Face au chaos des deepfakes, le chercheur Yezhou Yang d’ASU plaide pour l’intégration de marqueurs numériques afin de certifier l’origine des contenus IA.
Nos yeux sont désormais des radars obsolètes. Face à une image générée par IA, notre cerveau est devenu totalement incapable de trancher : nous nous trompons une fois sur deux. Le 9 avril 2026, l’Arizona State University (ASU) a mis en avant les travaux de Yezhou Yang : une stratégie mondiale pour intégrer des preuves d’origine numériques au cœur même des modèles génératifs.
Le pile ou face de la vérité numérique
Le constat est sans appel : l’œil humain commence à perdre la main. Une étude publiée dans Communications of the Association for Computing Machinery révèle que les gens ne distinguent les médias IA de l’authentique que dans 51 % des cas. En clair, nous avons autant de chances de tomber juste qu’avec un tirage au sort.
Cette invisibilité du faux a des répercussions massives. Selon les données mentionnées par l’ASU, les pertes financières liées aux contenus deepfakes ont déjà franchi la barre des 200 millions de dollars pour le seul premier trimestre 2025. La fraude en ligne utilise désormais ces outils pour tromper les systèmes de vérification classiques.
Alors que les outils de création progressent de jour en jour, les dispositifs de contrôle restent fragmentés. Pour Yezhou Yang, professeur à la School of Computing and Augmented Intelligence d’ASU, il est urgent de passer à une détection native, directement intégrée lors de la génération du contenu.
Marquer l’IA par des signaux invisibles
Le projet de Yang repose sur l’élaboration de standards techniques mondiaux. L’idée est d’obliger les systèmes d’IA à injecter des signaux numériques détectables. Ce serait une sorte d’empreinte digitale invisible, dans chaque média produit. Ce protocole permettrait aux logiciels de détection de lire une origine certifiée IA là où l’humain ne voit rien.
Yang étudie ces traces statistiques subtiles depuis 2020. « Les humains ne peuvent pas les voir, mais les ordinateurs, si », précise le chercheur. Cette méthode de tatouage numérique (watermarking) vise à créer un langage commun entre tous les générateurs d’images pour faciliter leur identification immédiate.
Toutefois, la réussite de ce projet dépend d’un consensus global. Les grands acteurs de la tech doivent adopter un protocole commun. Sans cela, les modèles non régulés ou en open source continueront de produire des contenus anonymes. La traçabilité restera alors incomplète.
Active le verrouillage biométrique ????
— Jaurel SATOUN | Tech Simplifiée (@djangasatoun) March 26, 2026
Empreinte digitale ou reconnaissance faciale, c’est simple, rapide et ça protège tes données en cas de perte ou de vol.
Un petit geste, un grand niveau de sécurité.#Cybersécurité #DataProtection #ITTips #SécuritéNumérique pic.twitter.com/GvTSIIPxhF
Le Machine unlearning pour corriger l’IA après coup
Au-delà de la détection, Yang explore une voie novatrice : le « machine unlearning » (désapprentissage automatique). Cette technique permet à une IA d’oublier sélectivement des données spécifiques. Il peut s’agir des contenus sous copyright ou des informations privées, et ce, sans avoir à relancer un entraînement complet et coûteux.
Dans les laboratoires de la Fulton Schools of Engineering, deux outils ont été développés :
- RACE (Robust Adversarial Concept Erasure) : une méthode conçue pour supprimer des concepts sensibles et bloquer les tentatives des utilisateurs de les réactiver via des requêtes détournées.
- EraseFlow : un système qui redirige la génération d’images pour éviter les contenus problématiques tout en préservant la qualité esthétique.
Ces recherches ouvrent la voie à une IA éditable, capable de se conformer aux évolutions légales ou de corriger des biais après son lancement. C’est un pas important vers des modèles plus flexibles et sécurisés.
L’urgence d’un protocole international pour sécuriser le web
Yezhou Yang collabore avec des instances comme la Coalition for Content Provenance and Authenticity pour transformer ces recherches en standards industriels. L’enjeu est de restaurer une base de confiance numérique avant que la prolifération des contenus synthétiques ne rende toute preuve visuelle caduque.
Pour Ross Maciejewski, directeur de l’école à ASU, le travail de Yang illustre comment la recherche peut apporter des solutions à grande échelle. Dans un monde où voir ne suffit plus pour croire, la bataille de l’authenticité a changé de terrain. Elle se gagne désormais dans les couches invisibles du code.
- Partager l'article :
Restez à la pointe de l'information avec
INTELLIGENCE-ARTIFICIELLE.COM !
