(資料圖片僅供參考)

一年一度的“3·15”消費者權益日如期而至，這一天，全民最期待、各家公關最緊張的環節，應該是“打老虎”的高光時刻。

某些高高在上的巨頭或大牌的“套路”被曝光，次日忙不迭道歉整改，讓廣受其害但維權困難的消費者們拍手稱快，這樣的故事大家已經耳熟能詳了。但在3月15日這一天之外，人們日常還會面臨各式各樣、層出不窮的造假售假，不能都指望一天時間、一臺晚會、打幾只老虎來解決。

能夠全年無休的AI打假師，也就被科技企業推進了大眾的視野。不過，想要真的用好AI打假，還要對它的邏輯、能力和有限性，有一定的了解。

本文希望通過科普AI打假的段位，幫大家在日常維權時用好科技的武器。

初級段位：機器視覺PK假貨

提到打假，很多人日常接觸到的假東西，應該是各類假冒偽劣、以假亂真的消費品。以消費者服務平臺——黑貓投訴為例，對假貨、售假、貨不對板的投訴量非常之大。

先說AI應用在貨品打假上的基本邏輯。

邏輯：人工打假難、打假貴、周期長、套路多——通過機器視覺提升“眼力”。

人工打假難：隨著現代制作工藝技術越發精湛，越來越多的“大牌”包包、高仿潮鞋、收藏品偽作，不再是粗制濫造的“一眼假”，可以做到以假亂真的地步，看走眼的專家數不勝數。有些造假技藝出神入化的“古玩”，甚至連專業儀器都不能準確鑒定。

人工打假貴：人工甄別需要多名鑒定師“背靠背”鑒定，因此收費也往往是在線鑒定的數倍。國內某奢侈品鑒定平臺，在線鑒定49元，實物鑒定收費則達到199元。

周期長：制假售假販假大多是流水線式團隊作戰，批量生產，加上越來越多生活富裕的人加入消費/收藏的隊伍，交易數量多，相應的投訴量也增多，維權周期也很長，很多消費者只能選擇自認倒霉。

套路多：很多人覺得，專家的意見很可靠，專業機構出具的證書有背書作用，但架不住造假套路太多，市場上充斥著僅在鑒定培訓班學習過幾天而取得“結業證書”的廉價大師，還有不具備相應條件又未經過合法審批的鑒定中介機構渾水摸魚，證書只要給錢就能出，所以即使人工鑒定也可能陷入套路。

所以，近年來通過在線平臺，用戶拍攝照片上傳，AI系統比對鑒定，變得流行起來。有企業推出的“AI鑒定師”，一秒鐘能識別20個假冒商標，有的藝術品鑒定，可以對文物進行“一物一圖”的識別鑒定，規避仿造的問題。這些都是靠什么能力實現的呢？

能力：機器視覺的快、準、惠。

面對假貨，沒有“眼力”就會處于弱勢。機器視覺是AI的一個分支，讓機器能夠“看”和“理解”視覺信息，類似于人類的“眼力”。

首先，機器視覺系統會對物品的高精度圖像進行識別和分析，提取出物品的形狀、顏色、紋理等相關特征。

然后，系統結合已知真假貨的數據集，根據真假貨的規律和特征，比如正品大牌包包的五金件顏色，logo字母的形狀等，進行比照。

當然，隨著造假技術的提高，很多直觀的細節不再是造假的難點，僅僅單一特征的圖像比對是不夠的。比如有的古籍造假，會使用年代久遠的紙張，文字或圖案通過軟件調色貼近真跡，真中有假，假中藏真，讓很多專家也只能憑感覺“覺得哪里不對”，而AI算法可以快速找到多種特征的彼此矛盾之處，找到真假“雜拼”的違和感，再由人工鑒定師進行判斷。

通過機器視覺，可以快速、準確地識別出假貨特征，與人工鑒定相結合，降低鑒定的整體成本。

有限性：造假升級，數據瓶頸。

當然，基于機器視覺的在線鑒定，還不能百分百取代人工鑒定，技術的有限性主要來自于：

一是造假手段的科技化。造假不可怕，就怕造假的人有文化，現在很多產品的造假技術也上了一個新的臺階，比如購入正品后，拆解成幾個部分，再拼湊在一起高價賣出；有的大牌包包在各種細節上都與正品一致，不同的可能是五金件的銅含量不一樣，這就需要借助專業的金屬檢測設備，僅靠機器視覺識別是不夠的。

二是真假數據的限制。機器視覺算法的準確率，需要龐大的真假貨特征數據集來支持，而大牌產品更新換代很快，數據集的速迭代速度如果跟不上，就會讓新款假貨成為漏網之魚。此外，很多藝術品/收藏品都是孤件，收藏家沒有動力將其數字化后共享數據，這也會影響算法結果的準確度。同時，很多鑒定標準都是行業專家口口相傳的口訣，沒有形成一定的算法規則，垂直品類如紫砂壺、明青花等，行業知識匱乏、數據稀疏，也會影響算法的有效性。

這里要說的是，以假亂真的造假，更多用于藝術品、奢侈品等價值昂貴的產品上，吸引的群體比較有限。正是市面上大量流通的大眾消費品，才導致了規模龐大的受害者，而這些產品的造假一般不會費心地精益求精，AI的到來，無疑提供了一把價廉物美的打假武器。

中級段位：Anti-Deepfake PK Deepfake

造謠一張嘴，辟謠跑斷腿。當深度偽造技術Deepfakes換臉輕而易舉，圖像、音頻以假亂真，很多人的臉被拿來做成虛假視頻，在網絡上瘋狂傳播，近年來越來越地引發維權。

邏輯：Deepfake帶來的偽造危機——更強大的Anti-Deepfake自動甄別技術 “攻子之盾”。

你也許會說，被改頭換面是公眾人物、明星的煩惱，自己只是個普通人，干嘛要擔心AI換臉。試想一下，這樣的形象造假越來越多，讓網絡上的信息真偽難辨，權威專家的嘴型可以p，領導人的臉可以換，那會讓沒有專業辨識能力的普羅大眾，陷入謠言和欺騙的信息海洋，在無形中損傷了整個社會的互信，引發集體信任危機。

此外，如果Deepfakes被用于非法用途，如詐騙、敲詐勒索等，很難保證黑客不會將其產業化、普及化，這樣就會對更廣大的群體帶來形象和經濟上的損害。我

我曾采訪過一家智能金融機構，對方提到，通過在線視頻確認借款人身份時，就可能會遇到深度偽造視頻的攻擊，提高了風控的難度。

所以，檢測和消除深度偽造圖像和視頻，避免技術被惡意利用，也成為許多科技公司打造負責任的技術的一種選擇。

能力：基于GAN（生成式對抗網絡）的Anti-Deepfake算法，使用多個深度學習模型對輸入數據進行分析，提取出視覺、語音和動態特征，并將它們結合為一個特征向量，與已知的生物特征進行比較。

Deepfakes算法不是完美的，缺少常識，所以偽造的臉存在很多不對勁的特征，但這些面孔本身看起來很逼真，靠人的肉眼“找茬”有點費勁，但AI可以快速找到這些線索。

比如一只耳朵上沒有戴耳環（除非她是一個叛逆朋克少女），牙齒數量以及方向不對，衣服或背景的形態很不合常理。

注意看，中牙非常小，耳朵也很怪

有科學家找到了一種檢測偽造的方法，研究團隊發現Deepfakes難以準確再現常規的瞳孔。真正的人類瞳孔是一個規則的橢圓形，而Deepfakes生成的瞳孔明顯不規則，因為它對人臉結構沒有生理常識。

（來源：arxiv.org/abs/2109.00162）

此外，有的偽造線索是動態的，比如聲音和口型對不上，需要檢測算法提取視頻的音、畫特征進行分析匹配。

有限性：真偽游戲，永無止境

通過AI自動檢測來識別深度偽造的音視頻，根本挑戰在于偽造技術進化得非常快。

2018年紐約州立大學開發出一款“反換臉”AI刑偵工具，通過預測眼睛是否眨動的狀態來識別偽造人臉，準確率達到 99%，但這款工具還沒推廣就失效了，因為Deepfakes技術進化了。

自動檢測算法需要在高質量的數據集上進行訓練，這些數據集要包括真實數據和合成數據，如果數據的多樣性不足，訓練視頻和測試視頻的相似性很高，那么實際檢測的效果也會不理想。

此外，用戶發現被深度偽造內容侵權后，問責和維權是非常難的，一般首先問責的是平臺，對侵權視頻/賬號做出下架、刪除、處罰等處理，但整個過程不確定性很大，還要和平臺企業的客服、運營、公關、法務等多部門交鋒，非常繁瑣，很多用戶只能選擇不了了之。用戶監督對檢測技術的升級，影響有限。

只能希望數據隱私保護的相關法律持續完善和落地，科技企業加強技術倫理和研發，在這場真偽斗法中不斷保障用戶的權益。

高級段位：AI內容識別器PK AI作弊

ChatGPT的出現，將AIGC帶入了新的巔峰。據《紐約時報》報道，大型語言模型(LLM)生成的文本，與人類編寫的文本難以區分，資深大學教授也無法準確區分學生是否用ChatGPT寫了論文作業。

所以，為了防止學生用AI作弊，紐約公立學校已全面禁止使用ChatGPT，美國一些學區也開始采取這一措施。

還有科學家讓AI來檢測ChatGPT撰寫的醫學研究摘要，不僅比論文剽竊檢測器的效果好得多，而且比人類審稿人的成績還高。也就是說，ChatGPT撰寫的論文摘要，已經可以讓人類專家都難辨真假了。

而就在今天，GPT-4問世，支持多模態的生成任務，對代碼有超強的理解能力，這也使得AI內容識別器成為了一項必需品，來避免AIGC快速發展拉大“假內容”的識別難度。

邏輯：大型語言模型強大的生成能力導致AI淪為作弊工具——AI內容識別器，檢測內容是人類寫的還是AI寫的。

能力：不詳。

是的，作為一種最新最前沿的造假手段，目前還沒有一種技術或軟件，能夠有效且準確地識別出用ChatGPT作弊內容。

AI內容識別的方法，目前有兩種：

一種是黑盒檢測，即通過統計特征的分析，找到AI文本和人類文本的區別，已經有多個團隊或開發者，推出了相應的解決方案。

比如普林斯頓大學計算機科學專業的華裔學生Edward Tian開發的GPTZero，號稱可以通過分析語言模型對文本的“喜愛”程度，以及AI寫作一段文本時的“困惑”程度，通過“親AI”分數來判斷文章是否出自AI之手。

斯坦福大學提出的DetectGPT，認為人寫文章和模型樣本的攝動差異分布有顯著差異，通過這個差異來檢測一段文本是否由模型生成。

OpenAI也在前不久推出了AI生成內容識別器，但博客數據顯示，檢出成功率只有26%，對英文以外的語言，檢測效果要差很多，并且不支持1000字符以內的短文本（因為人類寫的和AI寫的答案可能是一樣的）。而且，一些AI生成的文本經過編輯之后，也可能規避掉檢測。

大模型能力的提升，使得AIGC和人類的差距越來越小，導致AI內容識別器的檢測準確性也難以保障。比如最新的GPT-4，表現相比GPT-3.5有了大幅提升，之前針對GPT-3等大型語言模型的檢測工具，都面臨失效的風險。

（GPT-4在大多數測試中表現優于GPT-3.5）

另一種是白盒檢測，即模型的開發人員對AI內容進行一定的處理，從而滿足檢測目的。

此前OpenAI就聲稱，考慮給AI內容加上水印，在詞匯選擇上加入“不引人注意的秘密信號”，這樣就能證明這段文字是 GPT 模型生成的。

這一方法的問題是，只能由模型開發者植入水印，模型開源之后可以通過微調來移除水印，也會失效。

有限性：AI檢測技術的進步，慢于AI生成技術的進步。

說了這么多，當然不是為了把AI等新技術生成的東西都“一棒子打死”。

今天，我們能在博物館里看到臨摹仿制的復制品，這種“假”與欺騙無關；能靠Deepfakes將失德藝人的臉換掉，讓作品繼續上映，保住整個制作團隊的心血；能用AI畫出自己想象中的場景，當然也不能算是造假……

物品沒有對錯，技術沒有好壞，錯的只是人心，只是握刀的那只手。

作為普通人，我們能做的就是“知己知彼”，了解造假技術的邏輯、能力和局限，將捍衛自身權益的武器，掌握在自己手里。

關鍵詞：