UCLA dùng chip quang học sàng lọc deepfake với độ chính xác gần 98%
Bộ xử lý lai quang học và mạng nơ-ron sàng lọc nhiều video cùng lúc, tiết kiệm năng lượng; kết quả cần được đọc đúng bối cảnh.
Nội dung bài viết
Các nhà nghiên cứu tại UCLA, nhóm do giáo sư Aydogan Ozcan dẫn dắt, vừa công bố một bộ xử lý lai quang học – mạng nơ-ron có thể sàng lọc video deepfake với độ chính xác gần 98%, đồng thời tiết kiệm năng lượng hơn hệ thống số thuần túy. Nghiên cứu được đăng trên tạp chí eLight và được nhiều trang tin khoa học đưa tin đầu tháng 10/2026.
Ý tưởng: để ánh sáng làm một phần phép tính
Thay vì đưa toàn bộ video vào GPU, hệ thống dùng các lớp quang học (diffractive layers) để xử lý tín hiệu ngay khi ánh sáng đi qua, rồi một mạng nơ-ron số nhỏ hoàn thiện quyết định. Phần tính toán do ánh sáng đảm nhận gần như không tốn năng lượng, giúp sàng lọc nhiều luồng video cùng lúc.
Kết quả được công bố
| Thử nghiệm | Kết quả |
|---|---|
| Sàng lọc đồng thời 15 video (bộ Celeb-DF) | Độ chính xác 97,79%; độ nhạy 99,86%; độ đặc hiệu 95,72% |
| Mở rộng lên 18 video cùng lúc | 96,13% |
| Video tạo bởi Google Veo 3, sau khi tinh chỉnh với 50 video | 94,80% trên tập kiểm tra 105 video thật và 105 video giả |
| Deepfake khó hơn, thêm 2 lớp nhiễu xạ | Tăng từ 89,0% lên 95,8% |
| Năng lượng so với hệ thống số đối chứng | Thấp hơn khoảng 37,8–41,7% (cấu hình tiết kiệm nhất giảm độ chính xác) |
Cần đọc kết quả thế nào?
- Con số "98%" là làm tròn của 97,79% trên một bộ dữ liệu cụ thể, không phải độ chính xác với mọi loại deepfake.
- Với công cụ tạo video mới (Veo 3), hệ thống cần tinh chỉnh mới đạt kết quả tốt. Đây là thách thức chung của mọi bộ phát hiện deepfake: kẻ tạo giả liên tục đổi công cụ.
- Các tác giả định vị chip là tầng sàng lọc đầu tiên rất nhạy, chuyển các video nghi ngờ cho hệ thống phân tích kỹ hơn, không thay thế phần mềm.
- Đây là kết quả phòng thí nghiệm từ một bài báo, chưa phải sản phẩm triển khai thực tế.
Góc nhìn cho người học Computer Vision
- Độ nhạy và độ đặc hiệu quan trọng hơn "độ chính xác" chung. Một bộ lọc tầng đầu cần độ nhạy rất cao (ít bỏ sót), chấp nhận báo nhầm nhiều hơn, giống hệt cách đặt ngưỡng trong kiểm tra lỗi sản phẩm ở nhà máy.
- Tính toán quang học là hướng nghiên cứu thú vị giao giữa quang học và AI, gần với kiến thức ống kính, ánh sáng mà Vision Engineer vẫn dùng.
- Khái quát hóa (generalization) sang dữ liệu mới vẫn là bài toán khó nhất của AI Vision.
