في ظل الانتشار المتزايد للصور المولدة بالذكاء الاصطناعي، يواجه المستخدمون اليوم تحديات كبيرة في التحقق من صحة تلك الصور. بينما تبرز نماذج الرؤية واللغة (Vision-Language Models) مثل نموذج CLIP بقدرتها الفائقة على تمثيل البيانات متعددة الأنماط، لا يزال استخدامها في تصنيف الصور الناتجة عن الذكاء الاصطناعي يحتاج إلى استكشاف أعمق بسبب غياب علامات التصنيف خلال عملية التدريب الأولي.

عملت دراسة حديثة على تحليل ما إذا كانت البيانات المرفقة بنموذج CLIP تحتوي على معلومات تشير بطريقة ما إلى مولدات الذكاء الاصطناعي. وقد تم اقتراح خط أنبوبي يقوم باستخراج البيانات البصرية باستخدام نموذج CLIP الثابت، حيث يتم تغذية تلك البيانات إلى شبكات خفيفة الوزن، ويتم تعديل المصنف النهائي فقط.

تظهر التجارب التي أجريت على معيار CIFAKE العام أن أداء النموذج يصل إلى 95% من الدقة دون الحاجة إلى استدلال لغوي. وعند تعديل النموذج باستخدام 20% فقط من البيانات، حقق أداءً يصل إلى 85%. ومن المثير للاهتمام، أن نظام المقياس المغلق (Gemini-2.0) حقق أفضل دقة دون الحاجة إلى ضبط مسبق، لكنه واجه صعوبات في تصنيف أنماط معينة.

تشير النتائج إلى وجود تحديات غير مستكشفة سابقًا في تصنيف بعض أنواع الصور المولدة، مثل الصور ذات الزاوية الواسعة واللوحات الزيتية، مما يفتح المجال لأسئلة جديدة تتطلب المزيد من البحث في هذا المجال المتنامي. لا تزال هذه النتائج تدعو للبحث والدراسة لفهم الآثار المترتبة على استخدام الذكاء الاصطناعي في إنشاء المحتوى البصري.