढीचे एआय व्हिडिओ टूल्स केवळ चेहरा बदलत नाहीत, तर ते संपूर्ण दृश्य, पार्श्वभूमी, प्रकाशयोजना आणि अगदी माणसाचे संपूर्ण शरीर शून्यातून निर्माण करतात. यामध्ये पिक्सेलची रचना इतकी अचूक असते की, त्यात कोणतीही तांत्रिक त्रुटी किंवा छेडछाड शोधणे जुन्या सॉफ्टवेअर्सना शक्य होत नाही. जुन्या पद्धती आता या नव्या आव्हानासमोर पूर्णपणे निरुपयोगी ठरत आहेत.
हा संपूर्ण अभ्यास आपल्या समाजासाठी आणि भविष्यासाठी एक गंभीर इशारा आहे. जर सामान्य नागरिक, पत्रकार आणि अगदी संगणकीय प्रणालीही खरा आणि खोटा व्हिडिओ ओळखू शकत नसतील, तर भविष्यात निवडणुका, राजकीय घडामोडी, गुन्हेगारी तपास आणि न्यायालयीन प्रक्रियांमध्ये या तंत्रज्ञानाचा किती भयंकर गैरवापर होऊ शकतो, याची केवळ कल्पनाच केलेली बरी. उद्या कोणीही व्यक्ती एखाद्या प्रतिष्ठित व्यक्तीचा खोटा व्हिडिओ तयार करून समाजात दंगल घडवून आणू शकतो किंवा कोणाचीही प्रतिमा मलीन करू शकतो. त्यामुळे आता केवळ तंत्रज्ञानावर अवलंबून राहण्याऐवजी, माहितीची पडताळणी करण्यासाठी नवीन, अधिक प्रगत आणि बहुआयामी पद्धती विकसित करणे तातडीचे झाले आहे. जोपर्यंत आपण या एआयच्या आभासी जगाला भेदणारे अचूक तंत्रज्ञान विकसित करत नाही, तोपर्यंत 'डोळ्यांनी पाहिलेले सर्वच खरे नसते' ही म्हण आपल्याला आपल्या दैनंदिन जीवनात पदोपदी लागू करावी लागणार आहे.
--- तुषार भ. कुटे
#AI #ArtificialIntelligence #LLM #ChatGPT
