AI kradnie twarze i głosy. Jak oszukuje nowa technologia?

Jeszcze kilka lat temu spreparowane nagrania wideo dało się rozpoznać niemal od razu. Nienaturalne ruchy ciała, twarzy, ust, z czego ostatnie często nie zgadzały się z głosem. Całość przypominała dość kiepski internetowy efekt specjalny. W 2026 roku sytuacja wygląda zupełnie inaczej. Rozwój sztucznej inteligencji sprawił, że deepfake'i coraz częściej przypominają autentyczne materiały nagrane telefonem, kamerą telewizyjną albo podczas wideokonferencji. Problem polega na tym, że technologia rozwija się szybciej niż nasza zdolność do odróżniania prawdy od fałszu, a do prostych narzędzi dostęp ma w zasadzie każdy z nas.

Deepfake to jeden z najbardziej niepokojących przykładów wykorzystania AI. Z jednej strony technologia znajduje zastosowanie w kinie, branży kreatywnej czy edukacji. Z drugiej - coraz częściej staje się narzędziem cyberprzestępców, oszustów i twórców dezinformacji. Fałszywe nagrania polityków, celebrytów czy biznesmenów potrafią błyskawicznie obiec internet i wywołać realne konsekwencje społeczne, finansowe oraz polityczne.

Samo słowo "deepfake" pochodzi od połączenia angielskich wyrazów "deep" oraz "fake". Pierwszy odnosi się do głębokiego uczenia maszynowego, drugi oznacza fałszerstwo. W praktyce chodzi o tworzenie realistycznych obrazów, nagrań audio lub filmów przy użyciu sztucznej inteligencji. Technologie te wykorzystują m.in. generatywne sieci przeciwstawne, czyli GAN. To dwa współpracujące ze sobą algorytmy: jeden generuje obraz lub głos, drugi ocenia, czy wygląda on realistycznie. Proces powtarza się wielokrotnie, aż efekt zaczyna przypominać prawdziwe nagranie.

Początki deepfake'ów sięgają początku XXI wieku, ale przełom nastąpił w 2017 roku. Wtedy anonimowy użytkownik Reddita publikujący pod pseudonimem "deepfakes" zaczął udostępniać zmanipulowane filmy z twarzami celebrytów. Początkowo materiały były stosunkowo łatwe do wykrycia. Dziś niemal każdy użytkownik komputera z dostępem do internetu może stworzyć realistyczne nagranie przedstawiające wydarzenie, które nigdy nie miało miejsca.

Eksperci zwracają uwagę, że współczesne deepfake'i mogą wkrótce stać się praktycznie nieodróżnialne od rzeczywistości. Problem nie dotyczy już wyłącznie internetu czy memów. W 2024 roku świat obiegła historia pracownika brytyjskiej firmy Arup działającej w Chinach. Jak opisywał NASK, mężczyzna uczestniczył w wideokonferencji z rzekomym dyrektorem finansowym i członkami zarządu. Spotkanie wyglądało wiarygodnie, głosy brzmiały naturalnie, a twarze były przekonujące. Była to próba wyłudzenia 20 mln funtów. Dopiero później okazało się, że wszyscy uczestnicy konferencji zostali wygenerowani przez sztuczną inteligencję.

Największy problem polega na tym, że ludzki mózg ufa obrazom i dźwiękom bardziej niż tekstowi. To mechanizm ewolucyjny. To, co widzimy i słyszymy, automatycznie uznajemy za bardziej wiarygodne. Cyberprzestępcy doskonale to rozumieją i wykorzystują emocje takie jak strach, gniew czy presja czasu, by obniżyć naszą czujność.

Deepfake'i często działają dlatego, iż odbieramy treści szybko i powierzchownie. Oglądamy krótkie filmy na smartfonach, przewijamy media społecznościowe, nie analizujemy szczegółów obrazu. Mały ekran telefonu potrafi skutecznie ukryć niedoskonałości wygenerowanego materiału.

Do tego dochodzi tzw. efekt prawdy iluzorycznej. Im częściej widzimy daną informację, tym bardziej wydaje się nam prawdziwa. Nawet jeśli jest całkowicie fałszywa. Badania cytowane przez NASK pokazują, że zdolność ludzi do wykrywania deepfake'ów jest bardzo zróżnicowana. W najgorszych przypadkach użytkownicy nie rozpoznają nawet 43 na 100 zmanipulowanych materiałów.

Problem pogłębia również skala internetu. Fałszywe treści rozchodzą się szybciej niż prawdziwe. Badania opisane w czasopiśmie "Science" wykazały, że nieprawdziwe informacje publikowane w mediach społecznościowych docierały do użytkowników niemal sześć razy szybciej niż treści prawdziwe.

Choć współczesne deepfake'i bywają bardzo realistyczne, nadal istnieją elementy, które mogą zdradzić manipulację. Eksperci z NASK, Wojskowej Akademii Technicznej czy Fundacji Instytut Cyberbezpieczeństwa wskazują kilka najczęściej występujących błędów.

• Nienaturalne ruchy ust i brak synchronizacji głosu z obrazem
• Dziwne ruchy oczu albo zbyt rzadkie mruganie
• Problemy z odwzorowaniem mikroekspresji twarzy
• Artefakty obrazu, rozmycia lub zmieniająca się tekstura skóry
• Nieprawidłowe oświetlenie i cienie
• Zniekształcone tło lub nienaturalna głębia obrazu
• Głos brzmiący zbyt mechanicznie albo pozbawiony emocji
• Nagłe zmiany jakości obrazu lub kompresji
• Niespójna gestykulacja i ruchy ciała
• Materiał opublikowany przez anonimowe konto lub mało znane źródło

Warto też porównywać podejrzane nagranie z innymi materiałami tej samej osoby. Czasami drobne różnice w sposobie mówienia, mimice albo intonacji zdradzają manipulację.

Eksperci podkreślają jednak, że nawet uważna analiza nie zawsze wystarcza. Deepfake'i stają się coraz lepsze, a wykrywanie ich wyłącznie "na oko" może być w przyszłości praktycznie niemożliwe.

Równolegle z rozwojem fałszywych treści rozwijają się technologie detekcyjne. Naukowcy próbują tworzyć systemy analizujące mikroruchy twarzy, synchronizację głosu czy anomalie obrazu niewidoczne dla człowieka.

Do najczęściej wymienianych narzędzi należą:

• Microsoft Video Authenticator
• Sensity AI
• Deepware Scanner
• Reality Defender
• Sentinel
• Deepfake Detection Challenge wspierany przez Facebooka

Badania nad wykrywaniem deepfake'ów prowadzą również uczelnie na całym świecie, m.in. MIT, Stanford University czy Wojskowa Akademia Techniczna to zaledwie kilka przykładów, nie sposób wymienić tu wszystkich. Część projektów analizuje naturalne ruchy gałek ocznych, których sztuczna inteligencja nadal nie potrafi idealnie odwzorować.

Jednocześnie eksperci podkreślają, że to wyścig technologiczny. Im lepsze stają się systemy wykrywające, tym bardziej zaawansowane są kolejne generacje deepfake'ów. Dlatego sama technologia nie wystarczy.

Największym zagrożeniem może okazać się nie sam wzrost liczby fałszywych nagrań, ale utrata zaufania do rzeczywistości. Jeżeli użytkownicy przestaną wierzyć w autentyczność zdjęć, filmów i nagrań audio, ucierpią m.in. media czy instytucje publiczne.

Dlatego eksperci tak mocno podkreślają znaczenie edukacji. Szczególnie narażone na manipulacje są dzieci, osoby starsze oraz ludzie znajdujący się w trudnej sytuacji finansowej. To właśnie oni najczęściej stają się celem oszustw opartych na AI. Tu niezwykle ważną rolę już teraz powinna odgrywać szkoła.

Przykładem wpływu na osoby starsze może być oszustwo, o którym było głośno kilka miesięcy temu. Oszuści wykorzystując próbki głosu podszywali się pod konkretne osoby, dzwonili do członków rodzin prosząc dramatycznie o pomoc bo: zatrzymała ich policja i trzeba zapłacić kaucję za wyjście, trzeba zapłacić za leczenie w szpitalu, prawnika itd.

Nieustannie trwają także prace nad regulacjami prawnymi. Unia Europejska wdraża przepisy takie jak Digital Services Act oraz AI Act, które mają zobowiązać platformy internetowe do oznaczania treści wygenerowanych przez sztuczną inteligencję i szybszego reagowania na dezinformację.

Problem w tym, że nie jest to takie proste. Jak zaznaczają eksperci, przepisy muszą jednocześnie chronić użytkowników i nie ograniczać wolności słowa. Deepfake stał się więc nie tylko wyzwaniem technologicznym, ale też społecznym, politycznym i etycznym.

Wydaje się więc, że dziś najważniejszą bronią pozostaje... zdrowy sceptycyzm. Skoro sztuczna inteligencja potrafi wygenerować realistyczny głos, twarz i emocje, coraz większego znaczenia nabiera umiejętność krytycznego myślenia. Ale z drugiej strony namiętnie używamy chatbotów powierzając sztucznej inteligencji to, co najcenniejsze u człowieka, czyli zdolność do samodzielnego myślenia. Ale to już temat na inny artykuł, więc koniec zachęcam cię do przeczytania o badaniach fińskich naukowców, o których pisałem w Interii Geekweek  pod koniec 2025 roku.

Źródła: NASK, Wojskowa Akademia Techniczna, Fundacja Instytut Cyberbezpieczeństwa, MIT