Granica między tym, co rzeczywiste, a tym, co wygenerowane przez algorytmy, zaciera się w tempie, którego nie przewidzieli nawet najwięksi optymiści (lub pesymiści) technologii. Stwierdzenie, że za pół roku lub rok zdjęcia z generatorów AI będą nie do odróżnienia od prawdziwych fotografii, nie jest już tylko śmiałą tezą – dla wielu obserwatorów rynku to niemal pewnik. Już dzisiaj modele takie jak Midjourney v6 czy Flux.1 potrafią stworzyć obrazy, przy których przeciętny użytkownik mediów społecznościowych zatrzymuje się z pełnym przekonaniem, że patrzy na kadr z życia wzięty.

Gołym okiem – czy już tam jesteśmy?

Jeśli weźmiemy pod uwagę "zwykłego śmiertelnika" przewijającego tablicę na Facebooku czy Instagramie, to granica nie do rozpoznania została w wielu przypadkach przekroczona już teraz. Pierwsze generatory miały problem z dłońmi (słynne sześć palców), teksturą skóry, która wyglądała jak plastik, czy nienaturalnymi odbiciami w oczach. Dzisiejsze modele radzą sobie z tymi detalami zdumiewająco dobrze.

W ciągu najbliższych 6–12 miesięcy rozwój skupi się na eliminacji ostatnich "halucynacji" – drobnych błędów w fizyce światła czy niespójnościach anatomicznych w skomplikowanych pozach. Dzięki technikom takim jak LoRA (Low-Rank Adaptation) czy zaawansowanemu inpaintingowi, twórcy mogą korygować każdy piksel, aż do uzyskania perfekcji. Dla gołego oka, bez powiększenia i specjalistycznej analizy, odróżnienie zdjęcia od grafiki AI stanie się praktycznie niemożliwe.

Ekspert z 2014 roku kontra dzisiejsza technologia

Hipoteza dotycząca ekspertów sprzed dekady jest niezwykle ciekawa. Aby ją zrozumieć, musimy cofnąć się do roku 2014. Wtedy świat cyfrowej kryminalistyki (digital forensics) skupiał się na wykrywaniu śladów edycji w Photoshopie: klonowaniu pikseli, niespójnościach w szumie matrycy (tzw. PRNU) czy błędach w kompresji JPEG.

Gdybyśmy przenieśli specjalistę z tamtych lat do dzisiejszych czasów i pokazali mu topowe generacje AI, najprawdopodobniej uznałby je za autentyczne. Dlaczego? Ponieważ narzędzia, którymi dysponował, nie były projektowane do wykrywania obrazów syntetycznych tworzonych od zera przez sieci neuronowe. AI nie "dokleja" elementów do zdjęcia – ono buduje obraz z szumu, tworząc struktury, które na poziomie statystycznym często naśladują naturalny rozkład światła i ziarnistość filmu. Ekspert z 2014 roku szukałby śladów pędzla lub maskowania, których w AI po prostu nie ma.

Dlaczego stare metody by zawiodły?

1. Brak artefaktów manipulacji: Tradycyjne metody wykrywania fotomontaży szukają krawędzi wklejonych obiektów. AI generuje cały obraz spójnie, więc krawędzie są matematycznie idealne.
2. Spójność oświetlenia: Starsze techniki analizowały kąt padania cieni. Nowoczesne modele AI (oparte na architekturze Diffusion) świetnie radzą sobie z globalną iluminacją, co było piętą achillesową dawnych grafików 3D.
3. Syntetyczny szum: Dzisiejsze generatory potrafią nałożyć na obraz strukturę szumu imitującą konkretne modele aparatów, co oszukałoby dawne algorytmy analizujące "cyfrowy odcisk palca" matrycy.

Audio i wideo – ostatnie bastiony realizmu

O ile w przypadku zdjęć jesteśmy niemal u celu, o tyle wideo i audio wciąż przechodzą swoją rewolucję. Modele takie jak Sora od OpenAI czy Kling pokazują, że potrafimy już generować kilkunastosekundowe klipy o filmowej jakości. Jednak w wideo wciąż pojawiają się błędy w ciągłości (np. znikające obiekty), które wprawne oko wychwyci.

W kwestii audio sytuacja jest jeszcze bardziej zaawansowana. Klonowanie głosu (np. przez ElevenLabs) osiągnęło poziom, w którym barwa, intonacja, a nawet charakterystyczne dla danej osoby mlaśnięcia czy oddechy są kopiowane niemal idealnie. Ekspert od analizy nagrań z 2014 roku, przyzwyczajony do prostych syntezatorów mowy, byłby bezradny wobec dzisiejszych deepfake’ów głosowych, które operują na poziomie emocjonalnym i barwowym nieosiągalnym dekadę temu.

Ciekawostka: Problem "doliny niesamowitości"

Zjawisko Uncanny Valley (dolina niesamowitości) to moment, w którym robot lub animacja wygląda prawie jak człowiek, ale drobne niedoskonałości budzą w nas instynktowny lęk lub odrazę. AI właśnie wychodzi z tej doliny. Najnowsze modele generują twarze, które nie budzą już tego niepokoju, bo ich niedoskonałości (zmarszczki, pory skóry, asymetria) są generowane celowo, by zwiększyć realizm.

Czy to oznacza koniec wiary w to, co widzimy?

Wszystko wskazuje na to, że wchodzimy w erę "post-prawdy wizualnej". Skoro nawet eksperci (ci z przeszłości, a coraz częściej i ci współcześni) mogą mieć problem z weryfikacją materiału, ciężar dowodowy przeniesie się z samej analizy pikseli na tzw. provenance, czyli pochodzenie materiału.

Rozwiązania takie jak C2PA (Content Authenticity Initiative), wspierane przez Adobe, Microsoft czy aparatowe giganty jak Leica i Sony, mają na celu wprowadzanie "cyfrowych podpisów" już w momencie naciśnięcia migawki w aparacie. Dzięki temu będziemy wiedzieć, że zdjęcie jest prawdziwe nie dlatego, że "tak wygląda", ale dlatego, że posiada nienaruszalny certyfikat autentyczności od urządzenia.

Podsumowując, teza postawiona w pytaniu jest w dużej mierze prawdziwa. Tempo rozwoju AI jest wykładnicze, a nasze biologiczne mechanizmy rozpoznawania fałszu nie są przystosowane do tak szybkiej ewolucji technologii. Za rok debata o tym, czy coś jest zdjęciem, czy generacją, może przenieść się z poziomu "czy to widać" na poziom "pokaż mi metadane".