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。
某些高高在上的巨头或大牌的“套路”被曝光，次日忙不迭道歉整改，让广受其害但维权困难的消费者们拍手称快，这样的故事大家已经耳熟能详了。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、打几只老虎来解决。
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 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 伪造视频的攻击，提高了风控的难度。
所以，检测和消除 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 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。
注意看，中牙非常小，耳朵也很怪
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。
（来源：arxiv.org/abs/2109.00162）
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 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 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。
（GPT-4在大多数测试中表现优于GPT-3.5）
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。
免责声明：此文内容为第三方自媒体作者发布的观察或评论性文章，所有文字和图片版权归作者所有，且仅代表作者个人观点，与 无关。文章仅供读者参考，并请自行核实相关内容。投诉邮箱：editor@fromgeek.com。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
