近日發(fā)表在《Proceedings of the National Academy of Sciences USA》上的一項新研究提供了一個衡量“深度偽造”技術已取得多大進展的標準。研究結果表明，真正的人類很容易被機器生成的面孔所迷惑，甚至將其解釋為比真人更容易獲得信任。

資料圖

研究報告的共同作者、加州大學伯克利分校教授Hany Farid指出：“我們發(fā)現(xiàn)，合成臉不僅高度逼真且被認為比真實臉更容易獲得信任。這一結果引起了人們的擔憂，這些面孔在被用于邪惡目的時可能非常有效?！?/p>

來自意大利瑞士大學的副教授Piotr Didyk則表示：“我們確實已經進入了危險的深度偽造的世界?！彼麤]有參與該論文。Didyk認為，盡管創(chuàng)建同樣復雜的視頻更具挑戰(zhàn)性，但其工具可能很快就會被普遍使用。

這項研究的合成面孔則是在兩個神經網絡之間的來回互動中形成的，這是一種被稱為生成式對抗網絡的例子。其中一個網絡被稱為生成器，它產生了一系列不斷發(fā)展的合成面孔；另一個網絡被稱為鑒別器，它在真實圖像上進行訓練，然后通過跟實際面孔的數(shù)據進行比較對生成的輸出進行分級。

生成器以隨機像素開始練習。隨著鑒別器的反饋，它逐漸產生了越來越逼真的人臉。最終，鑒別器無法分辨出真假人臉。

該網絡在代表黑人、東亞、南亞和白人男性和女性面孔的真實圖像陣列上進行了訓練，這跟早期研究中更常見的白人男性面孔形成鮮明對比。

在將400張真實面孔跟400張合成面孔相匹配后，研究人員要求315人在128張圖片中分辨出真假。另一組219名參與者在試圖區(qū)分臉部時得到了一些關于如何識別假貨的培訓和反饋。最后，第三組223名參與者對128張圖片的可信度進行了評分，評分標準為1（非常不值得信任）至7（非常值得信任）。

第一組在分辨真假人臉方面的表現(xiàn)并不比拋硬幣的結果好，平均準確率為48.2%。第二組未能顯示出戲劇性的改善，只得到了約59%，即使有關于這些參與者的選擇的反饋。對可信度進行評分的小組給合成人臉的平均評分略高，為4.82分，而真人的評分為4.48分。

研究人員并沒有預料到這些結果?！拔覀冏畛跽J為，合成面孔會比真實面孔更不值得信任，”這項研究的論文共同作者Sophie Nightingale說道。

這一發(fā)現(xiàn)增加了人們對技術可及性的擔憂，因為幾乎任何人都有可能創(chuàng)造出具有欺騙性的靜態(tài)圖像。Nightingale說道：“任何人都可以在沒有Photoshop或CGI專業(yè)知識的情況下創(chuàng)建合成內容?！蹦霞又荽髮W視覺智能和多媒體分析實驗室的創(chuàng)始主任Wael Abd-Almageed則稱，另一個擔憂是，這種發(fā)現(xiàn)會給人一種印象，即深度造假將變得完全無法檢測。據悉，Almageed沒有參與這項研究。他擔心科學家們可能會放棄開發(fā)應對深度偽造的措施。

人權組織WITNESS的項目戰(zhàn)略和創(chuàng)新總監(jiān)Sam Gregory指出：“在這個研究界沒有發(fā)生足夠的對話，那就是如何積極主動地開始改進這些檢測工具?！睋?，該組織部分地專注于區(qū)分深度偽造的方法。他表示，制作檢測工具非常重要，因為人們往往會高估自己識別假貨的能力，并且“公眾總是不得不去了解他們被惡意使用的情況。”

沒有參與這項研究的Gregory指出，論文作者們直接解決了這些問題。他們強調了三種可能的解決方案，包括為這些生成的圖像創(chuàng)建持久的水印，“比如嵌入指紋，這樣你就可以看到它來自一個生成過程”。

研究人員在強調深度偽造的欺騙性使用將繼續(xù)構成威脅之后以一個嚴酷的結論結束--“因此，我們鼓勵那些開發(fā)這些技術的人考慮相關的風險是否大于其收益。如果是這樣，那么我們不鼓勵開發(fā)技術，僅僅是因為它是可能的?！?/p>

關鍵詞： 人工智能 研究人工智能生成的臉比真實的臉更容易獲