DeepNude — historia i co było dalej

Nota redakcyjna z 08.09.2026: Tekst historyczno-prawny. Nie opisujemy, jak uzyskać ani uruchomić żadną z wymienionych aplikacji; nie linkujemy do repozytoriów kodu. Fragmenty o prawie to informacja redakcyjna, a nie porada prawna.

Dlaczego historia DeepNude wciąż ma znaczenie?

DeepNude przetrwał jako aplikacja zaledwie kilka dni w czerwcu 2019 roku, a mimo to jego nazwa stała się określeniem całej kategorii narzędzi. Każdy serwis z naszego katalogu — od Ainudez po Dreemy.ai — dziedziczy po nim problem, który wtedy ujawnił się po raz pierwszy: technologia wyprzedziła prawo i zabezpieczenia.

Ten tekst porządkuje fakty: co DeepNude robił technicznie, dlaczego został zamknięty, co stało się z jego kodem i jak dwie kolejne fale technologii — GAN, a potem modele dyfuzyjne — zmieniły narzędzia, które dziś recenzuje Clothoff AI. Krótką definicję zawiera hasło DeepNude w słowniku.

W drugiej części zbieramy zmiany prawne: polski art. 191a Kodeksu karnego, unijny AI Act i dyrektywę 2024/1385. To informacja redakcyjna z odesłaniami do tekstów aktów, nie porada prawna.

Oś czasu: od GAN do modeli dyfuzyjnych

Oś czasu zestawiona przez redakcję na podstawie publikacji naukowych (arXiv), aktów prawnych (EUR-Lex, ISAP) i encyklopedycznego opisu DeepNude; źródła na końcu tekstu.

Dwie daty wyznaczają granice epok. Rok 2014 to publikacja architektury GAN, bez której DeepNude nie mógłby powstać. Rok 2022 to moment, w którym otwarte modele dyfuzyjne uczyniły przemalowywanie fragmentów zdjęcia funkcją dostępną w przeglądarce — i przeniosły problem z pojedynczej aplikacji na całą kategorię usług.

Jak działał DeepNude od strony technicznej?

DeepNude był programem na komputer, który przyjmował zdjęcie ubranej osoby i generował obraz udający nagość. Pod spodem działała sieć typu GAN — dwa modele uczą się naprzemiennie: generator tworzy obrazy, a dyskryminator ocenia, czy są prawdziwe. Architekturę tę opisali Goodfellow i współautorzy w pracy z 2014 roku (arXiv 1406.2661).

Konkretnie autor użył podejścia pix2pix — warunkowej sieci GAN do tłumaczenia obrazu na obraz, opublikowanej w 2016 roku (arXiv 1611.07004). Model uczono na parach zdjęć, dzięki czemu „przekładał” ubrany kadr na jego wersję bez ubrania. Działał wyłącznie na zdjęciach kobiet, bo tylko takie dane treningowe zebrano.

Jakość była niska według dzisiejszych standardów: rozmycia, powtarzalne tekstury, błędy anatomii przy nietypowych pozach. Nie zmieniało to jednak istoty problemu — obraz był na tyle wiarygodny, by szkodzić osobie, której twarz zawierał. To ta szkoda, a nie realizm, stała się później podstawą regulacji.

Dlaczego DeepNude został zamknięty po kilku dniach?

Aplikacja zyskała rozgłos pod koniec czerwca 2019 roku po artykule w mediach technologicznych. W ciągu kilku dni ruch przerósł infrastrukturę, a autor — anonimowy programista — ogłosił zakończenie projektu, tłumacząc, że prawdopodobieństwo nadużyć jest zbyt duże. Przebieg tych wydarzeń dokumentuje hasło encyklopedyczne (Wikipedia: DeepNude).

Zamknięcie nie zatrzymało dystrybucji. Kopie programu i jego kodu krążyły w sieci, pojawiły się wersje z „odblokowanym” znakiem wodnym oraz płatne klony. Platformy hostujące kod usuwały repozytoria, ale każda usunięta kopia miała już lustrzane odbicia. Od tego momentu problem przestał być kwestią jednej aplikacji.

Najgroźniejszą formą dystrybucji okazały się boty w komunikatorach: użytkownik wysyłał zdjęcie, bot odsyłał przerobiony obraz. Dlaczego ten model jest ryzykowny dla obu stron, opisujemy w tekście boty Telegram do rozbierania — ryzyko.

Co zmieniły modele dyfuzyjne?

Drugą falę uruchomiła inna rodzina modeli. Modele dyfuzyjne uczą się odszumiać obraz krok po kroku; praca o DDPM z 2020 roku (arXiv 2006.11239) pokazała, że dorównują GAN-om jakością i są stabilniejsze w treningu. Wersja latentna z 2021 roku (arXiv 2112.10752) obniżyła koszt obliczeń na tyle, by modele mogły działać na zwykłych kartach graficznych.

Publiczne udostępnienie wag otwartego modelu w 2022 roku (opis: Stable Diffusion) przyniosło funkcję kluczową dla tej kategorii — inpainting, czyli przemalowanie zamaskowanego fragmentu zgodnie z opisem tekstowym. Nie trzeba już było zbierać par zdjęć ani trenować sieci od zera.

Skutek: dziesiątki serwisów w przeglądarce, rozliczanych w kredytach, z modułami obrazu i wideo. Różnią się polityką danych, cenami i jakością — to właśnie te różnice mierzymy w pięciu kryteriach na stronie Jak oceniamy, a ich wyniki zbiera ranking.

Co zmieniło się w prawie po DeepNude?

Polska. Art. 191a Kodeksu karnego (ISAP: Kodeks karny) penalizuje utrwalanie wizerunku nagiej osoby lub osoby w trakcie czynności seksualnej bez jej zgody oraz rozpowszechnianie takiego wizerunku — zagrożenie karą od 3 miesięcy do 5 lat pozbawienia wolności. Przepis istniał przed DeepNude; spór dotyczy jego stosowania do obrazów syntetycznych. Omówienie: art. 191a KK.

Unia Europejska — AI Act. Rozporządzenie 2024/1689 (EUR-Lex: AI Act) w art. 50 nakłada na dostawców i podmioty stosujące obowiązek oznaczania treści syntetycznych, w tym deepfake; przepisy te stosuje się od 2 sierpnia 2026 roku. Szczegóły: AI Act art. 50.

Unia Europejska — dyrektywa 2024/1385. Dyrektywa w sprawie zwalczania przemocy wobec kobiet (EUR-Lex: dyrektywa 2024/1385) nakazuje państwom członkowskim karać m.in. wytwarzanie lub manipulowanie materiałami przedstawiającymi osobę w sytuacji intymnej bez jej zgody i ich udostępnianie; termin transpozycji upływa 14 czerwca 2027 roku. Omówienie: dyrektywa 2024/1385.

Wspólny kierunek jest czytelny: prawo przestało pytać, czy obraz jest „prawdziwy”, a zaczęło pytać, czy osoba na nim wyraziła zgodę. Jak te przepisy działają w polskiej praktyce i jakie kary grożą, wyjaśnia tekst czy rozbieranie zdjęć AI jest legalne w Polsce. To nie jest porada prawna — w konkretnej sprawie skonsultuj się z prawnikiem.

Co dalej: trzy lekcje z historii DeepNude

1. Zamknięcie aplikacji nie usuwa technologii. Kod i wagi modeli krążą dalej; skuteczniejsze są mechanizmy po stronie ofiary — zgłoszenia NCII, hashowanie obrazów (StopNCII) i szybkie usuwanie przez platformy.
2. Zgoda jest jedynym kryterium, które przetrwało zmianę technologii. Od GAN po dyfuzję pytanie brzmi to samo: czy osoba na zdjęciu jest dorosła i zgodziła się na przetworzenie swojego wizerunku.
3. Przejrzystość operatora stała się mierzalna. Retencja plików, klauzule treningowe, oznaczanie treści syntetycznych — to dziś różnicuje narzędzia bardziej niż jakość obrazu. Dlatego prywatność ma w naszej metodyce wagę 30%.

Jeśli ktoś opublikował przerobione zdjęcie z Twoim wizerunkiem, kolejność działań opisuje poradnik co zrobić, gdy ktoś opublikował przerobione zdjęcie, a ścieżki zgłoszeń zbiera strona Zgłoś NCII.

1. Goodfellow I. i in., „Generative Adversarial Networks” (2014) — arXiv 1406.2661, dostęp 08.09.2026
2. Isola P. i in., „Image-to-Image Translation with Conditional Adversarial Networks” (pix2pix, 2016) — arXiv 1611.07004, dostęp 08.09.2026
3. Ho J. i in., „Denoising Diffusion Probabilistic Models” (2020) — arXiv 2006.11239, dostęp 08.09.2026
4. Rombach R. i in., „High-Resolution Image Synthesis with Latent Diffusion Models” (2021) — arXiv 2112.10752, dostęp 08.09.2026
5. DeepNude — hasło encyklopedyczne — Wikipedia (EN), dostęp 08.09.2026; źródło pomocnicze dla chronologii, nie dla prawa
6. Ustawa z dnia 6 czerwca 1997 r. — Kodeks karny (art. 191a) — ISAP, Dz.U. 1997 nr 88 poz. 553, dostęp 08.09.2026
7. Rozporządzenie (UE) 2024/1689 — AI Act (art. 50) — EUR-Lex, dostęp 08.09.2026
8. Dyrektywa (UE) 2024/1385 w sprawie zwalczania przemocy wobec kobiet i przemocy domowej — EUR-Lex, dostęp 08.09.2026

Nie podajemy linków do kopii kodu ani do klonów aplikacji. Fragmenty dotyczące prawa mają charakter informacyjny i nie są poradą prawną.