Svako Može Lažirati Naučnu Fotografiju Uz AI — Kako Sačuvati Poverenje U Nauku?

Fotografija Zemlje koja blista u dubokom svemiru, sa kraterisanom linijom horizonta Meseca u prvom planu, privukla je ogromnu pažnju u aprilu 2026. Snimak su napravili astronauti tokom NASA-ine misije Artemis II i mnogima je učinio isto što je nekad učinila čuvena fotografija "Earthrise" sa Apolla 8 — delovao je istinito i inspirativno.

Međutim, u dobu kada gotovo svako može da generiše vizuelno identičan kadar iz prostog tekstualnog upita pomoću veštačke inteligencije, postavlja se pitanje: kako odrediti koja slika stvarno predstavlja posmatranje iz stvarnog sveta, a koja je lažirana?

AI generisane slike ulaze u nauku

Alati zasnovani na veštačkoj inteligenciji već menjaju način na koji se naučni vizuali stvaraju, podele i koriste. Istraživači koriste AI za:

• generisanje ilustracija i infografika,
• stvaranje sintetičkih podataka i simulacija,
• izmenu laboratorijskih i kliničkih snimaka,
• pripremu materijala za obrazovanje i javnu komunikaciju.

Iako AI može pomoći u jasnijem i bržem prenošenju složenih ideja, ti isti alati zamagljuju granice između ilustracije, dorade i fabrikacije. Već su zabeleženi ozbiljni propusti: 2024. povučena su dva rada zbog AI-generisanih figura koje su sadržale biološki nemoguće strukture, a u aprilu 2026. New England Journal of Medicine povukao je rad nakon otkrića da je klinička fotografija bila manipulisana pomoću AI. To su javno poznati primeri, verovatno samo vrh ledenog brega.

Akademski izdavači uvode alate za detekciju AI, ali sistemi za otkrivanje često zaostaju za modelima koji stvaraju slike. Mnogi detektori prepoznaju samo obrasce na kojima su trenirani i zahtevaju stalno dopunjavanje podacima i ponovno treniranje kako bi održali korak.

Pitanje poverenja u naučne slike

Decenijama su naučne fotografije i grafici nosili autoritet jer su dugo bili teško dostupni: zahtevali su skupu opremu, institucionalne resurse i stručnost. Javnost je pretpostavljala da takvi vizuali predstavljaju stvarna zapažanja jer ih retko ko može proizvesti.

Istraživanja u komunikaciji nauke pokazuju da ljudi procenjuju naučne vizuale koristeći nekoliko mentalnih prečica: da li slika deluje tehnički sofisticirano, da li potiče iz poverljivog izvora i da li se uklapa u već postojeća uverenja. Generativni AI podriva sve te heuristike. Kvalitet slike, oznaka izvora i institucionalni kontekst postaju manje pouzdani vodiči, pa ljudi češće pribegavaju svojim predubeđenjima.

Posledica je opasna: autentične slike koje osporavaju nečija uverenja mogu biti odbačene kao "AI", dok se lažne slike koje potvrđuju ta uverenja lako prihvataju. Time AI može pojačati motivisano rezonovanje i narušiti javno poverenje u vizuelne dokaze na kojima mnoge naučne discipline počivaju.

Transparentnost, a ne zabrane

Umesto pokušaja zabrane alata koji donose stvarne koristi, praktičan put napred je veća transparentnost i jasna pravila o poreklu i obradi slika. Predlozi koji se sve češće pominju uključuju:

• obavezno navođenje porekla slike: da li je direktno zabeležena, simulirana ili generisana/izmenjena pomoću AI;
• dokumentovanje procesa verifikacije: kako je sadržaj proveravan i može li se reprodukovati;
• standardizovani metapodaci i evidencija (provenance) uz slike, slično kao što se navode metodologije i izvori finansiranja;
• strože uredničke i recenzentske prakse u časopisima i institucijama;
• edukacija publike o mogućnostima i ograničenjima AI-alata.

Studije pokazuju da javnost koja je upoznata sa AI alatima obično bolje ceni transparentnu oznaku upotrebe AI: otkrivanje često povećava percepciju iskrenosti i kredibiliteta. Ipak, sama transparentnost neće rešiti sve sporove — potrebna je i profesionalna etika, zajednički standardi i mehanizmi verifikacije.

Zašto autentične fotografije i dalje vrede

Originalni snimci kao što je fotografija "Earthrise" (Apollo 8, 1968) i Artemis II snimci iz 2026. imaju emotivni i epistemički značaj: one su povezane sa opipljivim aktivnostima — astronautima, fizičkim kamerama, dokumentovanim misijama i proverivim zapažanjima. Autentičnost se, u praksi, definiše kao dokumentovana veza između slike i stvarnosti.

U eri generativnog AI, institucije više ne mogu uzimati automatsko poverenje kao datost. Poverenje će zavisiti od dokumentacije, transparentne komunikacije i primene standarda koji omogućavaju proveru i reprodukciju rezultata.

Zaključak: Bez jasnih smernica i praksi evidentiranja porekla i obrade vizuala, nauka rizikuje da uđe u period u kojem će svaka slika moći biti dovodena u pitanje, a nijedna slika neće nositi urođeni kredibilitet.

Nan Li je vanredni profesor komunikacije nauke na University of Wisconsin–Madison. Ovaj tekst je ponovo objavljen iz The Conversation pod Creative Commons licencom. Stavovi izneti u komentaru su autorkini.