حُذف 75 مليون أغنية مزيّفة من Spotify. المشكلة الحقيقية هي تلك التي لم تُحذف.
قبل بضعة أشهر، جلست في اجتماع مع موزّع موسيقي أخبرني بشيء أعاد تشكيل طريقة تفكيري في صناعة الصوت برمّتها. فتح لوحة تحكّم تعرض مسار الاستيعاب اليومي لديهم. قال وهو يتصفّح سيلاً من الملفات المرفوعة الجديدة: «أترى هذا؟ نستقبل نحو أربعة آلاف مقطع يوميًا عبر منصّتنا وحدها. أُقدّر أن ثلثها صنعه شخص أمضى في إنتاج المقطع وقتًا أقل مما أمضيته أنت في تنظيف أسنانك هذا الصباح.»
ضحكت. أما هو فلم يضحك.
لم يكن مبالغًا. تستوعب Spotify وحدها ما يقارب 100,000 مقطع جديد كل يوم. لو حاولت الاستماع إلى 30 ثانية فقط من كل مقطع، لاحتجت إلى 35 يومًا من التشغيل المتواصل لتُنهي ما رُفع في يوم واحد. وحصّة متنامية من هذا السيل ليست موسيقى بأي معنى حقيقي — إنها ضجيج مولَّد خوارزميًا مصمَّم لسحب المال من الناس الذين يصنعون الفن فعلًا.
هذه هي مشكلة العلامة المائية الصوتية التي أمضيت الجزء الأخير من مسيرتي المهنية منشغلًا بها في Veriprajna. ليس لأن العلامة المائية تقنية مثيرة — فهي ليست كذلك — بل لأن كل حلٍّ آخر تعتمد عليه الصناعة يحمل عيبًا قاتلًا لا يريد أحد الحديث عنه بصدق.
سرقة الثلاثة مليارات دولار المختبئة في قائمة تشغيلك
وإليك الجزء الذي يُفترض أن يُغضبك، سواء كنت موسيقيًا أو مستمعًا أو مجرّد شخص يدفع 10.99 دولار شهريًا لاشتراك بثّ.
الطريقة التي تدفع بها معظم المنصّات الكبرى للفنانين تُسمّى نموذج التوزيع النسبي. تذهب كل عائدات الاشتراكات والإعلانات إلى صندوق واحد ضخم. ويُقسَّم هذا الصندوق على إجمالي عدد مرات التشغيل على المنصّة. فسعرك لكل تشغيل جزء ضئيل من الكل.
هذا يعني أن كل تشغيل مزيّف لا يسرق المنصّة فحسب — بل يسرق كل فنان حقيقي. فعندما تولّد مزرعة روبوتات مليار تشغيل على ضجيج أبيض مولَّد بالذكاء الاصطناعي، فإنها تُضخّم المقام. وينخفض العائد لكل تشغيل على الجميع. فنانك المستقل المفضّل، ذاك الذي أمضى ستة أشهر في كتابة ألبوم في غرفة نومه، يتقاضى أقل لأن عصابة احتيال في بلد آخر رفعت عشرة آلاف حلقة صوت مطر ووجّهت إليها شبكة روبوتات.
تُقدّر الصناعة الضرر السنوي بـ ملياري دولار إلى ثلاثة مليارات دولار. أفادت Deezer بأن 70% من التشغيلات على المقاطع المولَّدة بالذكاء الاصطناعي على منصّتها جرى وسمها بالاحتيالية. واضطرت Spotify إلى تطهير أكثر من 75 مليون مقطع في عامي 2024 و2025 وحدهما — رقم يضاهي حجم الأرشيف التاريخي الكامل للموسيقى المسجَّلة.
ليس كل تشغيل احتيالي مجرّد سرقة من منصّة. إنه ضريبة على كل فنان شرعي، تُدفع خفيةً عبر صندوق عائدات آخذ في الانكماش.
أذكر الليلة التي صدرت فيها أرقام التطهير تلك من Spotify. كنت على مكتبي، وكان ردّ فعلي الأول ارتياحًا — أخيرًا، المنصّات تأخذ الأمر على محمل الجدّ. أما ردّ فعلي الثاني، بعد نحو عشر دقائق، فكان رعبًا. لأن 75 مليونًا هو العدد الذي أمسكوا به. فماذا عن تلك التي أفلتت؟
لماذا تفشل البصمة الصوتية أمام موسيقى الذكاء الاصطناعي؟
هذا هو السؤال الذي دفعني إلى البدء ببناء ما نبنيه. والإجابة بسيطة على نحو خادع بمجرّد أن تراها.
نظام الدفاع الأساسي في صناعة الموسيقى هو البصمة الصوتية — التقنية التي تقف خلف Shazam ونظام Content ID من YouTube ومعظم منصّات إدارة الحقوق. تعمل البصمة الصوتية باستخراج توقيع إدراكي من مقطع صوتي ومطابقته مع قاعدة بيانات ضخمة من التسجيلات المعروفة.
وهنا تكمن المشكلة: الذكاء الاصطناعي التوليدي لا ينسخ. بل يُخلّق.
عندما يولّد نموذج انتشار مقطعًا جديدًا، فإنه ينشئ موجة لم توجد من قبل قط. ولا يوجد أي مدخل في أي قاعدة بيانات بصمات لمطابقتها. فبالنسبة إلى Content ID، يبدو مقطع سبام جديد تمامًا مولَّد بالذكاء الاصطناعي مطابقًا تمامًا لتحفة بشرية جديدة تمامًا. وكلاهما ببساطة «محتوى مجهول».
أسمّي هذا مفارقة الأصالة، وهو السبب الذي حرمني النوم نحو أسبوع بعد إجرائنا اختباراتنا الأولى. أخذنا مجموعة من المقاطع المولَّدة بالذكاء الاصطناعي — بعضها مشتقّ بوضوح من فنانين موجودين، وبعضها جديد تمامًا — ومرّرناها عبر مسارات البصمة الصوتية القياسية. المقاطع المشتقّة أطلقت أحيانًا تطابقات جزئية. أما الجديدة؟ صمت تام من نظام الكشف. ولا وسم واحد.
نظر شريكي المؤسِّس إلى النتائج وقال: «إذن كلما تحسّن الذكاء الاصطناعي في الأصالة، ساء كشفنا؟» نعم. بالضبط. هذا هو الفخّ.
البصمة الصوتية تقنية تعرّف. تخبرك بما هو الشيء. أما العلامة المائية فهي تقنية مصادقة. تخبرك من أين جاء الشيء. لقد كانت صناعة الموسيقى تستخدم الأداة الخطأ.
كتبت عن هذا التمييز — والبنية التقنية الكاملة وراء سبب انهيار البصمة الصوتية — في ورقتنا البيضاء التفاعلية. لكن النسخة المختصرة هي: البصمة الصوتية تفاعلية. تحتاج إلى أن يكون المحتوى موجودًا ومسجَّلًا مسبقًا. نحن احتجنا إلى شيء استباقي — شيء يضمّن المنشأ في لحظة الإنشاء.
الاحتيال صار أذكى بينما كنا غافلين
الأمر الآخر الذي حرمني النوم كان معرفة كيف تعمل عمليات الاحتيال فعلًا الآن. كان الأسلوب القديم فجًّا: ارفع مقطعًا، واقصفه بملايين التشغيلات من عنوان IP واحد، واسحب المال. المنصّات كشفت ذلك منذ سنوات.
أما الأسلوب الجديد فأنيق على نحو مُرعب. يسمّونه «المنخفض والبطيء».
بدلًا من أن يحصل مقطع واحد على مليون تشغيل مزيّف، تستخدم عصابة احتيال الذكاء الاصطناعي لتوليد عشرة آلاف مقطع. ثم تشغّل شبكة روبوتات كل مقطع مئة مرة فقط. العائد الإجمالي هو نفسه، لكن لا مقطع واحد يُطلق تنبيه ارتفاع فيروسي. يختبئ الاحتيال في الذيل الطويل، مدفونًا تحت الحجم الهائل من البيانات الشرعية.
والبنية التحتية وراء هذه العمليات صارت بمستوى المؤسسات. نتحدث عن وكلاء سكنيين يوجّهون حركة المرور عبر أجهزة إنترنت الأشياء المخترقة بحيث يبدو كل تشغيل قادمًا من منزل مختلف. ومتصفّحات بلا واجهة تشغّل نصوصًا برمجية تحاكي السلوك البشري — حركات الفأرة، والإيقاف المؤقّت، وتخطّي المقاطع، والبحث — لخداع تحليلات التفاعل. وقوائم تشغيل مولَّدة بالذكاء الاصطناعي بعناوين مُحسَّنة لمحركات البحث مثل «Chill Lo-Fi for Coding» تمزج بضعة نجاحات شرعية لفنانين كبار مع عشرات مقاطع السبام، مموّهةً الاحتيال وأحيانًا حتى خادعةً خوارزمية التوصية في المنصّة لتقدّم المقاطع المزيّفة لمستمعين حقيقيين.
جلست مع فريقنا بعد ظهر أحد الأيام نرسم سلسلة القتل هذه على سبّورة بيضاء، فقال أحدهم: «هذه ليست قرصنة موسيقية. هذا احتيال مالي يصادف أن يستخدم الملفات الصوتية وسيلةً.» أعاد هذا التأطير تغيير كل شيء بالنسبة إلينا.
ماذا يحدث عندما تشغّل أغنية عبر مكبّر صوت وتعيد تسجيلها؟
هذا هو التحدي التقني الذي يفصل العلامة المائية الجادّة عن كل ما عداها، وهو الذي أفخر بفريقنا على تصدّيه له أكثر من غيره.
يُسمّى الفجوة التناظرية — وأحيانًا الثقب التناظري. تخيّل أغنية مزيّفة عميقًا تُشغَّل على مكبّرات صوت حاسوب محمول لشخص ما. ينتقل الصوت عبر الهواء. يسجّله شخص ما بهاتفه. ويُرفع ذلك التسجيل إلى منصّة.
خلال تلك الرحلة، تتدمّر الإشارة الصوتية بطرق تكاد تكون معادية للحفاظ على البيانات على نحو مضحك. يرتدّ الصوت عن الجدران والأرضيات والأثاث — فيستقبل الميكروفون الإشارة المباشرة بالإضافة إلى آلاف الانعكاسات المتأخرة قليلًا. مكبّرات الصوت الرخيصة تقطع كل ما دون 300 هرتز وفوق 15 كيلوهرتز. وجهاز التسجيل لا يعرف أين «تبدأ» العلامة المائية، فتفقد الإشارة بأكملها تزامنها.
معظم أنظمة العلامة المائية التي تنجو من ضغط MP3 — الفجوة الرقمية — تموت فورًا في الفجوة التناظرية. ومع ذلك، فإن الفجوة التناظرية هي بالضبط السيناريو الأهم لكشف التزييفات العميقة المشارَكة على وسائل التواصل الاجتماعي، أو المُشغَّلة على الراديو، أو الملتقطة أثناء المكالمات المباشرة.
أمضينا أسابيع نفشل في هذا قبل أن نجد النهج الذي نجح. كان الاختراق إدراكنا أنه لا ينبغي لنا مقارنة الإشارة المستقبَلة بمرجع خارجي على الإطلاق. بدلًا من ذلك، نضمّن نمطًا متكررًا داخل الإشارة نفسها ونستخدم الارتباط الذاتي — تقارن الإشارة نفسها بنفسها.
وإليك لماذا هذا ذكي: عندما ينتقل الصوت عبر غرفة ذات صدى، فإن الإشارة بأكملها تتشوّه بالطريقة نفسها. الكتلة A والكتلة B من علامتنا المائية المتكررة تُلطَّخان بصوتيات الغرفة نفسها. تبقى العلاقة بينهما حتى عندما تتشوّه الإشارة المطلقة. يبحث الكاشف عن قمّة دورية في الارتباط الذاتي عند فترة معلومة، وتلك القمّة تؤكّد وجود العلامة المائية دون الحاجة إطلاقًا إلى معرفة كيف كان يبدو الصوت الأصلي.
كانت هناك لحظة في المختبر — وأستخدم كلمة «مختبر» بتساهل، فقد كان في الحقيقة مجرّد قاعة اجتماعات فيها حاسوب محمول ومكبّر صوت بلوتوث اشتريناه من متجر صغير — حيث شغّلنا مقطعًا موسومًا بعلامة مائية عبر ذلك المكبّر الرديء، وسجّلناه بهاتف عبر الغرفة، وشغّلنا الكاشف. وعندما عاد بنتيجة إيجابية، نظر إليّ مهندسي وقال بهدوء شديد: «ما كان ينبغي لهذا أن ينجح.» لكنه نجح. وعندئذٍ عرفت أن لدينا شيئًا.
ألا يستطيع المهاجمون ببساطة إزالة العلامة المائية؟
هذا هو الاعتراض الأول الذي يثيره الجميع، وهو الاعتراض الصحيح.
سيحاول المهاجمون المتطوّرون حتمًا استخدام الذكاء الاصطناعي للعثور على العلامات المائية ونزعها. سنكون ساذجين لو ظننا خلاف ذلك. ولهذا لا يكتفي مسار تدريبنا بالدفاع ضد قائمة ثابتة من الهجمات المعروفة مثل «إضافة ضجيج» أو «الضغط إلى MP3». نحن نستخدم إطار تدريب خصومي — أي أننا ندرّب شبكة مهاجِمة إلى جانب نظام العلامة المائية لدينا. يحاول المهاجم تدمير العلامة المائية مع إبقاء الصوت قابلًا للاستماع. ويتكيّف المُشفِّر لينجو من الهجوم. يلعبان لعبة الحدّ الأدنى الأقصى هذه عبر آلاف التكرارات إلى أن تنجو العلامة المائية من هجمات لم تكن موجودة أصلًا عند بدء التدريب.
النتيجة: يحقّق نظامنا دقّة إسناد تفوق 98% حتى في ظل التحرير العدواني — تمديد الزمن، وتغيير طبقة الصوت، والاقتصاص. وحتى لو قصّ محتال مقطعًا مدّته 30 ثانية إلى 10 ثوانٍ، فإن الكاشف يجمع أدلة إحصائية كافية من الجزء لفكّ توقيع المنشأ.
للاطّلاع على التفصيل التقني الكامل لتضمين الطيف المنتشر، وتحليل SVD، وبروتوكولات المقاومة الخصومية، انظر ورقتنا البحثية. لكن الفكرة الجوهرية ليست عن أي تقنية بمفردها — بل أن العلامة المائية تعيش في بنية الصوت، لا على سطحه. يمكنك جلي السطح بالرمل. أما البنية فتصمد.
بطاقة القيمة الغذائية للصوت
العلامة المائية بمفردها رابط. تقول «هذا الصوت وُسم.» لكن وُسم من قِبل من؟ ولأي غرض؟ لبناء منظومة ثقة حقيقية، تحتاج إلى ربط تلك الإشارة الصوتية بهوية قابلة للتحقّق.
وهنا نتكامل مع C2PA — تحالف منشأ المحتوى وأصالته — معيار مفتوح يعمل مثل بطاقة قيمة غذائية للمحتوى الرقمي. يسجّل تشفيريًا من أنشأ أصلًا ما، وكيف أُنشئ (بشر أم ذكاء اصطناعي)، وما التعديلات التي أُجريت.
ثغرة الحلول المعتمِدة على البيانات الوصفية فقط واضحة: حوّل ملف WAV موقَّعًا إلى MP3 عادي، وتختفي ترويسة البيانات الوصفية. شغّله على الراديو، وقد ذهبت. لكن علامتنا المائية تنجو من تلك التحويلات. لذا نستخدم العلامة المائية بوصفها ربطًا مرنًا — فهي تحمل معرّفًا فريدًا يشير إلى بيان C2PA مستضاف في السحابة. انزع البيانات الوصفية، وحوّل الصيغة، وشغّله عبر الهواء وأعد تسجيله. تبقى العلامة المائية. يستخرج الكاشف المعرّف، ويستعلم من السجلّ، ويسترجع سجلّ المنشأ الكامل.
ينبغي أن يسافر المنشأ مع المحتوى، لا أن يجلس في ترويسة تُنزع لحظة أن ينقر أحدهم «تصدير بصيغة MP3».
ولأي شخص قلق بشأن الخصوصية — لا ينبغي لصحفي معارض أو فنان مجهول أن يحتاج إلى إرفاق اسمه القانوني بملف لمجرّد إثبات أنه حقيقي. يدعم C2PA الادّعاءات المستعارة والإفصاح الانتقائي. يمكن لفنان أن يوقّع مقطعًا باسم «مبدع موثَّق رقم 892»، مرتبط باعتماد صادر عن طرف ثالث موثوق، دون الكشف عن عنوان منزله.
لماذا لا نوظّف مزيدًا من المشرفين ببساطة؟
لأن ذلك مستحيل اقتصاديًا. تُظهر الأبحاث أن المشرفين البشر أكثر دقّة في كشف الدقائق والسياق، لكنهم يكلّفون نحو 40 ضعفًا أكثر من الأنظمة الآلية. والسمع البشري صار غير كافٍ بيولوجيًا — فالتمييز بين نسخة صوتية عالية الجودة مولَّدة بالذكاء الاصطناعي وتسجيل حقيقي يقترب من حدود ما تستطيع آذاننا فعله، بينما يظل قابلًا للمعالجة رياضيًا للآلات.
تحتاج الصناعة إلى دقّة الحكم البشري بحجم البرمجيات وكلفتها. وهذا ما يوفّره الكشف الحتمي عن العلامة المائية. فالعلامة المائية إما موجودة وإما لا. لا درجة ثقة تحتاج إلى تفسير، ولا منحنى احتمال يتطلّب مراجعًا بشريًا لحسم التعادل. وهذا يتيح إجراءً آليًا بالكامل — إلغاء التربّح، والوسم، والإزالة — بيقين ذي مستوى قانوني.
مفترق الطرق
يسألني الناس أحيانًا إن كنت أظن أن الذكاء الاصطناعي سيدمّر صناعة الموسيقى. لا أظن ذلك. أظن أن صناعة الموسيقى ستكون بخير — إذا توقّفت عن التظاهر بأن الأدوات المبنية للعصر الماضي تصلح في هذا العصر.
بُنيت البصمة الصوتية لعالم كان يُنشئ فيه البشر المحتوى وكان التحدي هو التعرّف على النسخ. نحن الآن نعيش في عالم تُنشئ فيه الآلات المحتوى والتحدي هو إثبات المنشأ. هاتان مشكلتان مختلفتان جوهريًا، وتتطلّبان بنية تحتية مختلفة جوهريًا.
عتبة Spotify الدنيا البالغة 1,000 تشغيل لدفع العائدات هي ضمادة سياساتية. ونماذج الدفع المتمحورة حول المستخدم تحسين بنيوي. لكن أيًّا منهما لا يعالج السبب الجذري: لا تستطيع المنصّات حاليًا التفريق بين مقطع جديد للذكاء الاصطناعي ومقطع جديد لإنسان. وإلى أن يتغيّر ذلك، فإن كل إصلاح آخر يأتي لاحقًا في المجرى.
القدرة التوليدية سلعة الآن. أي شخص لديه وحدة معالجة رسومات أو مفتاح API يستطيع إغراق المسار. لقد انتقلت الندرة — ومن ثمّ القيمة — إلى المنشأ. ليس ما الذي أُنشئ، بل من أنشأه، كيف، وما إن كان حقيقيًا.
مستقبل موسيقى الذكاء الاصطناعي لا يتعلّق بالنموذج الذي يولّد أفضل لحن. بل يتعلّق بالبنية التحتية التي تضمن أن ذلك اللحن حقيقي، ومدفوع الأجر، ومعترَف به.
مع قانون الذكاء الاصطناعي في الاتحاد الأوروبي والتشريع الأمريكي المرتقب بشأن التزييف العميق، تنتقل العلامة المائية من كونها اختيارية إلى إلزامية. السؤال ليس ما إن كانت الصناعة ستتبنّى معايير المنشأ. بل ما إن كانت ستتبنّاها قبل أن تُستنزف صناديق العائدات حتى الجفاف أم بعده.
أعرف على أي جانب من ذلك الرهان أبني. إن لم تستطع وسمه بعلامة مائية، فلا تولّده. هذا ليس شعارًا. إنه الواقع التشغيلي الوحيد الذي يجعل إنترنت صوت موثوق ممكنًا.
