首页科技快讯为什么我们对deepfake技术又爱又恨？

为什么我们对deepfake技术又爱又恨？

来源：晰数塔互联网快讯时间：2019年11月15日 19:53

编者按：本文来自微信公众号“腾讯研究院”（ID：cyberlawrc），作者 S君. ai，36氪经授权发布。

为什么我们对deepfake技术又爱又恨？

Deefake到底是什么？即便你对这个近来AI界频频出现的热词不够了解，对「AI换脸」也一定不陌生。从国外的恶搞奥巴马、盖尔加朵，到国内的朱茵换脸杨幂、以及ZAO App的昙花一现。这项脑洞大开的技术在2017年由Reddit网站用户「deepfakes」提出并开源，便在论坛炸了锅。随即衍生出FakeApp等视频合成工具和一系列伪造影片。

这种源自人工智能生成对抗网络（GAN，generative adversarial network）的伪造技术，可以实现用另一张人脸图片替换掉原始视频中的原始人像。基于GAN算法的博弈优化原理，最终生成逼真度极高的伪造视频，目前已可以以假乱真。

为什么我们对deepfake技术又爱又恨？

一方面，deepfake技术应用在影视文化行业的想象空间极大，另一方面，恶搞与色情影片对人性的耸动，使其从诞生之初就伴随着肖像权、版权和伦理层面的纷争。deepfake被滥用究竟有何威胁？造假之风日盛，打假军团也逐渐诞生。用AI打假AI，成为一场「军备竞赛」。而我们会获胜吗？

Deepfake被滥用对我们究竟意味着什么？

■ 近来的一项研究表明，目前网上有14678个DeepFake视频，其中96%是色情视频。大部分都是著名女演员的脸，被转移到色情明星的身体上。（Deep Trace Lab）作为主要目标之一的女演员斯嘉丽就表示：「这对我的影响没有那么大，因为人们知道色情视频里的人并不是我......但是对于那些因此可能丢掉工作的人来说就不同了。」（机器之心）

对于普通人或知名度较低的女性而言，deepfake技术让造假色情视频变得十分容易，基于报复或其他目的的色情视频，可能让女性面临更高的名誉风险而难以自辩。

■ 技术的革新也让「欺诈产业」不断改头换面。基于deepfake的合成人像、合成语音乃至合成笔迹，让欺诈活动变得更加隐秘而难以侦查和防卫。

今年 3 月，犯罪分子成功模仿了一家英国能源公司的德国母公司CEO的声音，欺骗了多位同事和合作伙伴，一天内诈骗了 220,000 欧元（约合 173 万元人民币）。（Deeptech深科技）6月，间谍使用 AI 生成了一个并不存在的个像和资料，在职场社交平台LinkedIn上欺骗了包括政治专家和政府内部人士的众多联系人。（新智元）

■ 除了已爆发的安全风险，Deepfake的潜在效应还将蔓延到大众的信息获取和社会信任层面。

「如果一个信息消费者不知道该相信什么，他们不能从虚构中辨别事实，那么他们要么相信一切，要么什么都不相信。如果他们什么都不相信，那就会导致长期的冷漠，这对美国是有害的。」（外交政策研究所研究员Clint Watts/新智元）

AI对抗AI，会是好的解决方案吗？

■ 正如中国科学技术法学会李晟教授所言，deepfake的真正问题在于，「传统意义上「真实」与「虚假」的界线会被打破」。既然能用技术造假，可否利用更强有力的技术来检测假视频？这种AI对抗AI的思路成了过去两年内不少机构关注的方向。

纽约州立大学教授Siwei Lyu和学生发现，使用AI技术生成的假脸极少甚至不会眨眼，因为它们都是使用睁眼的照片进行训练的。美国国防部研究机构 DAPRA 据此研发出了首款「反变脸」的AI刑侦检测工具。（新智元）Hao Li 所在的团队通过追踪每个人特有的面部微表情来做到这一点。这些标记（微表情）被称为「软生物特征」，它们对 AI 来说太微妙了，目前还无法模仿。（机器之心）

■ 不过无论是Lyu还是Li都认为，这项技术可能没多久就没用了。「在伪造视频的后期处理中手动添加眨眼并不是一个巨大的挑战」，随着鉴别技术的提升，假视频的质量也会进一步提高。开发这种算法，「至少有助于阻止和延迟创建伪造视频的过程。」（Siwei Lyu网易）

生成式对抗网络的原理就是让两套神经网络在相互博弈中学习，长远看来，两者永远处在不断的对抗当中，谁也无法彻底打败谁。（爱范儿）

■ 即便是当前十分有效的检测技术，也难以完美捕获所有的造假信息。人工智能基金会的研究副总裁Delip Rao 表示，「近期公布的 deepfake 检测算法据说可以达到 97% 的准确率。但考虑到互联网平台的规模，这剩下的 3% 仍然具有破坏性。假设 Facebook 每天要处理 3.5 亿张图像，即使是 3% 的错误率仍然会导致大量错误识别图像被放出。」（Delip Rao/机器之心）

■ 另一个问题在于，「打假研究」与「造假研究」的规模和声量很不成比例。「2018年，全球加在一起，也只有25篇有关识别合成图像的论文发表。

对比一下，GAN有902篇。算下来，1比36。」（量子位）对于此，Facebook、Google等巨头公司已开始调整思路，采用奖金竞赛、搭建数据集等方式，期望集众力填补这一缺口。9月，Facebook宣布与数家公司和高校合作发起Deepfake检测挑战赛。（cnBeta）

这种规模化的行动能否帮助打假技术实现飞跃？我们尚需等待。

除了AI反制，还有什么应对思路？

■ 在不明确技术泛滥后果的前提下，合理地释放技术成果成为了一些企业的选择。比如OpenAI前段时间推出的无监督语言模型GPT-2，就没有按照行业惯例进行开源，只发布了简化版，不发布数据集、训练代码以及模型权重，目的就是避免「这一技术被人恶意利用」。（脑极体）

■ 由于AI打假存在漏网之鱼，Hwang认为最有可能的解决方案是，在自动检测工具（可以扫描数百万个视频）和人工审查（可以关注更棘手的案件）之间取得平衡。例如，记者、事实检查员和研究人员可以收集视频内容的支持证据。对于经过特别打磨的deepfake作品尤其有用。（前瞻网）

■ 美国弗吉尼亚州和加州都在deepfake技术的立法监管层面有所尝试。今年5月，我国民法典人格权编草案二审稿提出，任何组织或者个人不得以丑化、污损，或者利用信息技术手段伪造等方式侵害他人的肖像权。「如果正式通过，这意味着即便没有营利目的和主观恶意，未经本人同意的AI换脸同样有可能构成侵权。」（北京大学法学院副院长薛军/新华网）

■ 「在我看来，最重要的是，公众必须意识到现代技术在视频生成和编辑方面的有很大的能力。这将使他们更批判性地思考自己每天消费的视频内容，尤其是在没有来源证明的情况下。」（斯坦福大学访问助理教授Michael Zollhofer/新智元）

编者小结

正如这项技术的缔造者「deepfakes」所言：任何技术都可能被邪恶的动机利用。Deepfake诞生不久，就引发了诸如色情视频泛滥、更隐秘的欺诈手段、乃至身份识别和社会信任的挑战。如果我们想要拥抱这种能让Paul Walker在《速度与激情7》中复生的美妙技术，就更应当积极地参与到防止技术滥用的努力之中。

目前看来，依靠技术制衡技术、开发好的AI算法来检测虚假内容，依然是最可行的解决办法。虽然这条路径无法通向100%的成功率，并且面临造假技术更新带来的持久「军备竞赛」局面。这场竞赛已从最初的大小机构各自为阵，转向了巨头公司利用奖金竞赛、搭建数据集等方式，鼓励更广泛的关注和参与。

但在技术博弈之外，依然有很多重要的路径值得探索。例如：人工查证如何聪明地参与到技术侦测之中，起到四两拨千斤的作用？在能够驾驭之前，这类敏感技术是否应该有限度地开源？配套的监管政策如何不妨碍技术的正向发展？

回到最初的问题：deepfake出现将对大众如何定义真相将产生冲击。因而，对抗技术滥用并不只是行业和监管等一小部分人的事；当这一问题获得更广泛的关注，人们对造假的免疫力才会更强，更懂批判性思考和吸收，社会对「假象」的风险才有了最坚实的根基。