Jak sprawdzić, czy zdjęcie jest z AI: test 17 obrazów i metadanych
Jak sprawdzić, czy zdjęcie jest z AI: test 17 obrazów
Zdjęcie na ekranie wygląda jak zwykła fotografia, ale coraz częściej powstaje w generatorze, a nie w aparacie. Pytanie, jak sprawdzić, czy zdjęcie jest z AI, przestało być ciekawostką dla specjalistów od kryminalistyki cyfrowej i stało się codziennym problemem dziennikarzy, moderatorów, sprzedawców i zwykłych użytkowników. W praktyce odpowiedź rzadko brzmi „tak” albo „nie”. Znacznie częściej jest to ocena prawdopodobieństwa oparta na kilku niezależnych sygnałach. Właśnie dlatego sprawdziliśmy 17 obrazów w trzech wersjach każdy, a wyniki zestawiliśmy w osobnym materiale: test zdjęć AI pokazuje, co wyłapują metadane, co widzi detektor i w których miejscach obie metody zawodzą. Ten tekst opisuje te wnioski od strony praktyki, czyli tego, co można realnie sprawdzić samodzielnie i jak interpretować wynik.
Warto od razu rozdzielić dwa pojęcia, które w rozmowach często się mieszają. Pierwsze to dowód pochodzenia, czyli informacja zapisana w pliku przez narzędzie, które wygenerowało lub zarejestrowało obraz. Drugie to ocena statystyczna, czyli wynik modelu, który szacuje, na ile piksele przypominają obrazy wytworzone przez sieci neuronowe. Dowód pochodzenia, jeśli istnieje i jest podpisany, bywa jednoznaczny. Ocena statystyczna jest tylko wskazówką. Błąd polega na traktowaniu wskazówki jak wyroku, a braku dowodu jak dowodu niewinności.
W naszym teście obie strony tej różnicy były widoczne. Wszystkie dziewięć wygenerowanych obrazów w oryginale niosło podpis kryptograficzny, a detektor oparty na sieci neuronowej trafnie wskazał osiem z dziewięciu. Jednocześnie po zwykłym przycięciu i ponownym zapisie podpisy znikały, a model nadal działał, choć z mniejszą pewnością. Jeden z nowszych obrazów przeszedł przez detektor niezauważony w każdej wersji. Taki obraz nie jest wyjątkiem w świecie zdjęć cyfrowych, tylko normalnym stanem rzeczy, który trzeba uwzględniać w każdej procedurze.
Granice metod weryfikacji zdjęć
Żadna pojedyncza metoda nie daje pewności stuprocentowej i nie należy oczekiwać, że kiedykolwiek będzie inaczej. Metadane mogą zostać usunięte, detektory uczą się na obrazach generatorów, które już istnieją, a oko ludzkie łatwo nabiera się na dobrze wykonany obraz. Każda metoda ma inny profil błędów. Metadane są precyzyjne, gdy są obecne, i milczą, gdy zostały skasowane. Detektory są czułe na zmiany w pikselach, ale mylą się przy nowych modelach i przy zdjęciach mocno obrobionych. Analiza wizualna wymaga doświadczenia i łatwo ulega sugestii.
Dlatego sensowna weryfikacja zawsze opiera się na kilku źródłach informacji naraz. Wynik jednej metody traktuje się jako punkt wyjścia do dalszej pracy, a nie jako ostateczną odpowiedź. Taka postawa wydaje się mniej efektowna niż jednoznaczny werdykt, ale chroni przed najczęstszym błędem, czyli publikowaniem lub odrzucaniem materiału na podstawie jednego wskaźnika.
Warto też pamiętać, że pytanie „czy to AI” bywa w praktyce pytaniem o intencję i kontekst. Zdjęcie może być prawdziwe, ale zmanipulowane, albo wygenerowane częściowo, na przykład z dorysowanym tłem. Metody opisane poniżej najlepiej wychwytują całkowitą generację, znacznie słabiej radzą sobie z subtelnymi edycjami. To ograniczenie trzeba mieć przed oczami, zanim zacznie się wyciągać wnioski.
Trzy wersje tego samego pliku jako punkt wyjścia
Jednym z najciekawszych wniosków z testu jest to, że ta sama fotografia zachowuje się zupełnie inaczej w zależności od tego, w jakiej postaci do nas dotarła. Oryginał z aparatu lub generatora zawiera najwięcej śladów. Po edycji w programie graficznym część tych śladów znika, a po wysłaniu przez komunikator lub serwis społecznościowy zostaje zwykle najmniej. Kolejne etapy przetwarzania nie tylko kasują informacje, ale też zmieniają piksele, na których pracuje detektor.
Ma to konkretne konsekwencje dla procedury. Jeśli pracujesz na zrzucie ekranu, zrzut ekranu już sam w sobie jest nową kopią, a nie oryginałem. Jeśli dostajesz obraz z rozmowy, najpewniej przeszedł kompresję. Dlatego pierwsze pytanie, jakie warto zadać, brzmi: skąd ten plik pochodzi i w jakiej postaci go otrzymałem. Odpowiedź na nie często decyduje, które metody w ogóle mają sens.
Platformy społecznościowe i komunikatory zmieniają plik w sposób przewidywalny: zmniejszają rozdzielczość, ponownie kompresują i usuwają dane pomocnicze. Ten wzór można zapamiętać jako zasadę. Im dalej od źródła, tym mniej metadanych i tym bardziej wiarygodna musi być analiza samych pikseli.
Pojęcia, których warto używać w rozmowie z zespołem
Zanim zaczniesz porównywać wyniki, przydaje się wspólny słownik. Metadane to informacje dołączone do pliku: dane aparatu w EXIF, pola opisowe w XMP oraz manifesty w standardzie C2PA. Podpis kryptograficzny oznacza, że treść manifestu została podpisana certyfikatem wystawcy, dzięki czemu wiadomo, kto go złożył, i widać, czy plik nie został zmieniony po podpisaniu. Detekcja statystyczna to ocena oparta na modelu, który nauczył się odróżniać rozkłady pikseli charakterystyczne dla obrazów syntetycznych od tych z fotografii.
Osobno trzeba znać pojęcia błędów. Fałszywy pozytyw to sytuacja, w której prawdziwe zdjęcie zostaje uznane za wygenerowane. Fałszywy negatyw to odwrotność: obraz z AI przechodzi jako autentyczny. W weryfikacji treści oba błędy mają inną wagę. Fałszywy pozytyw może skrzywdzić autora i podważyć wiarygodność redakcji, a fałszywy negatyw może pozwolić na rozpowszechnienie dezinformacji. Dobra procedura uwzględnia oba ryzyka, a nie tylko jedno z nich.
Metadane C2PA i EXIF: co naprawdę zawierają i czego nie zawierają
Standard C2PA, czyli Content Credentials, to sposób zapisywania w pliku historii jego powstania. Manifest zawiera listę działań, na przykład utworzenia obrazu, edycji czy przycięcia, oraz informację o użytym narzędziu. Jeżeli generator dodaje do obrazu wpis typu, który oznacza treść syntetyczną, widać to bezpośrednio w manifeście. W naszym teście obrazy generowane przez modele Google i OpenAI niosły taki podpis z nazwą wystawcy i informacją o modelu, co daje najmocniejszy rodzaj dowodu, jaki w ogóle jest dostępny.
Trzeba jednak rozumieć, jak ten łańcuch zaufania działa w praktyce. Podpis dotyczy konkretnej wersji pliku. Każda zmiana, nawet niewielkie przycięcie zrobione w edytorze, może usunąć manifest, jeśli narzędzie nie zachowa go przy zapisie. Brak manifestu nie oznacza więc, że obraz powstał w aparacie. Oznacza tylko, że w tej konkretnej kopii nie został zachowany żaden zapis historii. To rozróżnienie jest kluczowe, bo wielu użytkowników bierze nieobecność podpisu za dowód autentyczności.
EXIF to starszy i prostszy zapis, zawierający markę i model aparatu, datę wykonania, ustawienia ekspozycji oraz wersję oprogramowania. W prawdziwych zdjęciach z aparatów i telefonów te pola zwykle są wypełnione. Ich obecność jest dobrym sygnałem, ale nie gwarantem, bo EXIF łatwo wyedytować lub wyczyścić. Co więcej, nawet obecny EXIF może sugerować aparat, którego autor w rzeczywistości nie używał. Dlatego pola techniczne należy traktować jako tło, a nie jako dowód.
Warto też wiedzieć, że brak EXIF jest zupełnie normalny dla wielu prawdziwych zdjęć. Zrzuty ekranu, skany, grafiki eksportowane z programów i obrazy po przejściu przez komunikatory często nie mają żadnych danych technicznych. Wniosek, że brak EXIF oznacza generację przez AI, byłby błędny i prowadziłby do fałszywych oskarżeń. Metadane pomagają wtedy tylko wtedy, gdy są obecne, a ich nieobecność przesuwa ciężar dowodu na inne metody.
Obecność podpisu w pliku jest mocnym dowodem, a jego brak jest jedynie informacją o tym, że w tej konkretnej kopii nie zachowano historii pochodzenia.
Jak odczytać wyniki testu metadanych
W naszym zestawie wszystkie dziewięć obrazów wygenerowanych przez AI miało manifest C2PA w oryginale. Podpisy wskazywały producenta oraz typ źródła oznaczony jako treść algorytmiczna. Prawdziwe zdjęcia z aparatów miały natomiast pola EXIF z danymi urządzenia. Ta różnica była najczytelniejszym sygnałem w całym teście, o ile plik nie został wcześniej przetworzony.
Najciekawszy był przypadek zdjęcia z nowego smartfona, które zostało podpisane już w momencie wykonania przez sam aparat telefonu. Manifest wskazywał na zarejestrowanie obrazu przez aparat z obróbką obliczeniową, a nie na generację. To pokazuje, że podpis może także potwierdzać autentyczność, a nie tylko jej brak. Takie przypadki są jeszcze rzadkie, ale w przyszłości mogą stać się standardem, co zmieni sposób weryfikacji.
Metadane zawodzą też w odwrotnym kierunku. Obraz wygenerowany, a następnie zapisany ponownie w edytorze, traci manifest i pozostaje bez śladu. Prawdziwe zdjęcie, które przeszło przez narzędzie usuwające EXIF, również wygląda na anonimowe. Dlatego wyniki metadanych należy zawsze czytać razem z informacją o tym, jak plik został przetworzony po drodze.
Detektory AI: co wyłapują i na jakich zasadach działają
Detektory oparte na sieciach neuronowych nie szukają podpisów. Analizują bezpośrednio piksele i szukają wzorców, które są typowe dla obrazów syntetycznych. Model uczy się takich wzorców na dużych zbiorach zdjęć prawdziwych i wygenerowanych, a następnie ocenia nowy plik jako prawdopodobieństwo pochodzenia z AI. Zaletą tego podejścia jest niezależność od metadanych, a wadą to, że wynik jest tylko szacunkiem.
Do typowych sygnałów należą nienaturalne tekstury, błędy w strukturze drobnych elementów, takich jak włosy, zęby, palce czy tekst na szyldach, a także niespójności w oświetleniu i cieniach. Część detektorów korzysta też z analizy częstotliwościowej, czyli bada rozkład szumu i drobnych detali, których prawdziwy sensor aparatu zostawia zwykle więcej niż generator. Te cechy są widoczne głównie w pełnej rozdzielczości, dlatego przycinanie i kompresja mogą je zamazać.
W naszym teście detektor trafnie wskazał osiem z dziewięciu obrazów wygenerowanych, z wysoką pewnością w większości przypadków. Równocześnie zaliczył jeden z nowszych obrazów jako autentyczny w każdej wersji. Wśród prawdziwych zdjęć pojawiły się fałszywe alarmy, zwłaszcza przy zdjęciach mocno obrobionych i w przypadkach, gdy model oceniał tylko fragment kadru. Wniosek jest prosty: wysoki wynik detektora powinien skłaniać do dalszej analizy, a nie do ostatecznego osądu. Jeśli chcesz sprawdzić, jak te metody radzą sobie z własnymi materiałami, możesz skorzystać z test zdjęć AI, który pozwala porównać wyniki na różnych plikach i zobaczyć, jak zmieniają się odpowiedzi po przycięciu lub ponownym zapisie.
Wpływ edycji na wynik był w teście bardzo wyraźny. Przycięcie jednego zdjęcia z telefonu podniosło ocenę z umiarkowanie niskiej do wysokiej, bo model zaczął widzieć inny fragment obrazu. To pokazuje, że wynik detektora zależy od tego, co dokładnie zostało mu przekazane. Dlatego warto sprawdzać oryginał bez przycinania i, jeśli to możliwe, porównać kilka kopii z różnych źródeł.
Gdzie metadane i detektor się mylą: analiza rozbieżności
Najbardziej pouczające są przypadki, w których metody dają sprzeczne wyniki. Zdarza się, że metadane mówią jasno o generacji, a detektor ocenia obraz jako autentyczny. Zdarza się też odwrotnie: prawdziwe zdjęcie bez żadnych danych zostaje uznane przez model za syntetyczne. Każdy z tych przypadków wymaga innego wyjaśnienia, a ich analiza uczy, jak czytać wyniki.
Prawdziwe fotografie są najczęściej oznaczane jako AI wtedy, gdy przeszły intensywną obróbkę, retusz skóry, wyostrzanie lub silną redukcję szumu. Te operacje zmieniają rozkład pikseli w sposób przypominający generację. Podobny efekt daje skanowanie negatywów, kadrowanie do bardzo małych fragmentów i kompresja w niskiej jakości. W takich przypadkach wynik detektora mówi więcej o procesie przetwarzania niż o źródle obrazu.
Obrazy wygenerowane przez AI mogą nie mieć żadnych śladów w metadanych, zwłaszcza gdy zostały zapisane ponownie przez zewnętrzne narzędzie lub przesłane przez komunikator. W takiej sytuacji jedynym sygnałem bywa wynik modelu, który sam w sobie jest niepewny. Dlatego wniosek z nieobecności podpisu powinien zawsze uwzględniać, skąd plik przyszedł i czy ktoś mógł go wcześniej przetwarzać.
Wnioski dla procesu weryfikacji są więc takie, że metody należy łączyć, a ich kolejność ma znaczenie. Najpierw warto ustalić pochodzenie pliku i sprawdzić, czy istnieje wcześniejsza wersja. Następnie odczytać metadane, potem wykonać analizę detektorem, a na końcu przyjrzeć się szczegółom. Każdy sygnał jest wstępny, dopóki nie zostanie potwierdzony przez inny. Taka praca jest wolniejsza, ale daje wyniki, którym można zaufać.
Jak wybrać metodę i na co patrzeć: kryteria oceny
Przy wyborze narzędzia do odczytu metadanych liczy się przede wszystkim obsługa standardu C2PA, czytelność raportu i możliwość eksportu wyniku. Dobre narzędzie pokazuje nie tylko, czy manifest istnieje, ale także kto go podpisał, jakie działania zapisał i czy podpis jest ważny. Warto sprawdzić, czy narzędzie czyta jednocześnie EXIF i XMP, bo różne generatory zapisują informacje w różnych miejscach. Ograniczeniem jest zwykle lista obsługiwanych formatów, więc przed analizą trzeba upewnić się, że plik w ogóle da się odczytać.
Przy detektorach kryteria są inne. Najpierw trzeba zapytać, jakie są deklarowane wyniki i na jakim zbiorze danych je sprawdzono. Równie ważna jest informacja o tym, jak często model jest aktualizowany, bo nowe generatory pojawiają się szybko, a stary detektor może je przeoczać. Transparentność metodologii, czyli jasny opis tego, co model analizuje i jak podaje wynik, odróżnia narzędzie użyteczne od czarnej skrzynki.
- Sprawdź, czy narzędzie odczytuje manifest C2PA i pokazuje ważność podpisu.
- Porównaj dane EXIF z tym, co wiesz o źródle obrazu.
- Oceń detektor na kopii w pełnej rozdzielczości, a nie tylko na zrzucie ekranu.
- Zwróć uwagę na datę ostatniej aktualizacji modelu detekcji.
- Zapisz wyniki każdego kroku, żeby móc je później zweryfikować.
Procedura weryfikacji krok po kroku wygląda następująco. Pierwszy etap to ustalenie najwcześniejszej dostępnej wersji pliku, czyli oryginału z aparatu, z generatora lub z pierwszej publikacji. Drugi etap to odczyt metadanych i zapisanie tego, co zostało znalezione albo czego brakuje. Trzeci etap to analiza detektorem, najlepiej na kilku kopiach. Czwarty to przyjrzenie się szczegółom i kontekstowi. Każdy etap może zająć od kilku minut do godziny, w zależności od tego, czy trzeba szukać źródła.
Dokumentowanie wyników ma znaczenie szczególnie wtedy, gdy decyzja dotyczy publikacji, sprzedaży lub sporu. Warto zapisać, z jakiej postaci pliku korzystano, jakie narzędzia zastosowano, jakie wyniki zwróciły i jakie wnioski z nich wyciągnięto. Taka notatka pozwala wrócić do sprawy, wyjaśnić jej przebieg i pokazać, że ocena nie była przypadkowa.
Typowe błędy w weryfikacji zdjęć i jak ich uniknąć
Najczęstszym błędem jest zaufanie do jednego wyniku. Zespoły, które mają tylko detektor, często traktują jego ocenę jak wyrok, a tym samym mylą się w obu kierunkach. Rozwiązaniem jest wielowarstwowa ocena, w której każdy sygnał ma swoją wagę, a wniosek formułuje się dopiero po zestawieniu wszystkich źródeł. Pojedynczy wynik może wskazać kierunek, ale nie powinien zamykać sprawy.
Drugim błędem jest praca na kopiach po kompresji i wielokrotnym zapisie, bez świadomości, że mogły one stracić część informacji. Analiza takiej kopii daje wynik, który dotyczy kopii, a nie oryginału. Zasada jest prosta: zawsze zachowuj najwcześniejszą wersję pliku i porównuj wyniki na tej samej postaci obrazu. Jeśli to niemożliwe, zapisz w notatce, że analizujesz kopię, bo to zmienia wagę wniosków.
Trzeci błąd to interpretowanie braku danych jako dowodu. Brak EXIF lub manifestu nie mówi nic o pochodzeniu obrazu, dopóki nie wiadomo, jak plik był przetwarzany. Dobrze jest formułować wnioski z zachowaniem niepewności, na przykład: „metadane nie pozwalają ustalić pochodzenia, a wynik detektora sugeruje dalszą analizę”. Takie sformułowanie jest mniej efektowne, ale uczciwe i odporne na późniejsze korekty.
Jakie zadania rozwiązuje serwis do sprawdzania zdjęć
Na koniec warto wrócić do tego, po co w ogóle sięgać po narzędzia. Serwis do weryfikacji zdjęć pod kątem pochodzenia z AI porządkuje trzy zadania: odczyt metadanych, ocenę statystyczną i zebranie śladów, które pozwalają przejść od pojedynczego pliku do jego historii. Dla redakcji oznacza to szybszą selekcję materiałów przed publikacją. Dla sprzedawców i platform oznacza to możliwość wychwycenia obrazów, które mogą wprowadzać klientów w błąd. Dla zwykłego użytkownika to sposób na ocenę tego, co trafia do jego skrzynki lub feedu.
Każde z tych zadań ma jednak swoje granice, o których była mowa wcześniej. Narzędzie nie zastąpi kontekstu, a wynik nie zastąpi decyzji człowieka. Najbardziej wartościowe jest połączenie automatycznej analizy z ostrożnym wnioskowaniem, które uwzględnia, skąd pochodzi plik i co może się z nim działo po drodze.
Warto też zaznaczyć, że sytuacja szybko się zmienia. Standardy podpisów będą się rozwijać, generatory będą zostawiać coraz bardziej trwałe ślady, a detektory będą musiały nadążać za nowymi modelami. Dlatego procedura, którą opisujemy, nie jest zbiorem sztywnych reguł, lecz sposobem myślenia: zbieraj sygnały, sprawdzaj ich pochodzenie i nie wyciągaj wniosków szybciej, niż pozwala na to materiał.
Podsumowanie: jak rozsądnie podejść do pytania o AI
Pytanie, jak sprawdzić, czy zdjęcie jest z AI, nie ma jednej odpowiedzi, ale ma sprawdzony schemat. Najpierw ustal, skąd pochodzi plik i w jakiej postaci do ciebie dotarł. Następnie odczytaj metadane, pamiętając, że ich obecność jest mocnym dowodem, a nieobecność niczego nie przesądza. Potem przepuść obraz przez detektor, najlepiej na oryginale i bez przycinania, i traktuj wynik jako wskazówkę. Na końcu przyjrzyj się szczegółom i kontekstowi, bo często to właśnie one rozstrzygają sprawę.
Najważniejsza lekcja z naszego testu jest taka, że żadna metoda nie działa samodzielnie. Podpisy są precyzyjne, ale łatwe do utracenia. Detektory są czułe, ale nie nieomylne. Oko i kontekst są potrzebne, ale wymagają czasu. Połączenie tych narzędzi daje wynik wiarygodny w praktyce, a jego uczciwe opisanie chroni przed błędnymi oskarżeniami i przed przepuszczeniem prawdziwej dezinformacji. Jeśli zapamiętasz jedną zasadę, niech będzie nią ta: nie wyciągaj wniosku z jednego sygnału, a zanim zdecydujesz, sprawdź, w jakiej postaci masz przed sobą obraz.