Ένα πρόσωπο που δεν υπήρξε ποτέ. Ένα βίντεο με κάποιον να λέει λόγια που δεν είπε. Μια φωνή που ακούγεται ακριβώς όπως εκείνη ενός αγαπημένου μας ανθρώπου. Η τεχνητή νοημοσύνη έχει αλλάξει ριζικά τον τρόπο με τον οποίο δημιουργούνται εικόνες, βίντεο και ήχοι. Το ερώτημα δεν είναι πλέον μόνο αν μπορούμε να ξεχωρίσουμε το πραγματικό από το ψεύτικο. Είναι πώς μπορούμε να συνεχίσουμε να εμπιστευόμαστε όσα βλέπουμε στο Διαδίκτυο.
Η φωτογραφία που μας έκανε να σταματήσουμε το scrolling
Ανοίγουμε το Facebook.
Ανάμεσα σε αναρτήσεις φίλων, ειδήσεις και διαφημίσεις, εμφανίζεται μια φωτογραφία.
Δείχνει έναν ηλικιωμένο άνθρωπο να κάθεται μόνος σε έναν πλημμυρισμένο δρόμο, κρατώντας στην αγκαλιά του ένα μικρό σκυλί.
Το φως είναι κινηματογραφικό. Οι εκφράσεις μοιάζουν αληθινές. Η εικόνα είναι συγκινητική.
Κάτω από τη φωτογραφία, εκατοντάδες σχόλια.
«Πόσο κρίμα».
«Κανείς δεν βοηθά αυτόν τον άνθρωπο;»
«Μοιραστείτε το για να μάθει ο κόσμος».
Μόνο που υπάρχει μια λεπτομέρεια.
Ο ηλικιωμένος δεν υπάρχει.
Το σκυλί δεν βρέθηκε ποτέ σε εκείνον τον δρόμο.
Και η φωτογραφία δεν τραβήχτηκε από φωτογραφική μηχανή.
Δημιουργήθηκε από ένα σύστημα τεχνητής νοημοσύνης.
Το παραπάνω είναι ένα υποθετικό παράδειγμα. Αλλά περιγράφει μια πραγματική πρόκληση της εποχής μας.
Μια εικόνα μπορεί να προκαλέσει απολύτως αληθινά συναισθήματα, ακόμη κι όταν το γεγονός που παρουσιάζει δεν συνέβη ποτέ.
Και αυτό αλλάζει πολλά περισσότερα από τον τρόπο που χρησιμοποιούμε τα κοινωνικά δίκτυα.
Από το Photoshop σε έναν κόσμο που μπορεί να κατασκευαστεί από το μηδέν
Η παραποίηση φωτογραφιών δεν είναι καινούργιο φαινόμενο.
Εδώ και δεκαετίες, εικόνες επεξεργάζονται, αντικείμενα αφαιρούνται, πρόσωπα τροποποιούνται και γεγονότα παρουσιάζονται με παραπλανητικό τρόπο.
Η διαφορά βρίσκεται στην ευκολία, στην ταχύτητα και στο επίπεδο ρεαλισμού.
Παλαιότερα, η δημιουργία μιας ιδιαίτερα πειστικής φωτογραφικής σύνθεσης απαιτούσε σημαντικές δεξιότητες και χρόνο.
Σήμερα, ένας χρήστης μπορεί να περιγράψει μια σκηνή με λίγες προτάσεις και να ζητήσει από ένα σύστημα AI να τη δημιουργήσει.
Δεν χρειάζεται να έχει φωτογραφική μηχανή.
Δεν χρειάζεται να έχει βρεθεί στο σημείο.
Δεν χρειάζεται καν να υπάρχει το πρόσωπο που εμφανίζεται.
Αυτή η δυνατότητα είναι συναρπαστική για τη δημιουργικότητα.
Μπορεί να βοηθήσει έναν εικονογράφο, έναν σχεδιαστή, έναν εκπαιδευτικό ή έναν δημιουργό περιεχομένου να μετατρέψει μια ιδέα σε εικόνα.
Όμως η ίδια τεχνολογία μπορεί να χρησιμοποιηθεί για παραπλάνηση.
Και εδώ πρέπει να κάνουμε μια σημαντική διάκριση.
Δεν είναι κάθε εικόνα AI παραπληροφόρηση.
Μια εικονογράφηση που παρουσιάζεται ξεκάθαρα ως δημιουργία τεχνητής νοημοσύνης είναι ένα δημιουργικό έργο.
Μια συνθετική φωτογραφία που παρουσιάζεται ψευδώς ως ντοκουμέντο πραγματικού γεγονότος είναι κάτι διαφορετικό.
Το πρόβλημα δεν είναι αποκλειστικά ο τρόπος δημιουργίας της εικόνας.
Είναι και ο ισχυρισμός που τη συνοδεύει.
Τι είναι πραγματικά ένα deepfake;
Ο όρος deepfake χρησιμοποιείται για συνθετικό ή αλλοιωμένο περιεχόμενο που αξιοποιεί τεχνικές τεχνητής νοημοσύνης ώστε να παρουσιάσει πειστικά μια ψευδή απεικόνιση, συχνά ενός πραγματικού ανθρώπου.
Μπορεί να αφορά:
- Εικόνα: Ένα πρόσωπο που έχει αντικατασταθεί ή τροποποιηθεί.
- Βίντεο: Έναν άνθρωπο που φαίνεται να κάνει ή να λέει κάτι που δεν συνέβη.
- Ήχο: Μια φωνή που μιμείται ένα πραγματικό πρόσωπο.
- Συνδυασμό εικόνας και ήχου: Ένα βίντεο στο οποίο πρόσωπο, χείλη και φωνή έχουν συντεθεί ή αλλοιωθεί.
Δεν είναι απαραίτητο κάθε συνθετική εικόνα να χαρακτηρίζεται deepfake.
Μια φανταστική πόλη ή ένα ανύπαρκτο τοπίο που δημιουργήθηκε με AI είναι συνθετικό περιεχόμενο, αλλά δεν υποδύεται απαραίτητα ένα πραγματικό πρόσωπο.
Αυτή η διάκριση έχει σημασία, ιδιαίτερα όταν μιλάμε για παραπληροφόρηση και απάτες.
Πόσο καλοί είμαστε τελικά στο να αναγνωρίζουμε τις ψεύτικες εικόνες;
Εδώ τα επιστημονικά δεδομένα είναι αποκαλυπτικά.
Μια έρευνα της Microsoft Research, που δημοσιεύθηκε το 2025, ανέλυσε περίπου 287.000 αξιολογήσεις εικόνων από περισσότερους από 12.500 συμμετέχοντες.
Οι χρήστες προσπαθούσαν να ξεχωρίσουν πραγματικές φωτογραφίες από εικόνες που είχαν δημιουργηθεί με AI.
Το συνολικό ποσοστό σωστών απαντήσεων ήταν μόλις 62%.
Δηλαδή, οι συμμετέχοντες τα κατάφεραν καλύτερα από μια τυχαία επιλογή, αλλά πολύ μακριά από την αξιοπιστία που θα χρειαζόμασταν για να εμπιστευτούμε αποκλειστικά την ανθρώπινη παρατήρηση.
Μια ευρύτερη μετα-ανάλυση 56 επιστημονικών εργασιών, με δεδομένα από 86.155 συμμετέχοντες, υπολόγισε συνολική ακρίβεια αναγνώρισης deepfakes περίπου 55,5%.
Οι ερευνητές διαπίστωσαν ότι, με βάση την αβεβαιότητα των αποτελεσμάτων, η συνολική επίδοση δεν ξεχώριζε στατιστικά από την τυχαία επιλογή.
Μια άλλη μελέτη, δημοσιευμένη στο Communications of the ACM το 2025, εξέτασε 1.276 συμμετέχοντες και διαφορετικούς τύπους συνθετικού περιεχομένου.
Και εκεί η μέση επίδοση βρέθηκε κοντά στο επίπεδο της τύχης.
Τα ποσοστά αυτά δεν αποτελούν μια καθολική μέτρηση για όλες τις εικόνες και όλους τους ανθρώπους.
Εξαρτώνται από το είδος του περιεχομένου, την ποιότητα των συνθετικών εικόνων και τον σχεδιασμό της κάθε μελέτης.
Όμως οδηγούν σε ένα ουσιαστικό συμπέρασμα:
Δεν μπορούμε πλέον να βασιζόμαστε μόνο στο μάτι μας για να αποφασίσουμε αν κάτι είναι αληθινό.
Και όσο βελτιώνονται τα εργαλεία δημιουργίας περιεχομένου, αυτή η ανάγκη για επιπλέον επαλήθευση γίνεται ακόμη σημαντικότερη.
«Κοίτα τα δάχτυλα». Γιατί τα παλιά κόλπα δεν αρκούν
Πριν από λίγα χρόνια, υπήρχε μια σχετικά δημοφιλής συμβουλή.
Αν θέλεις να καταλάβεις αν μια φωτογραφία δημιουργήθηκε από AI, κοίτα τα χέρια.
Έξι δάχτυλα, παράξενες παλάμες, αλλοιωμένα πρόσωπα και δυσανάγνωστα γράμματα ήταν συνηθισμένα προβλήματα παλαιότερων μοντέλων.
Αυτά τα σημάδια εξακολουθούν να εμφανίζονται σε ορισμένες εικόνες.
Μπορούμε λοιπόν να εξετάσουμε:
- Αν τα χέρια και τα δάχτυλα έχουν ασυνήθιστη μορφή.
- Αν οι σκιές και οι αντανακλάσεις συμφωνούν μεταξύ τους.
- Αν οι επιγραφές και τα γράμματα είναι σωστά.
- Αν τα αντικείμενα στο φόντο έχουν λογική συνέχεια.
- Αν υπάρχουν ανεξήγητες παραμορφώσεις σε πρόσωπα ή αντικείμενα.
Αλλά υπάρχει ένα πρόβλημα.
Η απουσία τέτοιων λαθών δεν αποδεικνύει ότι μια φωτογραφία είναι πραγματική.
Τα σύγχρονα μοντέλα μπορούν να παράγουν εξαιρετικά πειστικές λεπτομέρειες.
Αντίστροφα, μια πραγματική φωτογραφία μπορεί να έχει παράξενες αντανακλάσεις, αλλοιώσεις από συμπίεση ή οπτικά φαινόμενα που μοιάζουν τεχνητά.
Μια φωτογραφία χαμηλής ανάλυσης μπορεί να κάνει ακόμη δυσκολότερη την αξιολόγηση.
Επομένως, τα οπτικά σημάδια είναι ενδείξεις.
Όχι αποδείξεις.
Το πιο επικίνδυνο deepfake ίσως να μην έχει εικόνα
Ας φανταστούμε ένα διαφορετικό σενάριο.
Χτυπά το τηλέφωνο.
Στην άλλη άκρη ακούγεται η φωνή ενός συγγενικού μας προσώπου.
Είναι ταραγμένο.
Μας λέει ότι έχει συμβεί κάτι σοβαρό και χρειάζεται επειγόντως χρήματα.
Η φωνή ακούγεται γνώριμη.
Ο τόνος, η προφορά και ο τρόπος ομιλίας μοιάζουν αυθεντικά.
Όμως ο άνθρωπος που ακούμε μπορεί να μην είναι εκείνος που νομίζουμε.
Η τεχνολογία κλωνοποίησης φωνής επιτρέπει τη δημιουργία συνθετικού ήχου που μιμείται συγκεκριμένα πρόσωπα.
Η αμερικανική Federal Trade Commission (FTC) έχει προειδοποιήσει για απάτες στις οποίες επιτήδειοι χρησιμοποιούν τέτοιες δυνατότητες για να υποδυθούν συγγενείς που δήθεν βρίσκονται σε κατάσταση έκτακτης ανάγκης.
Ακόμη και ένα σύντομο ηχητικό δείγμα από περιεχόμενο που έχει δημοσιευθεί στο Διαδίκτυο μπορεί, υπό ορισμένες συνθήκες, να αξιοποιηθεί για μίμηση φωνής.
Το κρίσιμο σημείο είναι ότι η αναγνώριση μιας γνώριμης φωνής δεν αρκεί πλέον ως απόδειξη ταυτότητας.
Αν δεχτούμε μια τέτοια κλήση, δεν στέλνουμε χρήματα επειδή απλώς αναγνωρίσαμε τη φωνή.
Κλείνουμε την κλήση και επικοινωνούμε εμείς με τον άνθρωπο, χρησιμοποιώντας αριθμό που ήδη γνωρίζουμε.
Αν δεν απαντήσει, προσπαθούμε να επιβεβαιώσουμε την κατάσταση μέσω άλλου έμπιστου προσώπου.
Η ανεξάρτητη επιβεβαίωση είναι πολύ πιο σημαντική από το πόσο αληθινός ακούγεται κάποιος.
Η μεγαλύτερη παγίδα: Μια πραγματική εικόνα μπορεί να λέει ένα ψεύτικο ψέμα
Υπάρχει κάτι που συχνά ξεχνάμε στη συζήτηση για τα deepfakes.
Δεν χρειάζεται μια φωτογραφία να είναι φτιαγμένη από AI για να μας παραπλανήσει.
Μια απολύτως πραγματική φωτογραφία μπορεί να δημοσιευθεί με ψεύτικη λεζάντα.
Ένα παλιό βίντεο μπορεί να παρουσιαστεί σαν να καταγράφηκε σήμερα.
Μια εικόνα από άλλη χώρα μπορεί να συνδεθεί με ένα γεγονός στην Ελλάδα.
Ένα αυθεντικό απόσπασμα μπορεί να κοπεί με τρόπο που αλλάζει εντελώς το νόημά του.
Και εδώ βρίσκεται ίσως η σημαντικότερη αλλαγή στον τρόπο που πρέπει να σκεφτόμαστε.
Η ερώτηση «Είναι φτιαγμένο με AI;» δεν είναι αρκετή.
Χρειαζόμαστε και άλλες ερωτήσεις.
Πότε δημιουργήθηκε;
Πού δημοσιεύθηκε αρχικά;
Ποιος ισχυρίζεται ότι δείχνει αυτό που βλέπουμε;
Υπάρχουν ανεξάρτητες πηγές που επιβεβαιώνουν το γεγονός;
Μια εικόνα μπορεί να είναι πραγματική και η ιστορία που τη συνοδεύει ψευδής.
Αυτός είναι ένας από τους λόγους για τους οποίους η επαλήθευση προέλευσης είναι πιο χρήσιμη από την απλή αναζήτηση τεχνικών ατελειών.
Ο πρακτικός οδηγός: Πώς ελέγχουμε μια ύποπτη φωτογραφία
Μπορούμε να εμπιστευτούμε αυτή την εικόνα;
5 έλεγχοι πριν πιστέψουμε ή κοινοποιήσουμε ένα περιεχόμενο
Ποιος δημοσίευσε το περιεχόμενο; Υπάρχει αρχικός δημιουργός ή αξιόπιστη αναφορά;
Χρησιμοποιούμε Google Lens για να βρούμε παλαιότερες εμφανίσεις ή διαφορετικές λεζάντες.
Μήπως πρόκειται για παλιά εικόνα που παρουσιάζεται ως σημερινό γεγονός;
Εξετάζουμε διαθέσιμα μεταδεδομένα και Content Credentials, χωρίς να τα θεωρούμε απόλυτη απόδειξη.
Υπάρχουν άλλες αξιόπιστες πηγές που επιβεβαιώνουν τον συγκεκριμένο ισχυρισμό;
Αν δεν μπορούμε να επαληθεύσουμε ένα σημαντικό γεγονός, δεν το κοινοποιούμε ως βέβαιο.
Ας περάσουμε από τη θεωρία στην πράξη.
Βλέπουμε μια εικόνα που παρουσιάζεται ως ντοκουμέντο ενός σημαντικού γεγονότος.
Πριν την κοινοποιήσουμε, μπορούμε να κάνουμε τα εξής.
Βήμα 1: Εξετάζουμε την αρχική πηγή
Ποιος δημοσίευσε τη φωτογραφία;
Πρόκειται για αναγνωρισμένο δημοσιογραφικό μέσο, επίσημο οργανισμό ή άγνωστο λογαριασμό;
Υπάρχει όνομα φωτογράφου ή αναφορά στην προέλευση;
Ένας λογαριασμός με πολλές κοινοποιήσεις δεν αποτελεί από μόνος του αξιόπιστη πηγή.
Ούτε μια εικόνα γίνεται αυθεντική επειδή εμφανίζεται σε χιλιάδες αναρτήσεις.
Βήμα 2: Κάνουμε αντίστροφη αναζήτηση εικόνας
Ένα από τα χρησιμότερα εργαλεία είναι το Google Lens.
Μπορούμε να αποθηκεύσουμε την εικόνα ή να χρησιμοποιήσουμε ένα στιγμιότυπο οθόνης και να πραγματοποιήσουμε αναζήτηση.
Στόχος δεν είναι απλώς να βρούμε παρόμοιες φωτογραφίες.
Είναι να ανακαλύψουμε αν η εικόνα είχε εμφανιστεί παλαιότερα και σε ποιο πλαίσιο.
Αν μια φωτογραφία παρουσιάζεται ως σημερινό γεγονός, αλλά βρίσκουμε την ίδια εικόνα δημοσιευμένη πριν από τρία χρόνια, έχουμε σοβαρό λόγο να αμφισβητήσουμε τον ισχυρισμό.
Βήμα 3: Χρησιμοποιούμε το «About this image» όπου είναι διαθέσιμο
Η Google διαθέτει τη λειτουργία «About this image», η οποία μπορεί να εμφανίζει πληροφορίες για την παρουσία μιας εικόνας στο Διαδίκτυο.
Ανάλογα με τη διαθεσιμότητα και τα στοιχεία που υπάρχουν, μπορεί να μας βοηθήσει να εξετάσουμε πού έχει εμφανιστεί, ποιο είναι το ιστορικό της και αν υπάρχουν σχετικά μεταδεδομένα.
Σε ορισμένες περιπτώσεις μπορεί επίσης να εντοπίζει συγκεκριμένα σήματα προέλευσης ή υδατογραφήματα AI.
Δεν πρόκειται για αλάνθαστο τεστ.
Είναι όμως ένα επιπλέον εργαλείο για να κατανοήσουμε το πλαίσιο μιας εικόνας.
Βήμα 4: Αναζητούμε ανεξάρτητη επιβεβαίωση
Αν μια φωτογραφία υποτίθεται ότι δείχνει ένα μεγάλο γεγονός, αναζητούμε αξιόπιστες αναφορές για το ίδιο περιστατικό.
Υπάρχουν διαφορετικές φωτογραφίες από το σημείο;
Υπάρχουν ανεξάρτητοι μάρτυρες ή δημοσιογραφικές ανταποκρίσεις;
Υπάρχει επίσημη ανακοίνωση;
Δεν σημαίνει ότι κάθε πραγματικό γεγονός θα έχει δημοσιευθεί αμέσως σε μεγάλα μέσα.
Αλλά όσο σημαντικότερος είναι ο ισχυρισμός, τόσο μεγαλύτερη ανάγκη έχουμε για επιβεβαίωση.
Βήμα 5: Εξετάζουμε τα μεταδεδομένα, χωρίς να τα υπερεκτιμούμε
Ορισμένα αρχεία εικόνας περιέχουν πληροφορίες όπως ημερομηνία λήψης, τύπο συσκευής ή λογισμικό επεξεργασίας.
Αυτές οι πληροφορίες μπορούν να βοηθήσουν.
Όμως μπορούν να τροποποιηθούν ή να αφαιρεθούν.
Επιπλέον, πολλές πλατφόρμες κοινωνικής δικτύωσης αφαιρούν μεταδεδομένα κατά την επεξεργασία ή επαναδημοσίευση αρχείων.
Η απουσία μεταδεδομένων δεν αποδεικνύει ότι μια εικόνα είναι ψεύτικη.
Και η παρουσία τους δεν εγγυάται ότι το γεγονός που παρουσιάζεται συνέβη όπως περιγράφεται.
Βήμα 6: Εξετάζουμε το συναίσθημα που προσπαθεί να προκαλέσει
Μια εικόνα που μας προκαλεί έντονο θυμό, φόβο ή συγκίνηση μπορεί να μας ωθήσει να τη μοιραστούμε πριν την ελέγξουμε.
Αυτό δεν σημαίνει ότι κάθε συγκινητική εικόνα είναι ψεύτικη.
Σημαίνει ότι οι ισχυρές συναισθηματικές αντιδράσεις είναι ένας καλός λόγος να καθυστερήσουμε την κοινοποίηση μέχρι να εξετάσουμε την προέλευση.
Μπορούν τα ειδικά εργαλεία ανίχνευσης AI να μας πουν την αλήθεια;
Υπάρχουν υπηρεσίες που επιχειρούν να αναγνωρίσουν αν μια εικόνα, ένα βίντεο ή ένας ήχος δημιουργήθηκε ή αλλοιώθηκε με AI.
Μπορούν να είναι χρήσιμες.
Αλλά έχουν περιορισμούς.
Η ακρίβειά τους μπορεί να αλλάζει ανάλογα με το μοντέλο που δημιούργησε το περιεχόμενο, τον τύπο του αρχείου, τη συμπίεση και τις επεξεργασίες που έχουν πραγματοποιηθεί.
Μια πραγματική εικόνα μπορεί να χαρακτηριστεί λανθασμένα ως συνθετική.
Μια συνθετική εικόνα μπορεί να μην αναγνωριστεί.
Έρευνα του 2026 για την ανίχνευση deepfakes σε εικόνα, βίντεο και ήχο επισημαίνει τις δυσκολίες γενίκευσης των συστημάτων ανίχνευσης σε διαφορετικές συνθήκες.
Γι’ αυτό δεν πρέπει να χρησιμοποιούμε ένα αποτέλεσμα τύπου «92% πιθανότητα AI» ως τελεσίδικη απόδειξη.
Χρειάζεται να γνωρίζουμε τι ακριβώς μετρά το εργαλείο, πώς έχει αξιολογηθεί και ποια είναι τα όριά του.
Ένας ανιχνευτής μπορεί να μας προσφέρει ένδειξη. Δεν πρέπει να αποτελεί τον μοναδικό κριτή της αλήθειας.
Content Credentials: Μια πιο ουσιαστική προσέγγιση
Μια σημαντική τεχνολογική προσπάθεια είναι το πρότυπο C2PA και τα Content Credentials.
Η ιδέα είναι διαφορετική από την παραδοσιακή ανίχνευση AI.
Αντί να εξετάζουμε μόνο την εμφάνιση μιας εικόνας και να προσπαθούμε να μαντέψουμε αν είναι πραγματική, μπορούμε —όταν υπάρχουν κατάλληλα στοιχεία— να ελέγξουμε πληροφορίες για την προέλευσή της.
Τα Content Credentials μπορούν να περιλαμβάνουν κρυπτογραφικά επαληθεύσιμες πληροφορίες για τη δημιουργία ή την επεξεργασία ψηφιακού περιεχομένου.
Για παράδειγμα, μπορεί να υπάρχουν ενδείξεις για το εργαλείο που χρησιμοποιήθηκε ή για συγκεκριμένες αλλαγές που πραγματοποιήθηκαν.
Όμως υπάρχουν δύο σημαντικοί περιορισμοί.
Πρώτον, δεν διαθέτουν όλες οι εικόνες τέτοια στοιχεία.
Δεύτερον, τα στοιχεία προέλευσης δεν αποδεικνύουν από μόνα τους ότι όσα παρουσιάζει μια εικόνα είναι αληθινά.
Αυτό αναφέρεται ξεκάθαρα και στην επίσημη τεκμηρίωση του C2PA.
Μια φωτογραφία μπορεί να έχει επαληθεύσιμη προέλευση, αλλά να παρουσιάζεται με ψευδή λεζάντα.
Αντίστοιχα, μια εικόνα χωρίς Content Credentials δεν είναι υποχρεωτικά ψεύτικη.
Το μέλλον της επαλήθευσης πιθανότατα θα βασίζεται στον συνδυασμό διαφορετικών στοιχείων και όχι σε ένα μόνο τεχνολογικό εργαλείο.
Και τι γίνεται με τα παιδιά;
Για έναν ενήλικα, η αναγνώριση παραπλανητικού περιεχομένου μπορεί ήδη να είναι δύσκολη.
Για ένα παιδί, το ζήτημα είναι ακόμη πιο σύνθετο.
Τα παιδιά μεγαλώνουν σε έναν κόσμο όπου μπορούν να δουν έναν φανταστικό χαρακτήρα να μιλά σαν πραγματικός άνθρωπος, μια ανύπαρκτη πόλη να μοιάζει φωτογραφημένη και ένα βίντεο να παρουσιάζει γεγονότα που δεν συνέβησαν.
Δεν χρειάζεται να τους δημιουργήσουμε φόβο για την τεχνολογία.
Χρειάζεται να τους μάθουμε να κάνουν ερωτήσεις.
Αντί να ρωτάμε απλώς «Είναι αληθινό αυτό;», μπορούμε να συζητάμε:
«Ποιος το έφτιαξε;»
«Πού το βρήκαμε;»
«Πώς θα μπορούσαμε να ελέγξουμε αν συνέβη πραγματικά;»
«Μήπως κάποιος το δημιούργησε για να μας κάνει να πιστέψουμε κάτι;»
Μπορούμε ακόμη να δημιουργήσουμε μαζί τους μια φανταστική εικόνα με AI.
Να τους δείξουμε ότι μια εικόνα μπορεί να είναι εντυπωσιακή, καλοφτιαγμένη και απολύτως συνθετική.
Αυτή η εμπειρία μπορεί να γίνει αφετηρία ψηφιακής παιδείας.
Το ζητούμενο δεν είναι να μάθουν ότι όλα είναι ψεύτικα.
Είναι να καταλάβουν ότι το να βλέπουμε κάτι δεν αρκεί πάντοτε για να γνωρίζουμε αν συνέβη.
Η δημοσιογραφία έχει ακόμη μεγαλύτερη ευθύνη
Η άνοδος του συνθετικού περιεχομένου δημιουργεί μια νέα πρόκληση για τα μέσα ενημέρωσης.
Μια φωτογραφία δεν πρέπει να δημοσιεύεται ως πραγματικό ντοκουμέντο μόνο επειδή μοιάζει πειστική.
Χρειάζεται έλεγχος της πηγής, του πλαισίου και, όπου είναι εφικτό, της αυθεντικότητας του αρχείου.
Ταυτόχρονα, η χρήση AI για δημιουργική εικονογράφηση δεν είναι απαραίτητα προβληματική.
Ένα τεχνολογικό άρθρο μπορεί να συνοδεύεται από μια συνθετική εικόνα που αποδίδει οπτικά το θέμα.
Αρκεί να μην παρουσιάζεται ως φωτογραφική καταγραφή πραγματικού γεγονότος.
Η διαφάνεια είναι σημαντική.
Γιατί υπάρχει και ένας δεύτερος κίνδυνος: όσο περισσότερες ψεύτικες εικόνες κυκλοφορούν, τόσο ευκολότερο γίνεται για κάποιον να ισχυριστεί ότι μια πραγματική εικόνα είναι κατασκευασμένη.
Η γενικευμένη δυσπιστία μπορεί να γίνει εξίσου προβληματική με την αφελή εμπιστοσύνη.
Δεν θέλουμε έναν κόσμο στον οποίο πιστεύουμε τα πάντα.
Αλλά ούτε έναν κόσμο στον οποίο δεν μπορούμε να αποδεχτούμε κανένα αποδεικτικό στοιχείο.
Η λύση βρίσκεται στην τεκμηρίωση.
Το τεστ των 30 δευτερολέπτων πριν από κάθε κοινοποίηση
Δεν χρειάζεται να γίνουμε ειδικοί στην ψηφιακή εγκληματολογία.
Μπορούμε όμως να υιοθετήσουμε μια μικρή συνήθεια.
Όταν βλέπουμε μια εντυπωσιακή εικόνα, ένα βίντεο ή μια ανάρτηση που μας καλεί να αντιδράσουμε αμέσως, κάνουμε τέσσερις ερωτήσεις:
Ποιος το δημοσίευσε;
Πότε και πού δημιουργήθηκε;
Υπάρχει ανεξάρτητη επιβεβαίωση;
Τι ακριβώς αποδεικνύει το περιεχόμενο — και τι απλώς ισχυρίζεται η λεζάντα;
Αν δεν έχουμε απαντήσεις, δεν χρειάζεται να αποφασίσουμε αμέσως ότι είναι ψεύτικο.
Μπορούμε απλώς να μην το κοινοποιήσουμε μέχρι να γνωρίζουμε περισσότερα.
Αυτό δεν είναι υπερβολική καχυποψία.
Είναι υπεύθυνη ψηφιακή συμπεριφορά.
Συμπέρασμα: Το πραγματικό δεν εξαφανίστηκε. Απλώς χρειάζεται περισσότερη απόδειξη.
Η τεχνητή νοημοσύνη μάς έδωσε μια εντυπωσιακή δημιουργική δυνατότητα.
Μπορούμε να κατασκευάσουμε εικόνες, να αφηγηθούμε ιστορίες και να οπτικοποιήσουμε ιδέες που παλαιότερα απαιτούσαν σημαντικούς πόρους.
Αυτή είναι η θετική πλευρά της τεχνολογίας.
Όμως, μαζί με τη δημιουργικότητα, εμφανίστηκε και μια νέα ευθύνη.
Να μη θεωρούμε μια εικόνα απόδειξη μόνο και μόνο επειδή μοιάζει με φωτογραφία.
Να μη θεωρούμε μια φωνή αυθεντική μόνο και μόνο επειδή ακούγεται γνώριμη.
Να μη θεωρούμε ένα βίντεο αληθινό μόνο και μόνο επειδή παρουσιάζει κάτι με πειστικό τρόπο.
Και να μη χρησιμοποιούμε την ύπαρξη των deepfakes ως δικαιολογία για να απορρίπτουμε κάθε πραγματικό τεκμήριο.
Το ερώτημα δεν είναι αν πρέπει να σταματήσουμε να εμπιστευόμαστε όσα βλέπουμε.
Είναι αν είμαστε διατεθειμένοι να μάθουμε να τα ελέγχουμε καλύτερα.
Γιατί στην εποχή της AI, η πιο σημαντική ψηφιακή δεξιότητα ίσως να μην είναι να δημιουργούμε εντυπωσιακές εικόνες.
Ίσως να είναι να γνωρίζουμε πότε μια εικόνα αξίζει την εμπιστοσύνη μας.
Η Apple είναι
μόνο η αρχή.
Ειδήσεις, αναλύσεις, οδηγοί, τεχνολογία και podcasts. Μια ανεξάρτητη κοινότητα που εξερευνά όσα αξίζουν την προσοχή μας.
Ακολουθήστε στο Google ↗
AppleWorldHellas Podcast
Η Apple, η τεχνολογία και οι ιστορίες πίσω από τις εξελίξεις. Με ανεξάρτητη ματιά, συζήτηση και άποψη.
