นับตั้งแต่การผสานการสร้างภาพเข้ากับ ChatGPT ล่าสุดผ่านโมเดล GPT-4o แบบหลายโหมด ภาพวาดที่สร้างโดย AI ก็ได้บรรลุถึงระดับความสมจริงที่ไม่เคยมีมาก่อน แม้ว่าศิลปินและนักออกแบบจะใช้ประโยชน์จากเครื่องมือเหล่านี้เพื่อการสำรวจเชิงสร้างสรรค์ แต่ภาพสังเคราะห์จำนวนมากยังก่อให้เกิดความท้าทายในด้านความถูกต้อง แหล่งที่มา และการใช้งานในทางที่ผิดอีกด้วย การกำหนดว่าภาพวาดนั้นสร้างขึ้นโดยฝีมือมนุษย์หรือสร้างขึ้นโดย ChatGPT ถือเป็นทักษะที่สำคัญสำหรับแกลเลอรี ผู้จัดพิมพ์ นักการศึกษา และแพลตฟอร์มออนไลน์ บทความนี้รวบรวมพัฒนาการล่าสุด เช่น การทดสอบลายน้ำ มาตรฐานเมตาเดตา อัลกอริทึมนิติวิทยาศาสตร์ และเครื่องมือตรวจจับ เพื่อตอบคำถามสำคัญเกี่ยวกับการระบุภาพวาดที่สร้างโดย AI
ตอนนี้ ChatGPT นำเสนอความสามารถอะไรสำหรับการสร้างภาพวาดบ้าง
การสร้างภาพของ ChatGPT มีวิวัฒนาการมาอย่างไร?
เมื่อ ChatGPT แนะนำการรวม DALL·E เป็นครั้งแรก ผู้ใช้สามารถแปลงข้อความแจ้งเตือนเป็นรูปภาพได้อย่างแม่นยำ ในเดือนมีนาคม 2025 OpenAI ได้แทนที่ DALL·E ด้วยไปป์ไลน์ ImageGen ของ GPT‑4o ซึ่งช่วยเพิ่มความแม่นยำในการเรนเดอร์และการรับรู้บริบทได้อย่างมาก ปัจจุบัน GPT‑4o สามารถตีความบริบทการสนทนา ปฏิบัติตามข้อความแจ้งเตือนหลายขั้นตอนที่ซับซ้อน และแม้แต่ปรับแต่งรูปถ่ายที่ผู้ใช้อัปโหลดใหม่ ทำให้เป็นเครื่องมืออเนกประสงค์ในการสร้างภาพวาดในสไตล์ต่างๆ
สามารถสร้างสไตล์และความเที่ยงตรงได้ขนาดไหน?
ผู้ใช้รุ่นแรกได้แสดงความสามารถของ GPT-4o ด้วยการ "ดัดแปลงภาพถ่ายของ Ghibli" ให้กลายเป็นภาพประกอบสไตล์ Studio Ghibli ทำให้ได้คุณภาพที่แทบจะแยกแยะไม่ออกเมื่อเทียบกับงานศิลปะที่วาดด้วยมือ ตั้งแต่ภาพวาดสีน้ำมันที่สมจริงสุดๆ ไปจนถึงภาพลายเส้นเรียบง่ายและภาพสไปรท์ในเกมแบบพิกเซล เอ็นจิ้นภาพของ ChatGPT สามารถเลียนแบบเทคนิคทางศิลปะที่หลากหลายได้ตามต้องการ ความสามารถของโมเดลในการใช้ประโยชน์จากฐานความรู้ที่กว้างขวางทำให้มั่นใจได้ว่าองค์ประกอบจะมีความสอดคล้อง แสงที่แม่นยำ และความสอดคล้องของสไตล์แม้ในฉากที่ซับซ้อน
เหตุใดการตรวจจับภาพวาดที่สร้างโดย AI จึงมีความสำคัญ?
ภาพวาด AI ที่ไม่ถูกตรวจจับก่อให้เกิดความเสี่ยงอะไรบ้าง?
ภาพวาดที่ไม่ใช้ AI อาจทำให้เกิดข้อมูลที่ผิดพลาด การหลอกลวงแบบ Deepfake และการโต้แย้งเรื่องลิขสิทธิ์ ผู้กระทำความผิดอาจสร้างหลักฐานปลอม (เช่น ภาพประกอบประวัติศาสตร์ที่ดัดแปลง) หรือทำให้ผู้สะสมเข้าใจผิดโดยนำเสนอผลงาน AI ว่าเป็นต้นฉบับที่หายาก ในระบบการศึกษาออนไลน์และโซเชียลมีเดีย งานศิลปะสังเคราะห์อาจแพร่หลายในฐานะของแท้ ทำลายความเชื่อมั่นในหลักฐานภาพและการดูแลโดยผู้เชี่ยวชาญ
ที่มาและความถูกต้องแท้จริงได้รับผลกระทบอย่างไร?
การพิสูจน์ผลงานศิลปะแบบดั้งเดิมนั้นต้องอาศัยการวิจัยที่มา ความเชี่ยวชาญของผู้เชี่ยวชาญ และการวิเคราะห์ทางวิทยาศาสตร์ (เช่น การหาอายุด้วยเม็ดสี) อย่างไรก็ตาม ภาพวาดที่สร้างโดย AI นั้นไม่มีที่มาของมนุษย์ และสามารถสร้างได้ในทันทีในระดับขนาดใหญ่ การสืบสวนของ Wired เมื่อไม่นานนี้เน้นย้ำว่าการวิเคราะห์ของ AI นั้นหักล้างการปลอมแปลงของแวนโก๊ะ (“Elimar Van Gogh”) โดยแสดงให้เห็นถึงความน่าจะเป็น 97% ว่าไม่ใช่ผลงานของแวนโก๊ะ ซึ่งเน้นย้ำถึงบทบาทสองด้านของ AI ในการสร้างและตรวจจับของปลอม หากไม่มีวิธีการตรวจจับที่แข็งแกร่ง ตลาดศิลปะและสถาบันทางวัฒนธรรมจะเผชิญกับความเสี่ยงที่เพิ่มขึ้นของการฉ้อโกงซ้ำและการบิดเบือนตลาด
การใส่ลายน้ำช่วยแก้ปัญหาได้อย่างไร?
คุณสมบัติลายน้ำอะไรบ้างที่กำลังถูกทดสอบ?
ในเดือนเมษายน 2025 Cybernews รายงานว่า OpenAI กำลังทดลองใช้ลายน้ำสำหรับรูปภาพที่สร้างโดย GPT-4o โดยฝังเครื่องหมายที่มองเห็นได้หรือซ่อนอยู่เพื่อส่งสัญญาณถึงแหล่งที่มาสังเคราะห์ SecurityOnline ระบุรายละเอียดว่าลายน้ำ “ImageGen” ที่จะออกมาในเร็วๆ นี้อาจปรากฏบนรูปภาพที่สร้างผ่านแอป Android ของ ChatGPT ซึ่งอาจติดป้ายกำกับเอาต์พุตแบบฟรีเทียร์ด้วยเครื่องหมายที่ชัดเจนที่อ่านว่า “ImageGen”
แนวทางการใช้ลายน้ำแบบมองเห็นได้และมองไม่เห็นคืออะไร?
ลายน้ำที่มองเห็นได้ เช่น โลโก้แบบโปร่งแสงหรือข้อความซ้อนทับ จะช่วยให้มองเห็นได้ทันทีและอ่านได้โดยมนุษย์ แต่ก็อาจลดความสวยงามลงได้ ลายน้ำที่มองไม่เห็น (แบบซ่อนเร้น) ใช้เทคนิคซ่อนเร้น โดยเปลี่ยนค่าพิกเซลหรือค่าสัมประสิทธิ์ความถี่อย่างแนบเนียนเพื่อเข้ารหัสคีย์ลับที่ผู้ดูทั่วไปไม่สามารถตรวจจับได้ ตามรายงานของ The Verge OpenAI วางแผนที่จะฝังเมตาดาต้าที่สอดคล้องกับ C2PA ซึ่งระบุว่า OpenAI เป็นผู้สร้าง แม้ว่าจะไม่มีลายน้ำที่ชัดเจนปรากฏในภาพก็ตาม
ข้อจำกัดและกลยุทธ์ในการหลีกเลี่ยงผู้ใช้มีอะไรบ้าง
แม้ว่าลายน้ำจะดูดี แต่การใส่ลายน้ำก็ยังต้องเผชิญกับอุปสรรคในทางปฏิบัติ ผู้ใช้ Reddit รายงานว่าสมาชิก ChatGPT Plus สามารถบันทึกรูปภาพได้โดยไม่ต้องใช้ลายน้ำแบบฟรี ซึ่งบ่งชี้ถึงการนำไปใช้อย่างไม่สม่ำเสมอและอาจนำไปใช้ในทางที่ผิด ขั้นตอนหลังการประมวลผลง่ายๆ เช่น การครอบตัด การปรับสี หรือการเข้ารหัสใหม่ สามารถลบลายน้ำที่ซ่อนเร้นได้ ทำให้ลายน้ำที่มองไม่เห็นดูไม่สวยงาม นอกจากนี้ หากไม่มีมาตรฐานสากล รูปแบบลายน้ำที่เป็นกรรมสิทธิ์จะขัดขวางการตรวจสอบข้ามแพลตฟอร์ม
เทคนิคทางนิติเวชใดบ้างที่เหนือกว่าการใส่ลายน้ำ?
การวิเคราะห์ข้อมูลเมตาช่วยตรวจจับภาพ AI ได้อย่างไร
โดยทั่วไปภาพถ่ายดิจิทัลจะมีข้อมูลเมตา EXIF ได้แก่ ยี่ห้อ รุ่น เลนส์ พิกัด GPS และวันที่และเวลา ภาพวาดที่สร้างโดย AI มักขาดฟิลด์ EXIF ที่สอดคล้องกันหรือฝังข้อมูลเมตาที่ผิดปกติ (เช่น รุ่นกล้องที่ไม่มีอยู่จริง) ตัวอย่างเช่น The Verge ระบุว่าภาพ GPT-4o มีข้อมูลเมตา C2PA ที่มีโครงสร้างซึ่งระบุวันที่สร้างและแพลตฟอร์มต้นทาง ซึ่งเครื่องมือทางนิติเวชสามารถแยกวิเคราะห์เพื่อยืนยันความถูกต้องได้ ห่วงโซ่ที่มาที่หายไปหรือผิดรูปเป็นสัญญาณเตือนที่กระตุ้นให้มีการตรวจสอบอย่างละเอียดมากขึ้น
อาร์ติแฟกต์ระดับพิกเซลใดบ้างที่บ่งบอกถึงการสร้าง AI?
โมเดลการแพร่กระจายแบบสร้างสรรค์ เช่น ImageGen ของ GPT‑4o จะลดเสียงรบกวนแบบสุ่มเพื่อสร้างภาพขึ้นมาซ้ำๆ กระบวนการนี้ทิ้งสิ่งแปลกปลอมที่มีลักษณะเฉพาะเอาไว้ เช่น การไล่ระดับแบบเรียบในบริเวณที่มีคอนทราสต์ต่ำ วงแหวนเสียงรบกวนแบบเรียงศูนย์กลางรอบขอบ และสเปกตรัมความถี่สูงที่ผิดปกติซึ่งไม่พบในภาพถ่ายธรรมชาติ นักวิจัยฝึกเครือข่ายประสาทเทียมแบบคอนโวลูชั่นเพื่อตรวจจับความผิดปกติทางสถิติดังกล่าว ทำให้สามารถแยกแยะภาพวาดจริงจากภาพวาดสังเคราะห์ได้แม่นยำกว่า 90%
การวิเคราะห์เสียงและพื้นผิวสามารถเปิดเผยรูปแบบการแพร่กระจายได้อย่างไร
ด้วยการคำนวณฟิลเตอร์ Laplacian ในพื้นที่และตรวจสอบสเปกตรัมกำลังของสัญญาณรบกวน อัลกอริทึมนิติเวชสามารถระบุความสม่ำเสมอที่ไม่เป็นธรรมชาติหรือรูปแบบไมโครซ้ำๆ ที่พบได้ทั่วไปในผลลัพธ์ของ AI ตัวอย่างเช่น ภูมิทัศน์ที่สร้างโดย AI อาจแสดงพื้นผิวของรอยพู่กันที่สม่ำเสมอเกินไป ในขณะที่ศิลปินมนุษย์นำเสนอการเปลี่ยนแปลงตามธรรมชาติ เครื่องมือที่แสดงภาพแผนที่ความร้อนของพื้นที่ที่น่าสงสัยจะเน้นที่จุดที่เกิดการเบี่ยงเบนทางสถิติ ช่วยให้ผู้เชี่ยวชาญตรวจสอบได้
มีเครื่องมือและแพลตฟอร์มใดบ้างสำหรับการตรวจจับ?
เครื่องตรวจจับเชิงพาณิชย์และโอเพ่นซอร์สใดบ้างที่เป็นผู้นำในสาขานี้?
การตรวจสอบ Medium ล่าสุดได้ทดสอบเครื่องมือตรวจจับ AI จำนวน 17 รายการและพบว่ามีเพียง 4 รายการเท่านั้นที่มีประสิทธิภาพเชื่อถือได้เมื่อเทียบกับโมเดลที่ล้ำสมัยอย่าง GPT‑2o ในจำนวนนั้น ArtSecure และ DeepFormAnaylzer ต่างก็ผสานการแยกเมตาดาต้าเข้ากับการตรวจจับอาร์ทิแฟกต์ที่ใช้ ML โดยนำเสนอปลั๊กอินเบราว์เซอร์และการผสานรวม API สำหรับผู้จัดพิมพ์และพิพิธภัณฑ์ โปรเจ็กต์โอเพ่นซอร์สอย่าง SpreadThemApart นำเสนอวิธีการฝังและแยกลายน้ำที่รองรับ CXNUMXPA โดยไม่ต้องฝึกโมเดลการแพร่กระจายพื้นฐานใหม่
OpenAI กำลังพัฒนาเครื่องมือตรวจจับภายในอะไร?
แม้ว่า OpenAI จะยังไม่ได้เผยแพร่ API ตรวจจับภาพต่อสาธารณะ แต่ผู้เชี่ยวชาญภายในบริษัทได้ให้ความเห็นเกี่ยวกับแผนงานที่คล้ายกับตัวตรวจจับลายน้ำข้อความ (ซึ่งมีความแม่นยำ 99.9% สำหรับข้อความยาว) ผู้สังเกตการณ์คาดหวังว่าจะมีบริการ “ImageGuard” ในอนาคตซึ่งจะอ้างอิงข้อมูลเมตาของ C2PA เครื่องหมายซ่อนเร้น และการตรวจสอบทางนิติวิทยาศาสตร์ระดับพิกเซล เพื่อระบุภาพที่น่าสงสัยก่อนที่จะแชร์หรือเผยแพร่
สถาบันทางวัฒนธรรมบูรณาการ AI สำหรับการพิสูจน์ตัวตนได้อย่างไร
พิพิธภัณฑ์และบริษัทประมูลชั้นนำกำลังทดลองใช้เวิร์กโฟลว์การตรวจสอบความถูกต้องด้วยความช่วยเหลือของ AI พิพิธภัณฑ์แวนโก๊ะร่วมมือกับนักวิจัยด้าน AI เพื่อตรวจสอบการประเมินของผู้เชี่ยวชาญโดยใช้การวิเคราะห์เม็ดสีและเส้นพู่กันที่ขับเคลื่อนด้วยเครือข่ายประสาท ทำให้มั่นใจในการระบุแหล่งที่มามากขึ้นในขณะที่ลดระยะเวลาในการตรวจสอบลง แนวทางแบบผสมผสานระหว่างมนุษย์และเครื่องจักรดังกล่าวแสดงให้เห็นว่า AI สามารถสร้างและตรวจสอบผลงานศิลปะได้อย่างไร
ผู้มีส่วนได้ส่วนเสียควรนำแนวทางปฏิบัติที่ดีใดมาใช้?
โปรโตคอลที่มาแบบมาตรฐานสามารถปรับปรุงความโปร่งใสได้อย่างไร
การนำมาตรฐานที่มาแบบเปิดมาใช้ เช่น Coalition for Content Provenance and Authenticity (C2PA) ช่วยให้แพลตฟอร์มที่สร้างเนื้อหาสามารถฝังเมตาเดตาที่ตรวจสอบได้ในรูปแบบที่สอดคล้องกัน ซึ่งช่วยให้เครื่องมือของบุคคลที่สามสามารถวิเคราะห์รายละเอียดการสร้าง บันทึกห่วงโซ่การดูแล และประวัติการแก้ไขได้ โดยไม่คำนึงถึงแหล่งที่มา
เหตุใดการติดฉลากภาพวาด AI ที่ชัดเจนจึงมีความจำเป็น?
การติดฉลากที่มองเห็นได้ (เช่น ลายน้ำ คำบรรยายภาพ หรือข้อความปฏิเสธความรับผิดชอบ) จะช่วยสร้างความไว้วางใจให้กับผู้ใช้และลดการแพร่กระจายข้อมูลที่ผิดพลาด ข้อเสนอด้านกฎระเบียบ รวมถึงพระราชบัญญัติปัญญาประดิษฐ์ของสหภาพยุโรปที่กำลังจะประกาศใช้ อาจกำหนดให้เปิดเผยเนื้อหาสังเคราะห์อย่างชัดเจนเพื่อปกป้องผู้บริโภคและมรดกทางวัฒนธรรม
กลยุทธ์การตรวจจับควรเป็นแบบหลายชั้นหรือหลายชั้นหรือไม่?
ไม่มีวิธีการใดที่ได้ผลแน่นอน ผู้เชี่ยวชาญแนะนำให้ใช้วิธีการป้องกันเชิงลึก:
- การตรวจสอบลายน้ำและข้อมูลเมตา สำหรับการทำเครื่องหมายอัตโนมัติ
- การตรวจสอบพิกเซลตาม ML เพื่อตรวจจับสิ่งแปลกปลอมจากการแพร่กระจาย
- บทวิจารณ์จากผู้เชี่ยวชาญด้านมนุษย์ เพื่อการตัดสินตามบริบทและรายละเอียด
กลยุทธ์แบบแบ่งชั้นนี้จะปิดเวกเตอร์การโจมตี แม้ว่าศัตรูจะลบลายน้ำออกไป การวิเคราะห์พิกเซลก็ยังสามารถตรวจจับสัญญาณเตือนได้
สรุป
การพัฒนาอย่างรวดเร็วของความสามารถในการสร้างภาพของ ChatGPT ตั้งแต่ DALL·E ไปจนถึง GPT‑4o ทำให้การสร้างภาพวาดคุณภาพสูงมีความเป็นประชาธิปไตยมากขึ้น แต่ยังเพิ่มความท้าทายในการตรวจสอบความถูกต้องอีกด้วย การทดลองลายน้ำโดย OpenAI นำเสนอแนวทางป้องกันด่านแรกด้วยการฝังเครื่องหมายที่เปิดเผยหรือซ่อนเร้นและเมตาเดตา C2PA ที่เป็นมาตรฐาน อย่างไรก็ตาม ความเปราะบางของลายน้ำและการนำไปใช้ที่ไม่สอดคล้องกันต้องการเทคนิคการตรวจสอบทางนิติวิทยาศาสตร์ที่เสริมซึ่งกันและกัน ได้แก่ การตรวจสอบเมตาเดตา การตรวจจับสิ่งแปลกปลอมในระดับพิกเซล และเวิร์กโฟลว์การตรวจสอบความถูกต้องแบบผสมผสานระหว่างมนุษย์กับ AI
ผู้มีส่วนได้ส่วนเสีย ไม่ว่าจะเป็นแพลตฟอร์มดิจิทัล สำนักพิมพ์ทางวิชาการ แกลเลอรี และหน่วยงานกำกับดูแล จะต้องยอมรับกลยุทธ์การตรวจจับแบบหลายชั้น มาตรฐานแหล่งที่มาแบบเปิด และการติดฉลากแบบโปร่งใส โดยการผสมผสานลายน้ำที่แข็งแกร่ง การตรวจสอบทางนิติวิทยาศาสตร์ขั้นสูงที่ขับเคลื่อนโดย ML และการดูแลของผู้เชี่ยวชาญ ชุมชนสามารถแยกแยะภาพวาดที่สร้างโดย AI จากงานศิลปะของมนุษย์ได้อย่างมีประสิทธิภาพ และปกป้องความสมบูรณ์ของวัฒนธรรมภาพในยุคของ AI เชิงสร้างสรรค์
เริ่มต้นใช้งาน
CometAPI มอบอินเทอร์เฟซ REST แบบรวมที่รวบรวมโมเดล AI หลายร้อยโมเดล รวมถึงกลุ่ม ChatGPT ภายใต้จุดสิ้นสุดที่สอดคล้องกัน พร้อมการจัดการคีย์ API ในตัว โควตาการใช้งาน และแดชบอร์ดการเรียกเก็บเงิน แทนที่จะต้องจัดการ URL และข้อมูลรับรองของผู้ขายหลายราย
นักพัฒนาสามารถเข้าถึงได้ API ของ GPT-image-1 (GPT‑4o รูปภาพ API ชื่อรุ่น: gpt-image-1) and API ของ DALL-E 3 ตลอด โคเมทเอพีไอในการเริ่มต้น ให้สำรวจความสามารถของโมเดลใน Playground และดู คู่มือ API สำหรับคำแนะนำโดยละเอียด โปรดทราบว่านักพัฒนาบางคนอาจจำเป็นต้องตรวจสอบองค์กรของตนก่อนใช้โมเดลนี้