Η βράβευση ενός βίντεο μικροσκοπίας έφερε στο προσκήνιο ένα δύσκολο ερώτημα: πότε η τεχνητή νοημοσύνη βοηθά τον επιστήμονα να δει καλύτερα και πότε αρχίζει να συμπληρώνει την εικόνα με πληροφορία που δεν υπήρχε ποτέ;
Ένα βραβείο, μια αμφισβήτηση
Το βίντεο που κέρδισε στον φετινό διαγωνισμό Small World in Motion, ο οποίος αναδεικνύει εικόνες του μικροσκοπικού κόσμου, έγινε αντικείμενο δημόσιας συζήτησης. Ερευνητές υποστήριξαν ότι ορισμένες δομές που εμφανίζονται σε αυτό φαίνονται βιολογικά απίθανες και ενδέχεται να έχουν δημιουργηθεί από ένα εργαλείο τεχνητής νοημοσύνης κατά την επεξεργασία.
Η Nature δεν παρουσιάζει την υπόθεση ως οριστικά αποδεδειγμένη παραποίηση. Καταγράφει όμως ένα πρόβλημα που αφορά πλέον κάθε επιστημονική εικόνα η οποία περνά από αλγοριθμικό post-processing: ο θεατής δεν μπορεί εύκολα να γνωρίζει ποιο μέρος προέρχεται από το μικροσκόπιο και ποιο από το μοντέλο.
Η λεπτή γραμμή της «βελτίωσης»
Η επεξεργασία εικόνας είναι παλιά πρακτική στη μικροσκοπία. Αλλαγές στην αντίθεση, αποθορυβοποίηση ή συνένωση καναλιών μπορούν να κάνουν ένα σήμα ευανάγνωστο, αρκεί να εφαρμόζονται με τρόπο που δεν αλλάζει την ουσία των δεδομένων και να περιγράφονται καθαρά.
Τα παραγωγικά μοντέλα δημιουργούν διαφορετικό κίνδυνο. Μπορούν να παράγουν μια οπτικά πειστική συνέχεια, να ενισχύσουν ένα μοτίβο ή να αποκαταστήσουν λεπτομέρειες με βάση πιθανότητες που έχουν μάθει από άλλα παραδείγματα. Το αποτέλεσμα μπορεί να μοιάζει επιστημονικά ακριβές, χωρίς να αποτελεί καταγραφή του συγκεκριμένου δείγματος.
Όταν η εικόνα είναι και δεδομένο και αφήγηση
Το ζήτημα γίνεται πιο σύνθετο όταν η εικόνα συμμετέχει σε διαγωνισμό ή χρησιμοποιείται για δημόσια επικοινωνία. Ένα εντυπωσιακό βίντεο λειτουργεί ταυτόχρονα ως επιστημονικό τεκμήριο, ως εκπαιδευτικό υλικό και ως αφήγηση που πρέπει να τραβήξει την προσοχή. Οι τρεις ρόλοι δεν έχουν τις ίδιες απαιτήσεις.
Μια εικόνα που έχει υποστεί δημιουργική επεξεργασία μπορεί να είναι απολύτως κατάλληλη για εκλαΐκευση, αρκεί να παρουσιάζεται ως οπτικοποίηση και όχι ως ακριβής αναπαράσταση. Σε ένα ερευνητικό αποτέλεσμα, αντίθετα, κάθε αλλαγή που μπορεί να επηρεάσει την ερμηνεία χρειάζεται τεκμηρίωση, διατήρηση του αρχικού αρχείου και δυνατότητα ανεξάρτητου ελέγχου.
Τι χρειάζεται από εδώ και πέρα
Οι κανόνες δεν μπορούν να περιοριστούν σε μια γενική ένδειξη ότι «χρησιμοποιήθηκε AI». Χρειάζεται να αναφέρεται ποιο εργαλείο εφαρμόστηκε, σε ποιο στάδιο, αν παρήγαγε νέα εικονοστοιχεία και αν το αρχικό υλικό παραμένει διαθέσιμο. Οι διοργανωτές διαγωνισμών και τα επιστημονικά περιοδικά πρέπει επίσης να ξεχωρίζουν την αισθητική επεξεργασία από την παραγωγή νέας πληροφορίας.
Η διαμάχη γύρω από το βραβευμένο βίντεο δεν αποδεικνύει από μόνη της ότι τα επίμαχα στοιχεία είναι κατασκευασμένα. Δείχνει όμως ότι η εμπιστοσύνη στην επιστημονική εικόνα δεν μπορεί πλέον να βασίζεται μόνο στο πόσο ρεαλιστική φαίνεται. Η διαφάνεια για τη διαδρομή από το ακατέργαστο σήμα έως την τελική εικόνα γίνεται μέρος του ίδιου του επιστημονικού αποτελέσματος.
Πηγή: Nature