看看你是否能识别AI深度伪造的测试
摘要
BBC报道了一项测试和研究,旨在通过关注对称性、比例和表现力等感知特质,使用StyleGAN3来训练人们识别AI生成的深度伪造面孔。
暂无内容
查看缓存全文
缓存时间: 2026/07/11 09:24
# 试试看能否识别人工智能深度伪造——来做个测试吧
来源:https://www.bbc.com/news/articles/c9d2wgvg55jo
Calum Watson, BBC Scotland 与
Aimee Stanton, BBC Scotland 数据可视化团队
BBC 一位留着黑色长发、戴着眼镜的女性手持两幅人脸大照片
BBC
克莱尔·萨瑟兰博士手中拿着的两张照片中,有一张是AI生成的深度伪造
心理学家克莱尔·萨瑟兰博士正举着两张大照片。其中一张是一位领导国际研究项目的澳大利亚学者的面孔;另一张则是AI生成的深度伪造。
人工智能如今已能如此娴熟地制作逼真图像,以至于真假越来越难辨。
但有没有可能训练人们识别出机器生成的假人像呢?
这正是萨瑟兰(来自阿伯丁大学)和她的澳大利亚同事一直在研究的问题。
不过在我们揭晓答案之前,先来做个小测试——记下你的得分吧。
如果你觉得很难,那并不孤单。
过去,识破计算机生成的视觉假象(常被欺诈者利用)要容易得多,因为AI会犯下明显错误——比如多出一根手指或某些明显不对劲的地方。
但AI能从错误中学习。
“依靠视觉瑕疵进行训练,比如寻找第六根手指或奇怪的耳环,效果有限,部分原因是AI越来越强大,而且欺诈者本来就避免使用有明显缺陷的图片。”艾米·道维尔教授解释道。
她就是萨瑟兰照片里那位齐肩长发的女性。而那张男性面孔是假的。
道维尔是澳大利亚国立大学情感与面孔实验室的主任。
她领导着一支来自澳大利亚、加拿大和英国的研究团队,旨在弄清人们能否通过训练来识破AI冒充者。
目前来看,答案是肯定的——但要学会识别AI假脸,需要更微妙的技巧。
---
## 培养对假脸的感知
她表示,他们注意到自己仅凭观察就能对哪些脸是真的、哪些是AI生成的有种直觉。
“所以我们想,好吧,看看我们能否把这种方法也教给别人,这一定很有趣。”她说。
实验中,他们使用一款名为StyleGAN3的AI图像工具生成了数千张AI面孔,这是现有最逼真的面孔生成器之一。
参与者在接受训练前后都接受了测试。
## 他们被训练观察什么?
研究人员通过引导参与者关注六种感知特征来进行训练:
- **对称性**——AI往往无法重现那些让我们成为人类的独特特征——比如微微下垂的眼皮或歪嘴的笑容。“如果某样东西好得令人难以置信,那它很可能就不是真的。”
- **比例感**——类似的概念。特别大的鼻子或突出的耳朵在深度伪造图片中并不典型。
- **吸引力**——“AI生成的面孔往往更好看,”萨瑟兰解释道。“这一点更为主观,属于审美判断,但AI通常创造赏心悦目的面孔。”
- **独特性**——“可以理解成‘什么会让一张脸在人群中脱颖而出?’AI面孔往往趋向平均值,所以看起来更千篇一律。”
- **表现力**——“AI面孔的情绪表达往往较弱,”萨瑟兰说。“它们呈现出的情感较少。”
- **记忆性**——“它们常常不太容易记住——很难让人留下印象。”
AI在生成非白人、年长或年幼面孔时也往往不那么擅长,因为它的训练数据更多是年轻白人面孔。
这些提示有些听起来相似且“模糊”——但关键就在于此。
你几乎不会遇到一个万无一失的“破绽”来直接揭穿AI假脸。相反,它是一种培养对AI特征敏感度并发展出直觉的过程。
研究人员发现,通过让人观看AI和真实图像,然后告知他们哪张是哪张,人们能在短时间内(甚至一小时左右)显著提高识别能力。
参与者通常能将准确率从大约40%提高到80%。
少数人甚至接近100%的准确率。
Nightingale 一名有着齐肩棕色头发的年轻女性对着镜头微笑
Nightingale
研究人员发现,训练能帮助人们识别AI深度伪造,比如这一张
讽刺的是,人脑在此过程中的运作方式与生成式AI模型的工作原理类似。
只要提供足够的数据进行训练,随着时间的推移,它们的准确性就会提高——尽管我们可能并不完全理解它们是如何做到的。
研究还考察了参与者在识别AI图像时的自信程度。
此前研究表明,人们往往高估自己识别AI面孔的能力,而最自信的人恰恰犯错最多。
经过训练,参与者识别深度伪造的信心有所提升。
“这很有帮助,对吧?”萨瑟兰说。“因为如果你不知道自己是否正确,就无法利用这些信息做任何事。”
---
那么,准备好再做一个测试了吗?
你做得怎么样?是不是更有信心了?
如果没有,也不必苛责自己。无论是在人类世界还是生成式AI的世界里,熟能生巧——至少能更接近完美。
## 为什么学习识别AI假脸很重要?
显而易见的危险是欺诈。
报告引用了这样一个案例:一家香港公司的员工在一次视频通话中,被用深度伪造模拟的上司欺骗,向诈骗分子转汇了2500万英镑。
深度伪造技术的另一个阴暗用途是政治间谍活动。
早在2019年,美联社的一项调查就发现,一名叫凯蒂·琼斯的女性在领英上的个人资料(包括照片)似乎是虚构的。
琼斯自称是俄罗斯及欧亚问题专家,与美国华盛顿顶尖智库和政界圈有联系。
美联社报道称,她实际上是俄罗斯情报机构制作的深度伪造,并成功与多名美国高级政治助手及国家安全官员建立了联系。
LinkedIn 一张领英个人资料中年轻女性的照片截图
LinkedIn
美联社调查称凯蒂·琼斯是一个深度伪造
不过,对AI公平地说,萨瑟兰也看到了该技术的一些积极用途——例如能够快速、低成本地展示一个失踪多年的孩子在不同年龄可能的样子。
她说,如果人们“以善意使用它,并让人们知道AI被使用了,那它可能对创意活动非常有用”。
所以好消息是,我们尚未生活在一个真假难辨的反乌托邦世界。
坏消息是,AI模型可能已经“阅读”了已发表的学术研究论文。而且它还在学习。
相似文章
朝向校准、公平且准确的深度伪造检测
介绍Face-Fairness (FF),一种用于深度伪造检测中偏见缓解的即插即用框架,其中Face-Feature Tuning (FFT)作为首个无需人口统计标签的公平性方法,能够提升群体准确率并缩小不同人口统计群体间的性能差距。
Wall Street Journal:AI深度伪造在中期选举中变得更诡异且更难识别 | 虚假视频和广告浪潮加剧对错误信息的担忧
AI生成的深度伪造变得越来越逼真且更难检测,引发对其在中期选举中用于传播错误信息的担忧。
AI深度伪造与创作者经济欺诈:2026年检测与防护指南
Sumsub的这篇文章探讨了针对创作者经济的AI驱动深度伪造欺诈日益增长的威胁,并提供了一份关于检测和防护方法的指南,以应对冒充和语音克隆诈骗。
谷歌的深度伪造检测系统用于揭穿麦康奈尔恶作剧图片
谷歌的SynthID水印系统被用于揭穿一张伪造的AI生成图像,图像中是参议员米奇·麦康奈尔,这展示了深度伪造检测技术在一场高调恶作剧中的有效性。
微缺陷暴露宏观伪造:通过局部分布变化检测AI生成图像
一种局部分布感知的检测框架,通过放大微观尺度上的统计异常来识别AI生成图像,具有更高的准确率,在多个基准测试中优于基线检测器。