文｜脑极体

一年一度的“3·15”消费者权益日如期而至，这一天，全民最期待、各家公关最紧张的环节，应该是“打老虎”的高光时刻。

但在3月15日这一天之外，人们日常还会面临各式各样、层出不穷的造假售假，不能都指望一天时间、一台晚会来解决。

能够全年无休的AI打假师，也就被科技企业推进了大众的视野。不过，想要真的用好AI打假，还要对它的逻辑、能力和有限性，有一定的了解。

本文希望通过科普AI打假的段位，帮大家在日常维权时用好科技的武器。

初级段位：机器视觉PK假货

提到打假，很多人日常接触到的假东西，应该是各类假冒伪劣、以假乱真的消费品。以消费者服务平台——黑猫投诉为例，对假货、售假、货不对板的投诉量非常之大。

先说AI应用在货品打假上的基本逻辑。

逻辑：人工打假难、打假贵、周期长、套路多——通过机器视觉提升“眼力”。

人工打假难：随着现代制作工艺技术越发精湛，越来越多的“大牌”包包、高仿潮鞋、收藏品伪作，不再是粗制滥造的“一眼假”，可以做到以假乱真的地步，看走眼的专家数不胜数。有些造假技艺出神入化的“古玩”，甚至连专业仪器都不能准确鉴定。

人工打假贵：人工甄别需要多名鉴定师“背靠背”鉴定，因此收费也往往是在线鉴定的数倍。国内某奢侈品鉴定平台，在线鉴定49元，实物鉴定收费则达到199元。

周期长：制假售假贩假大多是流水线式团队作战，批量生产，加上越来越多生活富裕的人加入消费/收藏的队伍，交易数量多，相应的投诉量也增多，维权周期也很长，很多消费者只能选择自认倒霉。

套路多：很多人觉得，专家的意见很可靠，专业机构出具的证书有背书作用，但架不住造假套路太多，市场上充斥着仅在鉴定培训班学习过几天而取得“结业证书”的廉价大师，还有不具备相应条件又未经过合法审批的鉴定中介机构浑水摸鱼，证书只要给钱就能出，所以即使人工鉴定也可能陷入套路。

所以，近年来通过在线平台，用户拍摄照片上传，AI系统比对鉴定，变得流行起来。有企业推出的“AI鉴定师”，一秒钟能识别20个假冒商标，有的艺术品鉴定，可以对文物进行“一物一图”的识别鉴定，规避仿造的问题。这些都是靠什么能力实现的呢？

能力：机器视觉的快、准、惠。

面对假货，没有“眼力”就会处于弱势。机器视觉是AI的一个分支，让机器能够“看”和“理解”视觉信息，类似于人类的“眼力”。

首先，机器视觉系统会对物品的高精度图像进行识别和分析，提取出物品的形状、颜色、纹理等相关特征。

然后，系统结合已知真假货的数据集，根据真假货的规律和特征，比如正品大牌包包的五金件颜色，logo字母的形状等，进行比照。

当然，随着造假技术的提高，很多直观的细节不再是造假的难点，仅仅单一特征的图像比对是不够的。比如有的古籍造假，会使用年代久远的纸张，文字或图案通过软件调色贴近真迹，真中有假，假中藏真，让很多专家也只能凭感觉“觉得哪里不对”，而AI算法可以快速找到多种特征的彼此矛盾之处，找到真假“杂拼”的违和感，再由人工鉴定师进行判断。

通过机器视觉，可以快速、准确地识别出假货特征，与人工鉴定相结合，降低鉴定的整体成本。

有限性：造假升级，数据瓶颈

当然，基于机器视觉的在线鉴定，还不能百分百取代人工鉴定，技术的有限性主要来自于：

一是造假手段的科技化。造假不可怕，就怕造假的人有文化，现在很多产品的造假技术也上了一个新的台阶，比如购入正品后，拆解成几个部分，再拼凑在一起高价卖出；有的大牌包包在各种细节上都与正品一致，不同的可能是五金件的铜含量不一样，这就需要借助专业的金属检测设备，仅靠机器视觉识别是不够的。

二是真假数据的限制。机器视觉算法的准确率，需要庞大的真假货特征数据集来支持，而大牌产品更新换代很快，数据集的速迭代速度如果跟不上，就会让新款假货成为漏网之鱼。此外，很多艺术品/收藏品都是孤件，收藏家没有动力将其数字化后共享数据，这也会影响算法结果的准确度。同时，很多鉴定标准都是行业专家口口相传的口诀，没有形成一定的算法规则，垂直品类如紫砂壶、明青花等，行业知识匮乏、数据稀疏，也会影响算法的有效性。

这里要说的是，以假乱真的造假，更多用于艺术品、奢侈品等价值昂贵的产品上，吸引的群体比较有限。正是市面上大量流通的大众消费品，才导致了规模庞大的受害者，而这些产品的造假一般不会费心地精益求精，AI的到来，无疑提供了一把价廉物美的打假武器。

中级段位：Anti-Deepfake PK Deepfake

造谣一张嘴，辟谣跑断腿。当深度伪造技术Deepfakes换脸轻而易举，图像、音频以假乱真，很多人的脸被拿来做成虚假视频，在网络上疯狂传播，近年来越来越地引发维权。

逻辑：Deepfake带来的伪造危机——更强大的Anti-Deepfake自动甄别技术 “攻子之盾”。

你也许会说，被改头换面是公众人物、明星的烦恼，自己只是个普通人，干嘛要担心AI换脸。试想一下，这样的形象造假越来越多，让网络上的信息真伪难辨，权威专家的嘴型可以p，领导人的脸可以换，那会让没有专业辨识能力的普罗大众，陷入谣言和欺骗的信息海洋，在无形中损伤了整个社会的互信，引发集体信任危机。

此外，如果Deepfakes被用于非法用途，如诈骗、敲诈勒索等，很难保证黑客不会将其产业化、普及化，这样就会对更广大的群体带来形象和经济上的损害。我

我曾采访过一家智能金融机构，对方提到，通过在线视频确认借款人身份时，就可能会遇到深度伪造视频的攻击，提高了风控的难度。

所以，检测和消除深度伪造图像和视频，避免技术被恶意利用，也成为许多科技公司打造负责任的技术的一种选择。

能力：基于GAN（生成式对抗网络）的Anti-Deepfake算法，使用多个深度学习模型对输入数据进行分析，提取出视觉、语音和动态特征，并将它们结合为一个特征向量，与已知的生物特征进行比较。

Deepfakes算法不是完美的，缺少常识，所以伪造的脸存在很多不对劲的特征，但这些面孔本身看起来很逼真，靠人的肉眼“找茬”有点费劲，但AI可以快速找到这些线索。

比如一只耳朵上没有戴耳环（除非她是一个叛逆朋克少女），牙齿数量以及方向不对，衣服或背景的形态很不合常理。

有科学家找到了一种检测伪造的方法，研究团队发现Deepfakes难以准确再现常规的瞳孔。真正的人类瞳孔是一个规则的椭圆形，而Deepfakes生成的瞳孔明显不规则，因为它对人脸结构没有生理常识。

此外，有的伪造线索是动态的，比如声音和口型对不上，需要检测算法提取视频的音、画特征进行分析匹配。

有限性：真伪游戏，永无止境

通过AI自动检测来识别深度伪造的音视频，根本挑战在于伪造技术进化得非常快。

2018年纽约州立大学开发出一款“反换脸”AI刑侦工具，通过预测眼睛是否眨动的状态来识别伪造人脸，准确率达到 99%，但这款工具还没推广就失效了，因为Deepfakes技术进化了。

自动检测算法需要在高质量的数据集上进行训练，这些数据集要包括真实数据和合成数据，如果数据的多样性不足，训练视频和测试视频的相似性很高，那么实际检测的效果也会不理想。

此外，用户发现被深度伪造内容侵权后，问责和维权是非常难的，一般首先问责的是平台，对侵权视频/账号做出下架、删除、处罚等处理，但整个过程不确定性很大，还要和平台企业的客服、运营、公关、法务等多部门交锋，非常繁琐，很多用户只能选择不了了之。用户监督对检测技术的升级，影响有限。

只能希望数据隐私保护的相关法律持续完善和落地，科技企业加强技术伦理和研发，在这场真伪斗法中不断保障用户的权益。

高级段位：AI内容识别器PK AI作弊

ChatGPT的出现，将AIGC带入了新的巅峰。据《纽约时报》报道，大型语言模型(LLM)生成的文本，与人类编写的文本难以区分，资深大学教授也无法准确区分学生是否用ChatGPT写了论文作业。

所以，为了防止学生用AI作弊，纽约公立学校已全面禁止使用ChatGPT，美国一些学区也开始采取这一措施。

还有科学家让AI来检测ChatGPT撰写的医学研究摘要，不仅比论文剽窃检测器的效果好得多，而且比人类审稿人的成绩还高。也就是说，ChatGPT撰写的论文摘要，已经可以让人类专家都难辨真假了。

而就在今天，GPT-4问世，支持多模态的生成任务，对代码有超强的理解能力，这也使得AI内容识别器成为了一项必需品，来避免AIGC快速发展拉大“假内容”的识别难度。

逻辑：大型语言模型强大的生成能力导致AI沦为作弊工具——AI内容识别器，检测内容是人类写的还是AI写的。

能力：不详。

是的，作为一种最新最前沿的造假手段，目前还没有一种技术或软件，能够有效且准确地识别出用ChatGPT作弊内容。

AI内容识别的方法，目前有两种：

一种是黑盒检测，即通过统计特征的分析，找到AI文本和人类文本的区别，已经有多个团队或开发者，推出了相应的解决方案。

比如普林斯顿大学计算机科学专业的华裔学生Edward Tian开发的GPTZero，号称可以通过分析语言模型对文本的“喜爱”程度，以及AI写作一段文本时的“困惑”程度，通过“亲AI”分数来判断文章是否出自AI之手。

斯坦福大学提出的DetectGPT，认为人写文章和模型样本的摄动差异分布有显著差异，通过这个差异来检测一段文本是否由模型生成。

OpenAI也在前不久推出了AI生成内容识别器，但博客数据显示，检出成功率只有26%，对英文以外的语言，检测效果要差很多，并且不支持1000字符以内的短文本（因为人类写的和AI写的答案可能是一样的）。而且，一些AI生成的文本经过编辑之后，也可能规避掉检测。

大模型能力的提升，使得AIGC和人类的差距越来越小，导致AI内容识别器的检测准确性也难以保障。比如最新的GPT-4，表现相比GPT-3.5有了大幅提升，之前针对GPT-3等大型语言模型的检测工具，都面临失效的风险。

另一种是白盒检测，即模型的开发人员对AI内容进行一定的处理，从而满足检测目的。

此前OpenAI就声称，考虑给AI内容加上水印，在词汇选择上加入“不引人注意的秘密信号”，这样就能证明这段文字是 GPT 模型生成的。

这一方法的问题是，只能由模型开发者植入水印，模型开源之后可以通过微调来移除水印，也会失效。

有限性：AI检测技术的进步，慢于AI生成技术的进步。

说了这么多，当然不是为了把AI等新技术生成的东西都“一棒子打死”。

今天，我们能在博物馆里看到临摹仿制的复制品，这种“假”与欺骗无关；能靠Deepfakes将失德艺人的脸换掉，让作品继续上映，保住整个制作团队的心血；能用AI画出自己想象中的场景，当然也不能算是造假……

物品没有对错，技术没有好坏，错的只是人心，只是握刀的那只手。

作为普通人，我们能做的就是“知己知彼”，了解造假技术的逻辑、能力和局限，将捍卫自身权益的武器，掌握在自己手里。