AI が作った顔画像、『目の動き』で見破る新手法

『社会的な視線の一貫性』って、要するに『人と人の目線が合ってるか』ってこと？

記事を読むと「人と人の目線が合ってるか」はもちろんその一部ですが、実はもう少し広い概念なんですよね。 目線が合う・合わないだけじゃなくて、頭の向きと瞳の方向のズレ、複数人いるときに「Aさんはこっちを見てて、Bさんはあっちを見てる」という全体の矛盾がないか、といった多層的なパターンを指してます。 例えば、3人が並んでいるのに、全員が同じ方向をまっすぐ見てるのは逆に不自然だったり、一人だけ目玉だけ動かして見ているような解剖学的におかしい角度になってたり。そういう細部の違和感の集積が、実は人間の目には無意識に引っかかるわけです。 AI が「顔を描く」というレベルでは進化してるけど、「社会的な場面にいるキャラクター」を整合的に描くという別のレイヤーではまだ穴がある、ということが見えてくる。ピクセルじゃなくて、人間関係の物理学みたいなものを学んでない、ということなのかもしれません。

SNSで見かける顔写真が本物か作られたものか、この技術があれば見分けられるようになるってこと？

完全に見分けられるようになるわけではなさそうです。この技術が検出できるのは「複数の人が映っているとき」の視線の矛盾。つまり、一人だけ写った自撮りやポートレートなら、この方法は使えません。SNSの顔写真の大多数は一人きりですよね。だからこの技術も、限られた場面でしか機能しない。 さらに考えると、生成AI 側も進化を続けるわけです。研究チームが「社会的ルール」の穴を見つけたなら、AI 開発者はそこを補強するでしょう。ピクセルレベルの痕跡が消えた歴史は繰り返される。いたちごっこの新しいラウンドが始まったくらいの感覚かもしれません。 ただ、この研究の面白さは別にあります。従来の「画像の傷を探す」から「人間関係の自然さを探す」へシフトしたこと。つまり、AI の限界は「技術が高度になっても、社会的な文脈の完全な理解には遠い」という点を照らしてくれているわけです。それは検出技術の発展だけでなく、AI 自体をどう設計するか、という大きな問題にも繋がってきそうです。

これまで AI 画像を見破る方法は『ピクセルのズレ』で探してたけど、なぜここ最近そういった痕跡がほぼ消えてしまったの？

生成AIの進化って、実は「ズレを隠す」ことに特化してきたんですよね。初期の画像生成モデルは、ピクセルレベルで色や形を決めるときに、統計的なゆらぎや計算の歪みが必ず残っていました。人間の目には不自然に見える微妙なノイズです。 ところが、モデルが深化するにつれて、その『悪いノイズ』を削除する層が学習されるようになった。生成プロセスの最後に、画像を「滑らか」に整える仕組みが組み込まれたわけです。いわば、痕跡を塗りつぶす掃除機が付いた。 さらに重要なのは、学習データそのものが増えたこと。人間が撮った実写写真を大量に学習することで、AIは「自然な写真ってこういうピクセル配置だ」という感覚を手に入れた。偽物を見つけるほうが、むしろ難しくなってしまったわけです。 だから検出側も、低レベルの痕跡追いを諦めて、人間の脳が自動的に判断する『社会的な視線』という高レベルに逃げ込むしかなくなった。AIが完璧に近づくほど、見破る側も人間的な感覚に頼るしかない構造になってきたということかもしれません。

『AI は人間の当たり前の感覚をまだ持ってない』って、他の分野でも同じ限界があるってことなの？

視線の一貫性って、実は人間が無意識にやってることなんですよね。 複数の人物がいるシーン、誰が誰を見てるか、その関係性が成り立ってるかを瞬時に判断してる。 AI はピクセルレベルの細部は再現できるのに、この『人間にとって当たり前』のルールで躓く。 同じパターンは他の分野でも見えてきます。 自動運転では、交差点で対向車の『目線の向き』から次の動きを予測するとか、 チャットボットは言葉の表面は完璧でも『その場の空気感』を汲み取れないとか。 翻訳でも、文字通りの正確さは高いのに『文化的な含み』が抜けるとか。 つまり、低レベル（ピクセルや単語）は学習データで埋まりやすいけど、 高レベル（社会的文脈や無意識の約束事）は、 膨大なデータに散在してて、AI が統合しきれていないのかもしれません。 人間は生身で人間関係を生きる中で習得してることが、 データセットだけでは完全には再構成できない領域があるということだと言えそうです。

このやり方で AI 画像が見破れるようになると、今度は『目線をちゃんとする AI』が出てきたり、いたちごっこになったりしないの？

その通り、いたちごっこになる可能性は高いと言えそうです。ただ、ここで見落としやすいのは、「目線を修正する」ことの難しさです。 ピクセルレベルの歪みを消すのと違って、社会的視線の一貫性を保つには、画像生成AIが「複数人の頭の位置、体の向き、瞳の位置を物理的・心理的に整合させる」という高度な空間認識が必要になります。つまり、単に目玉の角度を変えるのではなく、人間関係全体の『自然さ』を学ばなくてはいけない。 そこがポイントです。検出方法が進化するたびに、AIも対抗手段を磨く—その繰り返しは確かにあります。でも、一つの「社会的ルール」を完全に学ぶのに、AIがどの程度の努力を必要とするのか。人間にとって無意識の感覚を、機械に意識させるのはそう簡単ではないかもしれません。いたちごっこというより、AIの学習速度と社会的ルールの複雑さのバランスが、しばらくは検出側に有利に働く可能性もあると考えてみる価値がありそうです。