改頭換面？小心受騙！

馬迪

如何去偽存真，真的是每個時代每個社會都需要思考的終極問題。

都說“耳聽為虛，眼見為實”，但如果你在國外視頻網站上搜索一下“deepfake”這個詞，一定會懷疑自己的眼睛。這種正在迅速風行全球的技術讓人意識到，除了詐騙電話、PS圖片，現在連視頻都會“騙人”了，而且幾乎天衣無縫。

在AI領域中，有一項非常熱門的分支，叫做機器學習—用程序模擬人類學習的過程，可以自我更新、自我進化、累積經驗，最終形成自己的某種套路。而在機器學習中，又有一種非常熱門的方式—生成對抗網絡（Generative Adversarial Network，簡稱GAN）。

2014年，Ian Goodfellow提出了GAN模型，即設計兩個獨立的機器學習網絡，分別為生成器和判別器。以模擬一張圖片為例，生成器不斷訓練，目的是“模仿”出以假亂真的圖；而判別器則不斷檢測，判斷出此圖是真是假。在對抗過程中，兩者都會不斷優化，提高自己的生成能力和判別能力。這樣“左右互搏”的結果就是，生成器一定能輸出無限接近于原圖的“贗品”。

2016年，基于GAN的實時視頻仿真軟件Face2Face誕生，可以把一個人的臉部動作，無聲無息地轉移到另一個人的臉上。這項技術的開發者Justus Thies在當時已經意識到了潛在的危險，他在一次接受采訪的時候表示：“如果這類視頻軟件得到廣泛應用的話，將會對社會造成劇烈的影響—這也是為什么我們不把軟件代碼開源的原因之一。”

但遺憾的是，這個潘多拉魔盒已經被打開了。超低門檻的工具讓這項技術走向大眾，一大批用戶加入到這種視頻的制作和分享中，甚至有專門的軟件教人“一鍵換臉”，比如Fakeapp，兩個月就被下載了12萬次。

在2017年11月前，deepfake每月搜索次數只有100次左右。到了2018年7月，每月搜索次數已經上升到100萬次-1000萬次。隨著類似于fakeapp這樣工具開始普及，有人開始嘗試通過虛假視頻來造謠、制造恐慌甚至牟利，比如制造假新聞甚至制作用來威脅勒索的假視頻。

另一方面，deepfake視頻的檢測是個難題。很業余的“換臉”肉眼可辨—通俗一點講，你會發現諸如五官的線條、動態的表情有種僵硬的不協調感，仿佛人臉上帶了一個面具。更細節一點，還有連接處、陰影位置、服裝飾品不對稱之類的證據。但隨著人工智能技術的發展，這項技術必將日趨完善，甚至到達人工智能也無法區分真假的程度。如果我們檢測虛假視頻，很快我們就會被迫懷疑一切所見所聞。

值得慶幸的是，科學界正在應對這個問題。由紐約奧爾巴尼大學的Siwei Lyu領導的一個團隊發現了這些偽造視頻的漏洞。Lyu和他的團隊特別關注一點：眨眼。健康的成年人每兩到十秒鐘眨眼一次，而一次眨眼的時間是十分之一到十分之四秒。由于人像照片通常不會閉眼，所以假視頻中的人物眨眼的頻率要比真人少得多。因此，辨別真假視頻的原理就是使用機器學習來檢查視頻中睜眼和閉眼，計算眨眼的總頻率并將其與自然范圍進行比較，可以排除高達95%的假視頻。

全憑眨眼判斷視頻真偽顯然是不夠的—在偽造視頻的后期處理中，手動添加眨眼并不是多大的挑戰，Lyu也很清楚這一點：“我們正在形成第一道防線，從長遠來看，這實際上是制作假視頻和檢測假視頻之間的持續戰斗。”

另一個可行的方式是推廣視頻簽名，即所有的視頻都要留下原始hash來證實真實性，也許以后，沒有留下hash值的人物視頻都會被視為虛假，就如同和任何發來要求借錢的短信同樣的待遇。到時候，一定會出現輔助校驗的平臺和工具，幫助人們分辨。

對中國來說，現在處于一個很特殊的時期—大多數民眾完全不熟悉這種技術，而在技術圈已經可以很低成本地制造這種視頻。像抖音、快手這種自媒體視頻平臺，簡直就是天然適合虛假視頻大規模傳播的土壤。雖然deepfake視頻還沒在中國的網絡上大規模出現，但提高警惕總是沒錯的：知道視頻可以偽造，以后第一反應就應該是去探究其來源，如果沒有可靠的官方來源，就應該提高警惕，切勿輕易相信和傳播。

如何去偽存真，真的是每個時代每個社會都需要思考的終極問題。