هوش مصنوعی می‌تواند موقعیت مکانی شما را فقط از روی یک عکس تشخیص دهد

پژوهشگران بیش از ۲۱ هزار عکس سفر را بررسی کردند و دو مدل چندوجهی هوش مصنوعی، Gemma3 27B و Qwen3 VL 30B، را مورد آزمایش قرار دادند. Gemma3 توانست شهر و کشور محل ثبت تصویر را در ۸۷ درصد موارد تشخیص دهد و Qwen3 VL به دقت ۹۱ درصد رسید.
نکته مهم این است که مدل‌ها برای این کار به GPS، برچسب موقعیت مکانی یا متادیتای تصاویر دسترسی نداشتند. آنها صرفاً از محتوای بصری عکس استفاده کردند؛ عناصری مانند معماری ساختمان‌ها، تابلوهای خیابانی، نوشته‌ها، علائم جاده‌ای، پوشش گیاهی، مناظر طبیعی و حتی سبک طراحی محیط می‌توانند سرنخ‌هایی درباره موقعیت جغرافیایی ارائه کنند.

برای نمونه، مدل‌های آزمایش‌شده توانستند از روی جزئیات یک تصویر رودخانه، منطقه‌ای در نیویورک را شناسایی کنند.
در نمونه‌ای دیگر نیز تصویری از گل‌ها به باغ کوکنهوف در هلند نسبت داده شد؛ جزئیاتی مانند نوع گل‌ها و نحوه چیدمان آن‌ها به مدل در رسیدن به این نتیجه کمک کرد.

البته این قابلیت به معنای دقت کامل در تمام تصاویر نیست؛ عکس‌هایی که دارای بناهای شاخص، تابلوهای خوانا یا نشانه‌های منحصربه‌فرد هستند، معمولاً اطلاعات بیشتری برای مکان‌یابی فراهم می‌کنند؛ در مقابل، تصاویر عمومی‌تر مانند عکس ساحل یا فضای داخلی هتل می‌توانند چالش‌برانگیزتر باشند. با این حال، حتی تشخیص کشور یا منطقه نیز می‌تواند برای سوءاستفاده‌های امنیتی ارزشمند باشد.
 

تهدیدی تازه برای حریم خصوصی کاربران

نگرانی اصلی درباره این فناوری، صرفاً توانایی سرگرم‌کننده هوش مصنوعی در حدس زدن محل یک عکس نیست. همین قابلیت می‌تواند در اختیار کلاهبرداران قرار گیرد تا اطلاعات عمومی کاربران را برای طراحی حملات مهندسی اجتماعی دقیق‌تر ترکیب کنند.
برای مثال، مهاجم می‌تواند یک عکس سفر را از حساب عمومی کاربر پیدا کند، موقعیت آن را با کمک هوش مصنوعی تشخیص دهد و سپس پیامی جعلی با اشاره به همان شهر یا کشور ارسال کند؛ مثلاً با ادعای شناسایی تراکنش مشکوک بانکی در همان منطقه. استفاده از یک جزئیات واقعی می‌تواند پیام فیشینگ را بسیار باورپذیرتر کند.

این مسئله نشان می‌دهد حذف برچسب موقعیت مکانی از یک پست، الزاماً به معنای ناشناس ماندن مکان نیست.
خود تصویر می‌تواند داده مکانی تولید کند.
پژوهش Privacy International نیز پیش‌تر هشدار داده بود که مدل‌های بینایی-زبانی می‌توانند از تصاویر، حتی بدون GPS، اطلاعات جغرافیایی استخراج کنند و این قابلیت پیامدهایی مانند ردیابی، افشای اطلاعات شخصی و نظارت مخفیانه دارد.

در نتیجه، کاربران بهتر است هنگام انتشار عمومی تصاویر سفر، به جزئیات قابل شناسایی عکس توجه بیشتری داشته باشند و از انتشار هم‌زمان تصاویر سفر با اطلاعاتی مانند محل اقامت یا برنامه دقیق سفر خودداری کنند.
انتشار تصاویر پس از بازگشت از سفر نیز می‌تواند بخشی از ریسک افشای موقعیت لحظه‌ای را کاهش دهد.

این یافته‌ها نشان می‌دهند با پیشرفت مدل‌های بینایی هوش مصنوعی، مفهوم اطلاعات حساس دیگر به داده‌های پنهان فایل‌ها محدود نیست و محتوای ظاهراً عادی یک عکس نیز می‌تواند اطلاعات مکانی قابل استفاده‌ای در اختیار سیستم‌های هوشمند قرار دهد.