Vann Nikons prestigetävling i mikroskopi – men videon var skapad med generativ AI

När mikroskopet möter det syntetiska

Det såg ut som ett genuint vetenskapligt genombrott. En video som påstods visa hårlika strukturer – så kallade cilier – i rörelse inuti luftvägarna hos ett barn med en sällsynt sjukdom. Bildmaterialet var övertygande nog att ta hem förstapriset i Nikons tävling Small World in Motion, en av de mest välrenommerade tävlingarna inom mikroskopifotografering i världen.

Men triumfen var kortlivad.

Enligt rapportering från The Verge bekräftade Nikon för BBC att bidraget från Dr. Ning Xu "inte följde tävlingsreglerna gällande generativ artificiell intelligens", och att han därför diskvalificerats. Någon ny vinnare i samma kategori kommer inte att utses.

Det obehagliga i att det fungerade

Det som gör fallet extra anmärkningsvärt är inte bara att reglerna bröts – utan att det fungerade. Erfarna bedömare såg videon och tilldelade den förstapriset. Det syntetiska materialet var tillräckligt övertygande för att passera obemärkt genom hela bedömningsprocessen.

Det är här det tekniska problemet ligger, och det är inte litet.

Generativa bildmodeller har under de senaste åren blivit dramatiskt bättre på att producera visuellt trovärdig mikroskopiliknande data. Som systemutvecklare ser jag detta ur ett dubbelt perspektiv: det är en fantastisk teknisk bedrift – och ett genuint verifieringsproblem. Samma modellfamiljer som kan hjälpa forskare att visualisera komplexa biologiska processer kan också producera material som är i det närmaste omöjligt att skilja från äkta upptagningar med blotta ögat.

Frågan är inte längre kan AI producera övertygande vetenskapliga bilder. Svaret är ja. Frågan är hur vi bygger system för att säkerställa att vi vet vad vi faktiskt tittar på.

En branschövergripande utmaning

Nikons beslut att inte utse någon ny vinnare i kategorin är i sig talande. Det signalerar en osäkerhet som arrangörer av liknande tävlingar troligtvis känner igen: hur skärper man reglerna mot en teknik som utvecklas snabbare än regelverken?

Detta är inte ett isolerat problem för fotografi- eller mikroskopivärlden. Inom akademisk publicering pågår parallella diskussioner om hur syntetiskt bildmaterial ska hanteras i vetenskapliga artiklar. Tidskrifter som Nature och Science har infört skärpta krav på bildverifiering och redovisning av AI-verktyg – men verifieringsverktygen halkar efter.

Det finns en strukturell obalans här: att skapa övertygande syntetiskt material med generativ AI är i dag relativt enkelt och tillgängligt. Att detektera det tillförlitligt är betydligt svårare. De detekteringsverktyg som finns ger ofta osäkra utfall, särskilt på domänspecifikt material som mikroskopibilder där träningsdata för detekteringsmodellerna är begränsad.

Regler räcker inte – infrastruktur behövs

Jag är genuint positiv till vad AI kan göra för vetenskaplig visualisering. Generativ AI kan hjälpa forskare att kommunicera komplexa fenomen, skapa pedagogiska animationer och komplettera faktisk data med simulerade vyer. Det är kraftfulla verktyg – men de kräver tydlig märkning och transparens.

Det Nikon-fallet illustrerar är att förbud och tävlingsregler inte räcker på egen hand. Vad som behövs är teknisk infrastruktur: kryptografisk signering av bildmaterial vid källan, standardiserade metadataformat som redovisar AI-inblandning, och verifieringsverktyg som faktiskt fungerar på domänspecifikt material.

Flera initiativ arbetar i den riktningen – bland annat Content Authenticity Initiative (CAI), ett branschkonsortium som tagit fram öppna standarder för ursprungsmärkning av digitalt innehåll. Men spridningen av dessa standarder går långsamt, och tävlingsarrangörer, tidskriftsredaktioner och museer hinner inte alltid med.

Dr. Xus diskvalificering är historisk i sin art. Men den borde framförallt fungera som en tydlig signal till hela branschen: det räcker inte att säga att generativ AI är förbjuden. Vi måste också bygga systemen som gör det möjligt att faktiskt veta.