Un equipo de la Universidad de California en Los Ángeles (UCLA) construyó un procesador que usa luz en lugar de chips digitales para detectar videos falsos generados con inteligencia artificial (IA). El sistema identificó deepfakes con una precisión promedio de 97,79% mientras analizaba 15 videos al mismo tiempo, según un estudio publicado en la revista científica eLight. El avance responde a un problema que crece a la par de la inteligencia artificial generativa: los videos sintéticos son cada vez más realistas y más difíciles de distinguir de las grabaciones reales, lo que exige sistemas de detección capaces de operar a gran escala sin perder precisión. La investigación, firmada por Parnian Ghapandar Kashani, Shiqi Chen y el profesor Aydogan Ozcan, describe un dispositivo híbrido que combina un procesamiento digital liviano con una etapa óptica que hace buena parte del trabajo pesado. Los autores pertenecen a los departamentos de Ingeniería Eléctrica y Computación y de Bioingeniería de UCLA, y al Instituto de Nanosistemas de California. Los detectores de deepfakes actuales dependen de cálculos digitales intensivos: un solo análisis puede requerir cientos de miles de millones de operaciones, y los videos suelen procesarse uno por uno. A medida que crece el volumen de contenido por revisar, también aumentan el tiempo de procesamiento y el consumo de energía.Cómo funciona la detección con luz El sistema de Ozcan arranca con un codificador digital liviano que extrae características espaciales, espectrales y temporales de cada video. Esa información se convierte en un patrón de fase que se proyecta sobre un modulador espacial de luz, un dispositivo que controla cómo se propaga un haz luminoso. El frente de onda resultante atraviesa luego un decodificador óptico pasivo que funciona en el espacio libre, sin cables ni circuitos adicionales. Al otro extremo, un par de detectores ópticos produce directamente un puntaje de autenticidad para cada video analizado. A diferencia de una red neuronal digital convencional, que necesita tarjetas gráficas y electricidad proporcional a la cantidad de contenido que procesa, la etapa óptica realiza buena parte del cálculo mediante la propagación física de la luz y no demanda energía eléctrica adicional durante esa inferencia. En la práctica, el procesador reemplaza una red digital de decodificación que exige mucho cómputo por un proceso físico capaz de manejar varios flujos de video en paralelo durante un mismo pase de luz.Qué resultados tiene frente a los deepfakes más difíciles En las pruebas con el banco de videos Celeb-DF, usado como referencia estándar en la investigación sobre deepfakes, el procesador analizó 15 clips de manera simultánea y alcanzó una sensibilidad de 99,86%, es decir que solo dejó pasar como auténtico un 0,14% de los videos manipulados. La especificidad, que mide qué tan bien el sistema reconoce los videos genuinos, fue de 95,72%. Cuando los investigadores llevaron la carga a 18 videos por pase óptico, la precisión se mantuvo en 96,13%. El equipo sumó dos capas ópticas difractivas adicionales para enfrentar manipulaciones más sofisticadas, lo que mejoró la precisión en aproximadamente 6,8 puntos porcentuales sin un aumento relevante en el consumo de energía. La prueba más exigente llegó con videos generados por Veo 3, el modelo de video de Google que produce clips sin los artefactos visuales típicos de los deepfakes más antiguos. Con un ajuste mínimo, el procesador óptico alcanzó una precisión de 94,80% y una sensibilidad de 97,61% frente a ese material nunca antes visto.Los detectores entrenados solo con deepfakes clásicos, basados en el intercambio de rostros, suelen perder eficacia frente a estos generadores porque el material sintético más nuevo no conserva los defectos visuales que delataban a las versiones anteriores. El equipo de Ozcan señala que su arquitectura mostró capacidad de adaptación incluso frente a ese salto generacional. De qué forma se evita el avance de ciberataques Los investigadores sometieron el sistema a ataques adversarios, es decir, intentos deliberados de alterar un video falso para engañar al detector. El procesador mostró resistencia frente a ataques de caja negra y una protección inherente contra los de caja blanca. Parte de esa resistencia surge de que algunos parámetros del modelo quedan incorporados físicamente en el hardware óptico, lo que dificulta que un atacante los mida o los reproduzca para diseñar una manipulación a medida. El sistema además siguió funcionando de forma confiable ante ruido de imagen, desenfoque, compresión JPEG y desalineaciones experimentales.Esa dificultad para medir o replicar los parámetros ópticos contrasta con lo que ocurre en los sistemas puramente digitales, donde un atacante con acceso al modelo puede, en teoría, calcular con mayor facilidad qué cambios logran engañarlo. Según los autores, el objetivo no es reemplazar a los detectores digitales más sofisticados, sino actuar como una primera línea de defensa de alta sensibilidad. Grandes volúmenes de video pasarían primero por el procesador óptico, y solo el contenido marcado como sospechoso llegaría a un análisis digital más profundo.
Los investigadores plantean que esa combinación podría resultar útil para la moderación de contenido a gran escala, la autenticación de medios y otras aplicaciones de seguridad que dependen de sistemas de inteligencia artificial, a medida que los generadores de video sintético sigan evolucionando.