วิธีเช็คภาพ AI ทำ (คู่มือปี 2026)

OpenAI ได้เผยแพร่บทความ “การยกระดับแหล่งที่มาของเนื้อหาเพื่อระบบนิเวศ AI ที่ปลอดภัยและโปร่งใสยิ่งขึ้น” โดยประกาศว่า OpenAI เข้าร่วมคณะกรรมการกำกับดูแล C2PA, เริ่มเพิ่มลายน้ำ SynthID ของ Google ลงในรูปภาพที่สร้างขึ้น, เปิดตัวเครื่องมือสาธารณะเพื่อตรวจว่ารูปภาพมาจาก OpenAI หรือไม่ และเปิดการเข้าถึงตัวจำแนกการตรวจจับภาพ DALL-E 3 ผ่าน Researcher Access Program ประเด็นสำคัญคือ “รูปนี้เป็นของจริงหรือ AI?” ไม่ใช่คำถามเฉพาะของ fact-checker อีกต่อไป แต่กลายเป็นขั้นตอนตรวจสอบปกติสำหรับนักข่าว, recruiter, ผู้ใช้แอปหาคู่, ประกันภัย และผู้ใช้ทั่วไป

ลองใช้ Apidog วันนี้

💡 สำหรับนักพัฒนา “การตรวจสอบรูปภาพ” ในระบบจริงมักหมายถึงการเชื่อมต่อ API ตรวจจับเข้ากับแอปของคุณเอง แล้วทดสอบ request/response ให้แน่ใจก่อน deploy งานลักษณะนี้เหมาะกับการทดสอบใน Apidog ส่วนผู้ใช้ทั่วไปยังสามารถทำตามขั้นตอนด้วยเครื่องมือบนเบราว์เซอร์ฟรีได้

สรุป workflow ที่ใช้ได้จริง

หากต้องตรวจว่ารูปภาพถูกสร้างโดย AI หรือไม่ ให้เรียงลำดับการตรวจตามความน่าเชื่อถือ:

1. ขอไฟล์ต้นฉบับก่อนเสมอ
   
   Screenshot, รูปที่ถูกบันทึกซ้ำ หรือไฟล์ที่ถูกส่งผ่านแอปแชตมักทำลาย metadata สำคัญ

2. ตรวจ C2PA Content Credentials
   
   ใช้เพื่อตรวจ provenance หรือประวัติแหล่งที่มาที่ลงนามด้วย cryptographic signature

3. สแกนลายน้ำที่มองไม่เห็น เช่น SynthID
   
   ใช้ตรวจว่ารูปภาพมาจากโมเดลที่ฝังลายน้ำ เช่น Google หรือ OpenAI หรือไม่

4. เรียกใช้ ML detector หรือ API ตรวจจับ
   
   ใช้เมื่อไม่มี metadata และไม่มี watermark ที่ตรวจพบ

5. ตรวจด้วยสายตา
   
   ดูมือ, ข้อความ, ฟัน, เครื่องประดับ, เงา, reflection และแสง แต่ห้ามใช้เป็นหลักฐานเดียว

6. ค้นหารูปภาพย้อนกลับ
   
   ตรวจว่ารูปปรากฏที่ไหนครั้งแรก และมีบริบทเดิมอย่างไร

7. สรุปเป็นระดับความมั่นใจ
   
   อย่าตัดสินแบบ binary ว่า “จริง/ปลอม” หากหลักฐานไม่พอ ให้รายงานว่า “ไม่สามารถระบุได้”

ทำไมต้องใช้หลายวิธีร่วมกัน

เมื่อไม่กี่ปีก่อน รูป AI มักมีข้อผิดพลาดชัดเจน เช่น มือหกนิ้ว ข้อความอ่านไม่ออก หรือแว่นตาหลอมกับใบหน้า แต่โมเดลรุ่นใหม่สร้างภาพที่ผ่านการตรวจด้วยตาเปล่าได้ดีมากขึ้นเรื่อย ๆ ดังนั้น “มองแล้วไม่แปลก” จึงไม่ใช่หลักฐานว่ารูปนั้นเป็นของจริง

แนวทางตรวจจับสมัยใหม่จึงพึ่ง 2 แนวคิดหลัก:

• Provenance: แนบบันทึกแหล่งที่มาที่ลงนามไว้ตั้งแต่ตอนสร้างไฟล์
• Watermarking: ฝังสัญญาณที่มองไม่เห็นไว้ในพิกเซล เพื่อให้ detector อ่านได้ภายหลัง

แต่ทั้งสองวิธีมีข้อจำกัด: provenance ถูกลบได้, watermark ใช้ได้เฉพาะโมเดลที่รองรับ, ML detector มี false positive และการตรวจด้วยตาเปล่าไม่น่าเชื่อถือกับโมเดลระดับสูง ดังนั้น workflow ที่ดีคือใช้หลายสัญญาณประกอบกัน

วิธีที่ 1: ตรวจ C2PA Content Credentials

C2PA หรือ Coalition for Content Provenance and Authenticity เป็นมาตรฐานเปิดที่รองรับโดย Adobe, Microsoft, Google, OpenAI, BBC และผู้ผลิตกล้องรายใหญ่ มาตรฐานนี้แนบ metadata ที่ลงนามด้วย cryptographic signature ไว้กับไฟล์สื่อ โดยข้อมูลนั้นเรียกว่า manifest และชื่อที่ผู้ใช้ทั่วไปคุ้นเคยคือ Content Credentials

เมื่อเครื่องมือที่รองรับ C2PA สร้างหรือแก้ไขรูปภาพ มันสามารถบันทึกได้ว่า:

• ไฟล์ถูกสร้างด้วยซอฟต์แวร์ใด
• สร้างหรือแก้ไขเมื่อใด
• มี AI เกี่ยวข้องหรือไม่
• มีการแก้ไขหลังจากลงนามหรือไม่

OpenAI แนบ C2PA Content Credentials กับรูปภาพ DALL-E 3 ตั้งแต่ปี 2024 และประกาศในเดือนพฤษภาคม 2026 ระบุว่า OpenAI เป็น C2PA Conforming Generator แล้ว ซึ่งช่วยให้แพลตฟอร์มอื่นอ่านและส่งต่อข้อมูล provenance ได้ดีขึ้น

วิธีตรวจ

1. ขอไฟล์รูปภาพต้นฉบับ
2. เปิดเครื่องมือตรวจ Content Credentials ที่ contentcredentials.org
3. อัปโหลดหรือลากไฟล์เข้าไปในหน้าเว็บ
4. อ่านผลลัพธ์:
   • มี manifest ที่ถูกต้อง
   • ไม่มี Content Credentials
   • manifest ไม่ถูกต้องหรือถูกแก้ไข

หาก manifest ถูกต้องและระบุว่าไฟล์ถูกสร้างโดยเครื่องมือ AI นั่นเป็นหลักฐานที่แข็งแรงมากว่าเป็นภาพ AI

ข้อควรระวัง

C2PA ใช้ได้เมื่อ metadata ยังอยู่เท่านั้น สิ่งที่มักทำให้ข้อมูลหาย ได้แก่:

• Screenshot
• การแปลงไฟล์
• การ “Save as”
• การอัปโหลดผ่านแพลตฟอร์มที่ลบ metadata
• การลบ metadata โดยเจตนา

อีกข้อสำคัญ: C2PA ตรวจ ความสมบูรณ์ของ manifest ไม่ได้พิสูจน์ว่าเนื้อหาในภาพ “เป็นความจริง” ภาพที่จัดฉากหรือทำให้เข้าใจผิดก็ยังมี C2PA ที่ถูกต้องได้

วิธีที่ 2: ตรวจลายน้ำที่มองไม่เห็น เช่น SynthID

SynthID จาก Google DeepMind ฝังสัญญาณที่มองไม่เห็นลงในพิกเซลของรูปภาพที่สร้างโดยโมเดล Gemini และ Imagen สัญญาณนี้ไม่เห็นด้วยตาเปล่า แต่ detector ที่รองรับสามารถอ่านได้

ข้อดีคือ watermark อยู่ในตัวพิกเซล จึงทนต่อการเปลี่ยนแปลงบางอย่างได้ดีกว่า metadata เช่น:

• Screenshot
• Crop
• Compression
• ปรับสี
• บันทึกซ้ำ

ตามประกาศในเดือนพฤษภาคม 2026 OpenAI กำลังเพิ่ม SynthID ให้รูปภาพที่สร้างขึ้นเองด้วย ทำให้เครื่องมือตรวจจับเดียวครอบคลุมเนื้อหาจากผู้ให้บริการรายใหญ่สองรายมากขึ้น

วิธีตรวจ

ใช้พอร์ทัล SynthID Detector ของ Google เพื่ออัปโหลดรูปภาพและสแกนหาลายน้ำ สามารถอ่านรายละเอียดเทคโนโลยีได้ที่ หน้า SynthID ของ Google DeepMind

วิธีตีความผลลัพธ์

• พบ SynthID: เป็นสัญญาณที่แข็งแรงว่ารูปมาจาก AI ที่รองรับ SynthID
• ไม่พบ SynthID: ยังสรุปไม่ได้ว่าเป็นภาพจริง เพราะรูปอาจมาจาก Midjourney, Stable Diffusion, โมเดล open-source หรือโมเดลที่ไม่ฝัง watermark

กล่าวสั้น ๆ: ผลบวกมีน้ำหนักสูง แต่ผลลบไม่มีน้ำหนักมาก

วิธีที่ 3: ใช้ ML detector หรือ API ตรวจจับ

เมื่อไม่มี C2PA และไม่มี watermark ที่ตรวจพบ ให้ใช้ detection classifier หรือ API ตรวจจับภาพ AI โมเดลเหล่านี้ฝึกจากรูปจริงและรูปสังเคราะห์จำนวนมากเพื่อเรียนรู้สัญญาณทางสถิติ เช่น:

• noise pattern ที่ไม่เหมือนกล้องจริง
• artifact ใน frequency domain
• texture pattern ที่ตามองไม่เห็น
• pattern เฉพาะจาก image generator

ผลลัพธ์มักอยู่ในรูปความน่าจะเป็น เช่น “มีแนวโน้ม 87% ว่าสร้างโดย AI”

ตัวอย่าง request สำหรับนักพัฒนา

สมมติว่าผู้ให้บริการ detector มี endpoint สำหรับอัปโหลดไฟล์ คุณสามารถทดสอบด้วย curl ได้แบบนี้:

curl -X POST "https://api.example.com/v1/detect-image" \
  -H "Authorization: Bearer $API_KEY" \
  -F "image=@./sample.jpg"

ตัวอย่าง response ที่ควรออกแบบระบบให้รองรับ:

{
  "is_ai_generated": true,
  "confidence": 0.94,
  "model_hint": "unknown",
  "signals": {
    "metadata": "none",
    "watermark": "not_detected",
    "classifier_score": 0.94
  }
}

ใน production อย่าใช้ is_ai_generated เพียงค่าเดียว ควรบันทึก confidence, detector version, input hash และเวลาที่ตรวจด้วย เพื่อ audit ภายหลัง

การทดสอบ API ใน workflow จริง

หากคุณกำลังเลือกผู้ให้บริการ API บทความ เปรียบเทียบ API ตรวจจับรูปภาพ AI ที่ดีที่สุดสำหรับนักพัฒนา ช่วยเปรียบเทียบความแม่นยำ, ราคา และโมเดลที่รองรับ

ถ้าต้องการควบคุมระบบเองตั้งแต่ต้น อ่านวิธี สร้าง API ตรวจจับรูปภาพ AI ของคุณเอง ซึ่งครอบคลุมการฝึกและให้บริการ classifier

สำหรับการทดสอบ request/response คุณสามารถบันทึก environment, token, test cases และ replay API call ใน Apidog เพื่อให้การตรวจจับทำงานเหมือนกันทั้ง dev, staging และ production หาก detection logic เชื่อมกับ AI agent ให้ใช้ ตัวดีบักเอเจนต์ AI ของ Apidog เพื่อตรวจว่า agent ส่งและรับข้อมูลอะไรจริง ๆ

ข้อควรระวัง

ML detector ใช้ได้กว้าง แต่ไม่ใช่คำตัดสินสุดท้าย:

• มี false positive โดยเฉพาะรูปที่ถูกแก้ไขหนัก, screenshot, รูปแสงน้อย หรือพื้นผิวเรียบ
• detector มักตามไม่ทันโมเดลใหม่
• compression, noise หรือ filter อาจทำให้คะแนนเปลี่ยน
• คะแนนระดับกลาง เช่น 60–75% ควรถือว่า “ไม่ชัดเจน”

อ่านรายละเอียดเพิ่มเติมได้ที่ ทำไมการตรวจจับรูปภาพ AI ถึงล้มเหลว

วิธีที่ 4: ตรวจด้วยสายตา แต่ใช้เป็นหลักฐานรอง

การตรวจด้วยตาเปล่ายังมีประโยชน์เมื่อภาพมาจากโมเดลที่อ่อนกว่า หรือเป็นผลลัพธ์ที่ไม่ได้คัดเลือกมาอย่างดี จุดที่ควรดู:

• มือและนิ้ว: นิ้วเกิน, ข้อนิ้วผิด, นิ้วติดกัน
• ข้อความ: ป้าย, หนังสือ, โลโก้ หรือโปสเตอร์ที่ตัวอักษรเพี้ยน
• ฟันและเครื่องประดับ: ฟันไม่สมจริง, ต่างหูไม่เท่ากัน, สร้อยคอกลืนกับผิว
• แว่น นาฬิกา หัวเข็มขัด: ชิ้นส่วนเชื่อมต่อผิดหรือหายไป
• เงาและ reflection: กระจก, น้ำ หรือแว่นกันแดดสะท้อนผิด
• แสง: ทิศทางแสงขัดแย้งกัน
• พื้นหลัง: object หลอมรวม, pattern ซ้ำ, geometry เป็นไปไม่ได้
• ผิวและ texture: เรียบผิดธรรมชาติหรือเหมือนพลาสติก

แต่ต้องย้ำว่า: การตรวจด้วยสายตาล้มเหลวกับโมเดลระดับท็อปในปัจจุบันได้ง่ายมาก การไม่เห็นข้อผิดพลาดไม่ได้แปลว่ารูปเป็นของจริง

ใช้การตรวจด้วยตาเปล่าเพื่อยืนยันข้อผิดพลาดที่ชัดเจนเท่านั้น ไม่ควรใช้เพื่อประกาศว่าภาพ “ไม่ใช่ AI”

วิธีที่ 5: ค้นหารูปภาพย้อนกลับ

Reverse image search ไม่ได้ตรวจพิกเซลว่าเป็น AI หรือไม่ แต่ตรวจ “ประวัติการปรากฏ” ของรูป ซึ่งช่วยตอบคำถามได้ทางอ้อม

ใช้ Google Images, TinEye หรือเครื่องมือคล้ายกัน แล้วดูว่า:

• รูปเคยอยู่ใน stock photo หรือผลงานช่างภาพมาก่อนหรือไม่
• รูปมาจากชุมชน AI art หรือ prompt-sharing site หรือไม่
• ใบหน้าเดียวกันถูกใช้ในหลาย profile ที่ไม่เกี่ยวข้องกันหรือไม่
• รูปที่อ้างว่าเป็นข่าวด่วนเคยปรากฏเมื่อหลายปีก่อนหรือไม่
• บริบทเดิมตรงกับคำกล่าวอ้างปัจจุบันหรือไม่

ข้อจำกัดคือ ถ้ารูปเพิ่งถูกสร้างและยังไม่เคยเผยแพร่ reverse search อาจไม่พบอะไรเลย

ตารางเปรียบเทียบ 5 วิธี

วิธี	ความน่าเชื่อถือ	ตรวจพบอะไร	ตรวจไม่พบอะไร	ความพยายาม / ค่าใช้จ่าย
C2PA Content Credentials	สูงสุด เมื่อมีอยู่	แหล่งที่มา, ประวัติการแก้ไข, การเกี่ยวข้องกับ AI, ลายเซ็นที่ตรวจสอบได้	ไฟล์ที่ถูก screenshot, encode ใหม่ หรือถูกลบ metadata	ต่ำ; เครื่องมือเบราว์เซอร์ฟรี
ลายน้ำที่มองไม่เห็น เช่น SynthID	สูง เมื่อมีอยู่	ภาพ AI จากโมเดลที่ฝัง watermark เช่น Google และ OpenAI	โมเดลที่ไม่มี watermark, open-source generator, ไฟล์ที่ถูกแก้ไขหนัก	ต่ำ; พอร์ทัลฟรี
ML detector / API	ปานกลาง; เป็นความน่าจะเป็น	สัญญาณทางสถิติของภาพ AI แม้ไม่มี metadata	โมเดลใหม่, รูปที่แก้ไขหนัก, false positive	ต่ำถึงปานกลาง; ฟรีหรือเสียค่า API
ตรวจด้วยสายตา	ต่ำสำหรับโมเดลระดับสูง	ข้อผิดพลาดชัดเจนในภาพคุณภาพต่ำ	ภาพจากโมเดลปัจจุบันที่คัดเลือกมาอย่างดี	ต่ำ; ฟรี
ค้นหารูปภาพย้อนกลับ	ปานกลาง; ตรวจบริบท	แหล่งที่มาเดิม, การนำภาพเก่ามาใช้ผิดบริบท	รูปใหม่ที่ยังไม่เคยโพสต์	ต่ำ; ฟรี

แนวทางที่ใช้งานได้ดีคือ:

• ใช้วิธีที่ 1 และ 2 ก่อน เพราะถ้าพบผลลัพธ์ จะมีน้ำหนักสูง
• ใช้วิธีที่ 3–5 เพื่อเสริมหลักฐานเมื่อสองวิธีแรกไม่พบอะไร
• สรุปเป็นระดับความมั่นใจ ไม่ใช่คำตัดสินแบบเด็ดขาด

วิธีรวมผลลัพธ์เป็นคำตัดสินเดียว

ใช้ decision flow แบบนี้:

1. มีไฟล์ต้นฉบับหรือไม่?
   
   ถ้ามี ให้ตรวจ C2PA ก่อน

   • manifest ระบุ AI และถูกต้อง = หลักฐานแข็งแรงมาก
   • manifest จากกล้องและไม่มี AI = สนับสนุนว่าเป็นภาพถ่ายจริง
   • ไม่มี manifest = ไปขั้นถัดไป

2. สแกน SynthID

   • พบ watermark = หลักฐานแข็งแรงว่าเป็น AI
   • ไม่พบ = ยังสรุปไม่ได้

3. เรียก ML detector

   • คะแนนสูงมาก เช่น 90%+ และมีหลักฐานอื่นสนับสนุน = ความมั่นใจสูง
   • คะแนนต่ำมาก = เอนเอียงว่าเป็นภาพจริง
   • คะแนนกลาง = ไม่ชัดเจน

4. ตรวจด้วยสายตา

   • พบข้อผิดพลาดชัดเจน = สนับสนุนว่าเป็น AI
   • ไม่พบข้อผิดพลาด = ไม่ได้พิสูจน์ว่าเป็นของจริง

5. ค้นหารูปภาพย้อนกลับ
   
   ใช้ยืนยันแหล่งที่มาและตรวจการนำภาพไปใช้ผิดบริบท

6. รายงานผลพร้อมเหตุผล
   
   ตัวอย่างที่ดี:

“มีความมั่นใจสูงว่าสร้างโดย AI เนื่องจากพบ SynthID และ ML detector ให้คะแนน 94%”

ตัวอย่างที่ไม่ดี:

“รูปนี้ปลอมแน่นอน”

ตัวอย่างโครงสร้างผลลัพธ์สำหรับระบบของคุณ

หากกำลังสร้างระบบตรวจภาพ AI ในแอป ควรส่งผลลัพธ์กลับเป็น object ที่อธิบายหลักฐานได้ ไม่ใช่ boolean อย่างเดียว:

{
  "verdict": "likely_ai_generated",
  "confidence": "high",
  "evidence": [
    {
      "type": "synthid",
      "result": "detected",
      "weight": "strong"
    },
    {
      "type": "ml_classifier",
      "score": 0.94,
      "weight": "medium"
    },
    {
      "type": "c2pa",
      "result": "not_found",
      "weight": "neutral"
    }
  ],
  "recommendation": "Treat as AI-generated unless contradictory source evidence is provided."
}

สำหรับกรณีไม่ชัดเจน:

{
  "verdict": "undetermined",
  "confidence": "low",
  "evidence": [
    {
      "type": "c2pa",
      "result": "not_found"
    },
    {
      "type": "synthid",
      "result": "not_detected"
    },
    {
      "type": "ml_classifier",
      "score": 0.62
    }
  ],
  "recommendation": "Do not make a high-stakes decision from this result alone."
}

แนวคิดสำคัญคือคุณกำลัง “รวบรวมหลักฐาน” ไม่ใช่กดปุ่มแล้วได้คำตอบจริง/ปลอมแบบสมบูรณ์

บทสรุป

การตรวจว่ารูปภาพถูกสร้างโดย AI หรือไม่ในปี 2026 ต้องใช้หลายวิธีร่วมกัน:

• เริ่มจาก C2PA Content Credentials
• ต่อด้วย ลายน้ำที่มองไม่เห็น เช่น SynthID
• ใช้ ML detector หรือ API เมื่อไม่มี metadata หรือ watermark
• ใช้ การตรวจด้วยสายตา เป็นหลักฐานรองเท่านั้น
• ใช้ reverse image search เพื่อตรวจบริบทและแหล่งที่มา
• รายงานผลเป็น ระดับความมั่นใจ
• หากหลักฐานไม่พอ ให้ตอบว่า ไม่สามารถระบุได้

สำหรับนักพัฒนาที่ต้องเพิ่มระบบตรวจจับลงในผลิตภัณฑ์ ขั้นตอนถัดไปคือเชื่อมต่อ API ตรวจจับ ทดสอบกับรูปจริงหลายประเภท และตรวจ response ให้ครอบคลุม edge case ก่อนใช้งานจริง คุณสามารถ ดาวน์โหลด Apidog เพื่อออกแบบ, debug และทดสอบ integration ทั้งหมดใน workspace เดียว พร้อม environment และ request ที่บันทึกไว้เพื่อให้ endpoint ตรวจสอบรูปภาพทำงานสม่ำเสมอในทุกสภาพแวดล้อม.