Jak sprawdzić czy zdjęcie zostało wygenerowane przez AI

Rozpowszechnianie obrazów generowanych przez sztuczną inteligencję sprawia, że pytanie o to, jak sprawdzić czy zdjęcie jest wygenerowane przez AI, staje się coraz bardziej aktualne dla dziennikarzy, prawników, archiwistów i zwykłych użytkowników internetu. Odpowiedź na nie nie jest jednak jednoznaczna, ponieważ nie istnieje pojedyncze narzędzie ani jedna technika, która ze stuprocentową pewnością odróżniłaby autentyczne zdjęcie od wytworu modelu generatywnego. Prawidłowe podejście polega na łączeniu różnych ścieżek weryfikacji: analizy metadanych, inspekcji technicznej pliku, sprawdzania kryptograficznych dowodów pochodzenia oraz — w wielu przypadkach — tradycyjnej pracy śledczej, takiej jak wyszukiwanie obrazem wstecz (reverse image search) lub lokalizacja źródła publikacji. Wszystkie te metody dostarczają poszczególnych elementów układanki, a ostateczny wniosek często wymaga ludzkiego osądu opartego na zebranych informacjach. Narzędzia takie jak FilesAudit mogą w tym procesie odegrać rolę bezstronnego rejestratora danych technicznych — wyodrębniają i dokumentują metadane pliku, obliczają skróty kryptograficzne i sprawdzają obecność dowodów proveniencji AI — ale same z siebie nie formułują wiążących konkluzji prawnych co do autentyczności ani własności obrazu.

Pierwszym i najbardziej naturalnym krokiem jest analiza metadanych pliku graficznego. Każdy plik zapisany przez aparat fotograficzny lub oprogramowanie edytorskie zawiera określoną strukturę informacji opisującą pochodzenie obrazu, ustawienia sprzętu, datę utworzenia, a czasami także współrzędne GPS. W obrazach JPEG kluczowym standardem jest EXIF (Exchangeable Image File Format), który przechowuje dane takie jak model aparatu, obiektyw, przysłona, ekspozycja, czułość ISO czy czas naświetlania. Dodatkowo wiele aparatów i telefonów zapisuje w pliku dane GPS, a także standardy IPTC i XMP, które mogą zawierać opisy, słowa kluczowe, prawa autorskie i informacje o autorze. W przypadku zdjęć generowanych przez sztuczną inteligencję sytuacja wygląda najróżniej: niektóre starsze narzędzia generatywne nie zapisywały w ogóle spójnych metadanych aparatu, a nowoczesne systemy często dodają własne znaczniki wskazujące na zastosowanie AI. Na przykład pliki JPG utworzone przez zaawansowane generatory mogą zawierać specyficzne pola XMP wskazujące użycie modelu, nazwę oprogramowania, a nawet identyfikator sesji. Dokładne poznanie struktury tych danych ułatwia przewodnik po metadanych JPG, który wyjaśnia, które pola są istotne w analizie proveniencji. Należy jednak pamiętać, że brak metadanych GPS lub niespójne pola aparatu same w sobie nie udowadniają, że obraz wygenerowała sztuczna inteligencja — mogą one zostać usunięte przez przesyłanie pliku przez komunikatory, kompresję w mediach społecznościowych lub świadome działanie osoby publikującej. Z drugiej strony, obecność standardowych metadanych aparatu również nie wyklucza manipulacji, ponieważ odpowiednie narzędzia pozwalają na ich edycję lub skopiowanie z fotografii autentycznej.

Jednym z najbardziej wiarygodnych, technicznych mechanizmów identyfikacji obrazów generowanych przez AI jest standard C2PA (Coalition for Content Provenance and Authenticity). Jest to otwarty standard kryptograficzny opracowany przez konsorcjum zrzeszające firmy technologiczne, wydawnictwa i producentów sprzętu fotograficznego. Jego celem jest tworzenie weryfikowalnego łańcucha pochodzenia (provenance) treści multimedialnych — od momentu zarejestrowania zdjęcia na matrycy aparatu, przez kolejne etapy edycji, aż po publikację. W praktyce plik graficzny zgodny ze standardem C2PA zawiera manifest z podpisami kryptograficznymi, które poświadczają zakres operacji wykonanych na obrazie, a także identyfikują narzędzie lub urządzenie biorące udział w przetwarzaniu danych. Jeśli obraz został wygenerowany przez model AI obsługujący ten standard, w manifeście C2PA znajdzie się odpowiedni wpis wskazujący na generatywny charakter pliku, nazwę modelu, wersję oprogramowania, a także opcjonalnie dodatkowe informacje wprowadzane przez twórcę w celu opisania procesu powstawania obrazu. Z punktu widzenia analizy śledczej jest to najcenniejszy rodzaj danych, ponieważ w przeciwieństwie do zwykłych pól tekstowych, takich jak nazwa aparatu czy data, wpisy w manifeście C2PA są chronione kryptograficznie iManipulacja nimi bez wykrycia wymaga złamania lub przejęcia odpowiednich kluczy podpisujących. Wczytanie pliku do platformy FilesAudit pozwala szybko sprawdzić, czy w analizowanym obrazie zawarto manifest C2PA, i jeśli tak — wyodrębnić z niego istotne informacje o proveniencji. Należy jednak mieć świadomość ograniczeń: standard ten jest wciąż rozwijany i wdrażany stopniowo, a wiele obrazów generowanych przez AI — szczególnie tych z starszych narzędzi lub nieoficjalnych źródeł — nie zawiera manifestu C2PA. Ponadto same platformy mediów społecznościowych często usuwają manifest podczas kompresji i ponownego kodowania obrazu, co sprawia, że weryfikowalny łańcuch pochodzenia zostaje przerwany. Dlatego brak wpisu C2PA nie oznacza automatycznie, że obraz jest autentyczny, tak jak jego obecność i odpowiednia treść stanowią silny dowód techniczny wsparcia wniosku o generatywnym pochodzeniu.

Poza analizą metadanych i standardem C2PA istotną rolę odgrywa weryfikacja integralności pliku za pomocą funkcji skrótu. Kryptograficzne skróty, takie jak SHA-256, MD5 czy CRC32, pozwalają wyliczyć unikalny, stały ciąg znaków opisujący zawartość pliku — dowolna, nawet minimalna zmiana w danych obrazu spowoduje wygenerowanie zupełnie innego skrótu. W praktyce śledczej skróty te wykorzystuje się do udokumentowania stanu pliku w konkretnym momencie i wykazania, że plik nie został zmodyfikowany między różnymi etapami analizy. Jeśli na przykład dziennikarz otrzymuje obraz rzekomo z miejsca wydarzeń, może obliczyć jego skrót SHA-256 natychmiast po otrzymaniu pliku, a następnie porównać go z wynikiem uzyskanym przed publikacją lub w trakcie analizy sądowej. Również w sprawach dotyczących naruszenia praw autorskich skróty mogą służyć do udowodnienia, że dwie wersje pliku są technicznie identyczne lub do identyfikacji minimalnych różnic między wieloma plikami. W kontekście analizy obrazów AI skróty nie wskazują bezpośrednio, czy obraz został wygenerowany przez sztuczną inteligencję, ale pozwalają na bezbłędne porównywanie plików i dokumentowanie ich stanu, co jest kluczowe w procesach weryfikacji i audytu. Platforma FilesAudit automatycznie oblicza wszystkie trzy skróty przy każdym wczytywaniu pliku i dołącza je do generowanego raportu w formacie PDF, co ułatwia zachowanie profesjonalnej i powtarzalnej dokumentacji technicznej.

Kolejnym elementem analizy jest identyfikacja anomalii w metadanych, które mogą wskazywać na generatywną proveniencję obrazu. Doświadczeni analitycy zwracają uwagę na kilka charakterystycznych wzorców: na przykład użycie oprogramowania edytorskiego do zapisu pliku w sytuacjach, gdy obraz rzekomo pochodzi bezpośrednio z aparatu; niespójność daty utworzenia i modyfikacji; brak jakichkolwiek danych EXIF w pliku, który powinien je zawierać; obecność nietypowych pól XMP z identyfikatorami narzędzi generatywnych; lub odmienną strukturę metadanych od tej, jaką generuje konkretny model aparatu wskazany w polu „CameraModel”. Opisanie tych anomalii jest ważne, ale wymaga ostrożności — wiele z nich może wynikać z legalnych operacji, takich jak przycięcie, kompresja, kompresja bezstratna, zapis w innej aplikacji lub usunięcie GPS z powodów ochrony prywatności. W niektórych przypadkach identyfikacja narzędzia generatywnego w nazwie oprogramowania tworzącego plik lub w polu XMP stanowi bezpośredni dowód techniczny pochodzenia AI, pod warunkiem że metadane są autentyczne i nie zostały ręcznie zmodyfikowane. Ponieważ jednak pola tekstowe w metadanych można edytować, w szczególnie wrażliwych przypadkach analizę uzupełnia się badaniem struktury pliku, sprawdzeniem standardu C2PA, a także próbą korelacji między metadanymi a dostępnymi informacjami o technologii generowania obrazów. Warto też zrozumieć, że różne formaty plików graficznych mają odmienne struktury przechowywania metadanych — w PNG dane te zapisywane są w chunkach tekstowych, a w HEIC lub RAW w bardziej złożonych strukturach — dlatego właściwa interpretacja wymaga znajomości specyfiki formatu. Pełna lista obsługiwanych typów plików dostępna jest na stronie Obsługiwane Formaty, co pozwala ocenić, w jakich formatach plików narzędzie to może wyodrębniać dane.

Dalszym krokiem jest analiza wizualna i techniczna samego obrazu. Typowe anomalie wskazujące na generatywną proveniencję obejmują niespójności w geometrii twarzy i ciał, dziwne proporcje kończyn, brak symetrii w obrazach z pozoru symetrycznych obiektach, anomalie w okolicach oczu (np.