هوش مصنوعی قادر است تنها با تحلیل یک تصویر، مکان شما را شناسایی کند

پژوهشگران تعداد بیش از ۲۱ هزار عکس سفر را مورد بررسی قرار داده و دو مدل پیچیده هوش مصنوعی، Gemma3 27B و Qwen3 VL 30B، را آزمایش کردند. Gemma3 موفق شد موقعیت شهر و کشور تصاویر را در ۸۷ درصد از موارد تشخیص دهد و مدل Qwen3 VL به دقت ۹۱ درصدی رسید.
جالب اینجاست که این مدل‌ها برای فعالیت خود به GPS، برچسب‌های موقعیتی، یا متادیتای عکس دسترسی نداشتند و تنها از محتوای بصری عکس مانند معماری ساختمان‌ها، تابلوهای خیابانی، نوشته‌ها، علائم جاده‌ای، پوشش گیاهی، مناظر طبیعی و حتی سبک طراحی محیط استفاده کردند که می‌تواند نشانه‌هایی از موقعیت جغرافیایی را ارائه دهد.

برای مثال، این مدل‌ها توانستند تنها با بررسی جزئیات یک تصویر رودخانه، منطقه‌ای در نیویورک را شناسایی کنند.
در مورد دیگری نیز تصویری از گل‌ها به باغ کوکنهوف در هلند نسبت داده شد؛ ویژگی‌هایی مانند نوع گل‌ها و ترتیب چیدمان آن‌ها به این مدل کمک کرد تا نتیجه‌گیری کند.

با این وجود، این قابلیت به معنای دقت کامل در تمام تصاویر نیست؛ عکس‌هایی که شامل بناهای معروف، تابلوهای قابل خواندن یا نشانه‌های منحصربه‌فرد هستند، معمولاً اطلاعات بیشتری برای تعیین موقعیت ارائه می‌کنند، در حالی که تصاویر عمومی نظیر عکس‌های ساحل یا فضاهای داخلی هتل ممکن است چالش‌برانگیزتر باشند. اما حتی توانایی تشخیص کشور یا منطقه نیز می‌تواند به عنوان ابزاری برای سوءاستفاده‌های امنیتی مورد استفاده قرار گیرد.
 

تهدیدی جدید برای حریم خصوصی کاربران

نگرانی اصلی درباره این فناوری صرفاً توانایی سرگرم‌کننده هوش مصنوعی در حدس زدن محل تصویری نیست. این قابلیت می‌تواند به دست کلاهبرداران بیفتد تا اطلاعات عمومی کاربران را برای طراحی حملات مهندسی اجتماعی هدفمند‌تر ترکیب کنند.
به عنوان مثال، یک مهاجم می‌تواند عکسی از سفر را که کاربر در حساب عمومی خود به اشتراک گذاشته بیابد، موقعیت آن را با کمک هوش مصنوعی مشخص کرده و سپس پیامی جعلی با اشاره به همان شهر یا کشور ارسال کند؛ مثلاً با ادعای شناسایی تراکنش مشکوک بانکی در آن منطقه. استفاده از یک جزئیات واقعی می‌تواند به ساخت یک پیام فیشینگ بسیار قابل‌باور کمک کند.

این موضوع نشان‌دهنده این است که حذف برچسب‌های موقعیت مکانی از یک پست همیشه به معنای ناشناس ماندن مکان نیست.
خود تصویر می‌تواند اطلاعات مکانی را نمایان سازد.
پژوهش آژانس Privacy International نیز قبلاً هشدار داده است که مدل‌های بینایی-زبانی قادر به استخراج اطلاعات جغرافیایی از تصاویر هستند، حتی بدون داشتن GPS، و این قابلیت می‌تواند منجر به عواقب نظیر ردیابی، افشای اطلاعات شخصی و نظارت غیرمجاز گردد.

بنابراین، کاربران بهتر است هنگام انتشار عمومی تصاویر سفر، به جزئیات شناسایی موجود در عکس توجه بیشتری نشان دهند و از اشتراک‌گذاری هم‌زمان تصاویر سفر به همراه اطلاعاتی مانند محل اقامت یا برنامه سفر دقیق پرهیز کنند.
انتشار تصاویر پس از بازگشت از سفر نیز می‌تواند به کاهش ریسک افشای موقعیت لحظه‌ای کمک کند.

یافته‌های این مطالعه نشان می‌دهند که با پیشرفت مدل‌های بینایی هوش مصنوعی، مفهوم اطلاعات حساس دیگر به داده‌های پنهان فایل‌ها محدود نمی‌شود و محتوای ظاهراً عادی یک عکس نیز می‌تواند داده‌های مکانی ارزشمندی را به سیستم‌های هوشمند منتقل کند.