AI画像検知器は指が6本あることを検知しません

「AIが生成した絵は指が6本ある」や「看板の文字が潰れている」という話は、インターネット上で一つのミームのように広まりました。人々はこの法則を信じ、写真や動画の真偽を判別しようとしますが、2026年1月に公開された学術研究では、この通念が事実と異なることをデータで確認しました。X-AIGD研究を進めたYao Xiaoチームは、既存の検出器が人間の目視で確認できる知覚的欠陥をほとんど利用していない事実を明らかにしました ¹。

では、機械は何を根拠に「AI生成」と判定するのでしょうか。正解は、人の肉眼では識別できない統計的な模様が示す特徴です。本稿では、検出器が実際にどのような信号に反応するのかを説明し、人と機械の判断能力の差がどこから生じるのか、具体的な実験事例を通じて考察します。

目に見える欠陥を検出器はほとんど見ていません

Yao Xiao研究チームは、AI生成画像の欠陥を細かく分類した「X-AIGD」ベンチマークを構築しました。チームは、指の変形や影の異常といった低レベルの歪みから、文脈がずれた高レベルの意味エラーまで、ピクセル単位で位置とタイプをすべてラベリングしました ¹。

その結果、既存の検出器は最も基本的な歪みの段階においても、これらの知覚的アーティファクトへの依存度が無視できるレベル（negligible）であることが判明しました。特定の欠陥を検出するようにモデルを訓練しても、判定の大部分は依然として人間が解釈できない（uninterpretable）特徴に依存していました ¹。すなわち、検出器は「特有の視覚的ミス」を探しているのではなく、生成モデルがデータに刻み込んだ固有の統計的パターンを読み取っていることを意味します。

人の目では不可能な統計的判別

検出器と人の判断能力の差は、学術研究であるDF26ベンチマークの結果で顕著に表れています。このテストでは、一人の人が話している実際の動画とAI生成動画を区別する課題が設定されています ²、³。Pangramは2026年11月、自社のブログを通じて動画検出モデル「Image Flash 1.0」を公開する際、このDF26ベンチマークを評価根拠として引用しました ²、³。

Pangram側の説明によれば、この実験では人間の判定精度はコイン投げよりやや良い程度に留まり、既存の検出器も大きく上回ってはいませんでした。一方、PangramのFlash 1.0は、このベンチマークで98.7%の精度を記録し、次点の検出器より29ポイント高い性能を見せました ²、³。

検出対象	判定精度
人間（実写vs AI動画の区別）	ランダム選択よりやや良い程度 2
次点のAI検出器	約69.7%（98.7%基準の29%p差に基づく算出推定値）
Pangram Image Flash 1.0	98.7% 2、3

Pangramの画像検出モデル「Image 1.0」は、実際の写真100枚と、12種類の最新AI生成モデルで作成した合成画像1,200枚、合計1,300枚を対象とした自社ベンチマークにおいて、99.96%の精度を記録しました ²、³。この結果は、X-AIGD研究が既存検出器の知覚的アーティファクト依存度は無視できるレベル（negligible）であることを明らかにした一般的な発見と軌を一にしていますが ¹、PangramはImage 1.0の99.96%精度というメカニズムを、視覚的に解釈不可能な信号の解読として具体的に説明していません。

実戦ツールとバイアス除去のための実験設計

Pangramはこれらの技術的原理を、一般ユーザーが理解しやすいツールとして実装しました。Chrome拡張機能として提供される「Image 1.0」は、SNSやショッピングサイト、賃貸物件サイトなどを閲覧する際、画面上の画像にヒートマップを重ね合わせ、AIで生成された領域とその位置を視覚的に表示します ²、³。

このツールは、SNS環境で頻繁に発生する圧縮、縮小、ぼかし処理、ノイズ付与に対して堅牢になるよう学習されています。入力解像度が512×512ピクセル以下に低下すると信頼度の低下を通知しますが、最小256×256の低解像度画像でも判別を試行できるようサポートしています ²。

(Pangramブログ：実際の動画と合成ミラー動画が同じシーンと被写体を共有するように構成し、特定コンテンツに対する判定バイアスを低減する実験) ³

検出精度の信頼性を高めるための実験設計も注目に値します。Pangramは実際のSNS動画129件の最初のフレームを初期入力として活用し、視覚言語モデル（VLM）が生成した動画説明文をプロンプトとして注入することで、14の動画生成モデルに「合成ミラー」動画を制作させました ³。実写動画と合成動画がシーンと被写体を正確に共有しているため、特定コンテンツタイプをAIと誤認するバイアスなしに検出器の能力を公平に測定できます ³。

判定が根拠を説明できない場合、表記技術が助けになります

検出器が統計的な模様によって判定を下しても、その理由を人間が納得できるような視覚的言語で説明することは困難です ¹。こうした限界を補うため、「判定」と同時に「出所表記」を強制する技術や制度が併せて議論されています。

EU AI法第50条が規定する透明性義務を履行しない場合、1,500万ユーロまたは全世界年間売上高の3%まで罰金が科される可能性があります ⁴。

C2PA（Content Credentials）は、コンテンツの制作経歴と編集過程を暗号化されたメタデータとして記録する標準規格であり、ルクセンブルクデジタル化省はこれらの規制履行のため、2026年5月にAI検出プラットフォーム「TAID.LU」の調達を開始しました ⁵、⁶。この公共システムは、ディープフェイクを検出する際、単純なスコアのみならず「監査可能な根拠と説明」を併せて提供することを要求しています ⁶。

区分	AI検出技術（例：Pangram）	C2PAおよびウォーターマーキング（例：Rezolve）
判別方式	人の肉眼では見えない統計的・視覚的パターン解析 2、1	生成時に埋め込まれたデジタル署名およびカラーチャンネル内データの読み取り 5、4
長所・短所	人が知り得ない手掛かりで、高画質の偽動画も捕捉する	C2PAメタデータは剥がされた場合や編集されると信号を失うリスクがあるが、Rezolveの特許ウォーターマークは画像カラーチャンネルに内蔵されており、メタデータ除去後も残る 4

視覚的手掛かりの代わりに相互確認が必要な理由

結局のところ、AI画像検出器は「指6本」や「潰れた文字」を探すツールではありません ¹。機械が「AI判定」を下すということは、人間が気づかないピクセル群の統計的規則を発見したことを意味します。

語り手の動画の前でも人間の目はランダム推測レベルに留まる一方、98.7%の精度を示す検出器は、形態のない統計的模様を読み取っています ²、³。

参考文献

1. Unveiling Perceptual Artifacts: A Fine-Grained Benchmark for Interpretable AI-Generated Image Detection · arxiv.org
   ↩
2. Pangram Image 1.0 공개 - 사진과 영상에서 AI로 만든 부분을 탐지 | GeekNews · news.hada.io
   ↩
3. Introducing Pangram Image 1.0 · pangram.com
   ↩
4. Rezolve Ai Unveils Patent-Backed AI Provenance Platform as Watermarking Becomes Global Infrastructure · globenewswire.com
   ↩
5. Trusted content provenance and authentication with C2PA | EBU Technology & Innovation · tech.ebu.ch
   ↩
6. Luxembourg opens tender for AI-generated content detection tool | Biometric Update · biometricupdate.com
   ↩