人臉識別作為生物識別中的重要手段，成為了近年身份識別中最熱門的領域。但與人臉識別技術共同發(fā)展的，還有借助機器學習系統(tǒng)、圖像視頻和音頻內容，更改人臉、物體或環(huán)境呈現方式的深度偽造技術。隨著這一技術的日趨成熟，其引發(fā)的諸多社會問題也開始凸顯。在對抗虛假視頻方面，目前各方在尋求技術突破的同時，也致力于在制度建設方面做出改變。

俗話說“眼見為實”，人們往往對看到的圖像、視頻深信不疑，而隨著Photoshop、美圖秀秀等圖像編輯軟件的興起，人工智能造假技術的更迭，圖像篡改變得越來越容易，假圖片、假新聞等在網上泛濫成災，人們也愈發(fā)不敢相信自己的眼睛。

為了應對美國大選季期間高發(fā)的虛假信息，近日，谷歌決定出手，以AI治AI。有專家指出，深度偽造技術（Deepfake）是AI發(fā)展到一定階段的產物，隨著這種技術的發(fā)展，相應的檢測技術也會越來越先進如同“貓抓老鼠的游戲”，將是一場永無休止的競賽。

假視頻越來越逼真

2019年11月，在北美上映的電影《愛爾蘭人》反響熱烈，其中令人咋舌的是電影特效制作公司運用虛擬影像重建技術，將片中主角們集體“減齡”，抹平年近80歲演員們容顏上的歲月痕跡，使之重新煥發(fā)青春。這種讓耄耋之年的演員重回年輕模樣的“換臉”技術著實讓觀眾心頭一震。

“Deepfake專指基于人工智能的人體圖像合成技術，主要應用于‘換臉’，其在很多領域有積極的商業(yè)價值，但是一旦被‘黑產’盯上用作謀利工具，則會給個人和社會帶來風險和挑戰(zhàn)。”遠望智庫人工智能事業(yè)部部長、圖靈機器人首席戰(zhàn)略官譚茗洲介紹說。

這其中最飽受爭議的是“換臉”技術被一些***利用。不久前，網絡上走紅的“一鍵脫衣”軟件DeepNude，只要輸入一張完整的女性圖片就可自動生成相應裸照，并且生成照片存在著廣泛傳播的風險，最終在各方壓力下這款APP被下架。

不僅如此，不久前還出現了語音版的Deepfake。加拿大一家創(chuàng)業(yè)公司開發(fā)出的語音合成系統(tǒng)RealTalk，僅基于一定的文本輸入即可生成和真人聲音十分相似的聲音。演示中，系統(tǒng)模仿了美國一位著名脫口秀喜劇演員、主持人的聲音，以至于本人聽后高呼“真的可怕”。而未來這種技術還可能會發(fā)展到只需幾秒鐘的音頻素材，即能復制出他人聲音的程度。

讓人更為頭疼的是，Deepfake技術讓虛假信息“如虎添翼”，尤其在社會重大事件中能夠起到強勁攪拌作用，以至于可能會影響到人們決策以及社會穩(wěn)定。據相關文獻，2016年美國總統(tǒng)大選前的一個月內，每個美國網民平均會接觸13篇假新聞。2020年初，新冠肺炎病毒席卷全國，就有造假者運用上述技術偽造鐘南山院士發(fā)言，而針對“辟謠”的百度搜索指數（1月19日1月25日）與去年春節(jié)期間相比，增長了5.4倍。

以AI治AI揪出假視頻

“自Deepfake2017年年底首次出現以來，隨著其技術的開源，合成剪輯視頻的數量不斷增長。要對付假視頻，就要在網絡海量信息中，快速找到虛假圖片，并對圖像識別后精準提取其中語義，這也是目前人工智能算法上的核心研究發(fā)力點。”譚茗洲表示。

要識別虛假視頻，首先，我們來分析一下Deepfake都有哪些招數。

“目前圖像篡改類型主要分為復制粘貼、拼接、圖像修補/局部區(qū)域去除和人臉PS四大類。”行業(yè)專家曹娟博士近日在接受科技日報記者采訪時指出，“既有的檢測方法主要基于手工特征方法和深度學習的方法，前者包括基于圖像的物理屬性（光照不連續(xù)、陰影不連續(xù)、色差等）、相機屬性（顏色濾波陣列、傳感器噪聲、EXIF數據分析等）、壓縮痕跡（DCT系數、塊狀效應等）、像素級屬性（復制粘貼、重采樣等）；后者包括Encoder-Decoder模型、約束卷積模型和Multi-domain模型等。”

“魔”高一尺，“道”可高一丈嗎？近日，谷歌母公司Alphabet旗下的Jigsaw聯(lián)手Google Research、美國馬里蘭大學等多家研究機構，開發(fā)了名為Assembler的實驗平臺，旨在幫助應用者通過簡單操作，快速識別Deepfake，減少AI技術濫用所帶來的傷害。

譚茗洲介紹：“實際上，這個平臺是把多個圖像檢測器集成為一個工具，每個檢測器都針對特定類型的圖像進行處理。比如，有的檢測器能判斷圖像是否有復制粘貼痕跡，檢測主要關注圖像顏色、噪點等。”

具體而言，其機器學習模型既能利用圖像的顏色值來查找異常，也能檢查圖像的噪點模式是否存在不一致。算法上，能夠查找被編輯過的JPEG壓縮圖像區(qū)域外觀相似的區(qū)塊，以判斷其中一個圖像是否被復制粘貼到另一個區(qū)域上。

“然而，真實場景中，媒體經常面對的是經過復雜處理后編輯的低分辨率的圖像，這就給檢測技術帶來新的挑戰(zhàn)。光用底層算法不能準確抓住圖像上損失掉的篡改痕跡，還需要結合高層語義算法來識別。”曹娟說。

曹娟進一步指出，現有檢測假視頻的方法尚存在三個主要局限性。第一，通用性不夠，大部分檢測只針對特定類型的篡改，如何尋找篡改的共同屬性，讓模型能應對多種篡改類型是未來的研究重點之一。第二，對抗能力不夠，目前篡改手段不斷隱蔽，經過復雜的處理，篡改痕跡往往會消失，導致檢測性能大大下降。如何提高模型的魯棒性，應對各種真實的應用場景，是未來的核心任務。第三，目前的方法基本都是對圖像劃分成小塊，再逐塊處理，非常耗時耗資源。

共建保證信息真實的生態(tài)體系

國際咨詢公司Gartner曾預測：到2020年，互聯(lián)網虛假信息或產生更大危害，基于人工智能技術的造假能力或將遠超虛假檢測的能力。2018年3月，《科學》雜志刊登的一篇論文指出：近年來虛假新聞的興起，突顯出互聯(lián)網時代現有的對抗錯誤信息制度和技術的不足，目前迫切需要重建一個保證信息真實性的信息生態(tài)系統(tǒng)。

“如今更重要的是提升針對性的檢測技術、完善相關法律及認證機制。”譚茗洲強調。

2019年9月5日，臉書（Facebook）相關負責人宣布，臉書正與微軟公司聯(lián)合包括美國麻省理工學院、英國牛津大學、美國康奈爾大學等在內的多所大學研究檢測Deepfake的方法，同時非營利性研究組織Partnership on AI也參與其中，該組織的成員包括谷歌、蘋果、亞馬遜、IBM等大型科技公司。

曹娟介紹說，在研究方面，除Assembler平臺之外，目前國內做的比較好的有中科院計算所、中科院自動化所、北京交通大學、中山大學、深圳大學等，國外的美國加州大學伯克利分校、美國賓漢姆頓大學、美國馬里蘭大學等。同時，很多企業(yè)和研究機構也在積極研發(fā)實用的圖像篡改檢測工具和平臺，如美國Amped Software公司開發(fā)的Amped Authenticate工具。

2019年11月29日，國家互聯(lián)網信息辦公室發(fā)布《網絡音視頻信息服務管理規(guī)定》，要求網絡音視頻信息服務提供者應當具有與新技術新應用發(fā)展相適應的安全可控的技術保障，部署違法違規(guī)音視頻和非真實音視頻鑒別技術。

專家建議，防治虛假視頻，有關部門要建立相關管理制度，特別是新聞視頻、新聞內容管理方面；在傳播渠道上，要建立過濾機制，在技術上實現高效過濾，并且還要對所有造假視頻音頻實現溯源，同時，增加對檢測技術研發(fā)資金的投入，激發(fā)技術創(chuàng)新。

責任編輯：ct