最近，DeepFake 技術又一次站在了風口浪尖上。不只是因為它能在小電影上移花接木，而是立法者終于意識到它的可怕之處。

6 月初，一份有關馬克·扎克伯格的假視頻在國外社交媒體 Instagram 和 Facebook 上廣為流傳。

視頻中的人，無論從相貌聲音，還是穿著打扮，都跟真的扎克伯格幾無二致。他能眨眼，會用手勢，嘴/臉部動作和畫外音音軌高度吻合。乍看之下，幾乎找不到破綻，只是聲音有些奇怪。

更早之前，美國眾議院議長南?！づ迓逦饕步洑v了類似的事件。有人通過剪輯、拼接和慢放等手段制作了一段她的演講視頻，雖然沒有用到 AI 技術，但視頻中的她看起來有些神志不清，說話結結巴巴，語速緩慢，像是醉酒一樣。

這段視頻甚至引來了美國總統特朗普的嘲諷（兩人素來不合）。

令人不解的是，這些社交平臺并沒有選擇第一時間屏蔽虛假視頻。事實上，正是因為 Facebook 拒絕撤下佩洛西的假視頻，才導致有人做出了其 CEO 扎克伯格的假視頻，來考驗 Facebook 對虛假信息的衡量標準，看它會不會做出“自己打臉”的事情。

按照 Facebook 的官方回應，佩洛西的視頻“沒有違反平臺的政策，因為所有人都可以自由表達自己（的想法），如果有第三方事實檢測工具認定視頻是假的，視頻就會被打上標簽，提醒用戶注意其真實性，而且還會在推送中降低權重?！?/p>

換句話說，Facebook 的態度就是：我們不會移除編輯過的假視頻，但會讓用戶知道它不是真的。

其他社交巨頭也都紛紛表態，Twitter 選擇了跟 Facebook 和 Instagram 站在一隊，不會刪除這些假視頻，而谷歌旗下的 YouTube 則為了保險起見，選擇了刪除視頻。

科技圈內部兩極分化的情況也引發了輿論熱議。有的人認為，縱容虛假信息流傳會造成更大的混亂，尤其在政治和外交問題上，因此必須嚴格管控。

也有人認為，這些視頻不會對某個個體造成實質性危害，貼上虛假標簽即可。如果今天刪除了它們，就會開創一個糟糕的先例，明天可能導致更嚴格的管控政策。

美國國會出手
美國國會也盯上了假視頻和它背后的 AI 技術，因為不僅是佩洛西，就連總統特朗普都曾受到假視頻的困擾。

與此同時，領英（LinkedIn）上還出現了一個疑似間諜的賬號。她的名字是 Katie Jones，頭像是一個典型的白人女性，畢業于密歇根大學，在美國國際戰略研究中心（CSIS）工作。她的職場網絡雖然只有 50 多人，但里面有美國參議員助理、副助理國務卿，以及美聯儲席位候選人兼經濟學家 Paul Windfree。

根據調查，CSIS 根本沒有這樣一個員工，密歇根大學也沒有她的學位記錄，而且她聯系網內的人都不認識她。肖像審查專家判斷，她的頭像很可能是用 AI 技術生成的假臉，很多特征與 AI 假頭像高度吻合。

再結合她添加的人都是政府重要人物，專家普遍認為，其目的很可能是隱藏自己，從他們身上獲取信息，甚至添加更多位高權重的人物，將領英作為從事隱秘間諜活動的渠道。

多名議員認為，如果對此類事件放任不管，不僅會影響到政治人物，還會傷害弱勢群體和少數族裔，甚至波及 2020 年的美國總統大選。

因此，美國國會召開了有史以來第一場有關 DeepFake 類技術的聽證會，會議已于 6 月 13 號結束，相關法案也已經醞釀了數月之久，出臺對該技術和社交平臺的約束政策只是時間問題。

縱觀歷史，能受到如此待遇的技術并不多見，立法者如此大張旗鼓地針對它，足以看出它潛在的破壞力。

AI 換臉術如何走紅

如果放在 10 年前，恐怕很少有人會質疑一段視頻的真實性，尤其是人臉清晰可見的視頻。只不過隨著 AI 技術的進步，憑空造出一個以假亂真的人臉，替換視頻中的人臉，或者替換視頻中的整個人物，都早已不是遙不可及的事情，甚至可能有些過于容易了。

2017 年底橫空出世的 DeepFake 技術，雖然不是第一個實現換臉的技術，但卻是將 AI 假視頻帶入大眾視野的先驅。這是一種基于深度學習的偽造技術，適用于修改圖片和影像，可以實現人臉的移花接木。哪怕是動圖或視頻中的人物，也可以被替換成毫不相干的另一個人。

DeepFake 的走紅要歸功于腦洞大開的網友，他們在***中引入了 DeepFake 技術，將其中女主角的臉，替換成了一些當紅女明星的臉，蓋爾·加朵、艾瑪·沃特森、斯嘉麗·約翰遜和泰勒·斯威夫特等大牌女星都難逃一劫，紛紛被替換到了不可描述的場景中。

由于視頻中角色的臉部動作和視角變化較少，因此除了個別幀數出現渲染模糊和混亂的問題，DeepFake 的替換效果足以以假亂真。

不過，出于惡搞精神也好，獵奇心態也罷，這些人無疑是濫用了 DeepFake 技術，對當事人造成了傷害，而且維權無門。飽受其害的“黑寡婦”斯嘉麗就曾在公開場合表達了自己的憤怒和無奈。

鑒于其造成的惡劣影響，很多社交平臺都開始封殺 DeepFake 視頻。該技術的開發者也在 GitHub 上呼吁，“不要將 DeepFake 的換臉技術用于***，它的價值并不在此?！?/p>

實際上，能夠制造假圖片和假視頻的 AI 技術不僅僅只有 DeepFake，相關技術在過去五年里層出不窮。這都要歸功于另一項大名鼎鼎的深度學習技術：生成式對抗網絡（GAN）。

這是一種讓兩個神經網絡“左右互搏”的技術，其中一個網絡負責生成物體，一個網絡負責判別物體，兩者通過不斷對抗來創造非常真實的虛構圖像、聲音或視頻。

自 2014 年 Ian Goodfellow 發明 GAN 以來，世界范圍內的很多深度學習團隊和企業都開始在上面添磚加瓦，各種 GAN 框架漫天飛舞。

在 DeepFake 出現之前，就已經有了基于 GAN 的 Face2Face 技術和 CycleGAN 模型。前者可以通過攝像頭捕捉人的臉部動作，然后實時轉移到現有視頻中的另一張人臉上，后者則可以改變圖片和視頻中物體或場景的樣貌，實現馬與斑馬之間的轉換。

類似的技術還有很多。UC 伯克利大學團隊的 Everybody Dance Now，融合吸收了很多種 GAN 框架的精髓，可以分分鐘讓舞蹈小白看起來像是舞王附身，堪稱是“舞蹈界的 DeepFake”。

英偉達的 StyleGAN，可以自動生成惟妙惟肖的圖片，適用于人臉、汽車、風景和動物等。對于人臉來說，StyleGAN 用來混合的特征包括性別、膚色、臉型、姿勢、表情、胡須、是否戴眼鏡、頭發長度和顏色等等。它雖然不是一個完美的模型，生成的圖片經常出現瑕疵，但總體上效果出眾。

有人用 StyleGAN 制作了一個網站 thispersondoesnotexist.com，每次刷新都會生成一張人臉圖片，偶爾還真會刷出現高顏值的人。唯一的問題是，這人不是真正存在于這個世界上的。上文提到的那個虛假的領英女性頭像，專家懷疑就是 StyleGAN 或者其他 GAN 框架的杰作。

AI 造假技術觸手可及，是福是禍？

除了主流的 DeepFake 和 GAN，還有很多 AI 技術可以用來生成視頻，像香港科技大學陳啟峰教授團隊的級聯優化網絡（CRN），僅憑一張簡單的場景布局圖片，就可以生成無數個高分辨率的圖像和視頻，還有三星 AI 實驗室讓靜態蒙娜麗莎和愛因斯坦圖片動起來的元數據框架。

然而，我們在感受 AI 技術帶來的驚喜的同時，也必須意識到一個問題：借著開源的東風和技術無罪的精神，AI 造假的門檻越來越低了。

隨便在網上一搜“AI 換臉”，就會找到很多神經網絡訓練教程，如果有編程功底，從開源社區拿到代碼和數據就可以自行搭建框架和訓練。

即使不懂得如何構建神經網絡，看不懂晦澀的論文，甚至是不懂編程也沒問題，網上早就有 fakeapp 和 faceswap 等現成的換臉軟件，只要電腦硬件足夠強大，跟著教程走，自制簡單的換臉短視頻并不困難。

往好的方向看，這種趨勢降低了視頻制作的門檻，方便了大眾進行藝術創作，尤其是以惡搞為主要目的的視頻。在 B 站上就能找到很多高質量“AI 換臉”視頻，譬如把《復仇者聯盟》中的美國隊長改成“象牙山隊長趙四”，把雷神改成徐錦江，把《武林外傳》中的佟湘玉改成“黑寡婦”斯嘉麗。

拋開法律層面存在的爭議不提（涉嫌侵犯肖像權），如果我們用最大的善意去看待這些惡搞，制作者的初衷可能并沒有惡意，只是單純地想讓看客一笑，用 AI 技術滿足大家最豐富的腦洞和想象力，畢竟里面沒有涉及到形象侮辱和名譽詆毀。

而且用的好了，我們還能看到“AI 復活張國榮”這樣的致敬作品。或許等技術更加成熟，越來越多逝去的名人會以“復活的”形式重新回到熒幕上。《速度與激情 7》中最后出現的保羅沃克就使用了類似的技術。

但如果往壞了想，AI 技術被居心叵測的人利用，就會出現上文說到的濫用情況。比如把女明星的臉放在色情或暴力視頻中，用來偽裝成一個不存在的人，偽造一個從沒發生過的事，或者把一個人做的事放在另一個人身上，從而誤導不明真相的人，混淆視聽。

如何破解 AI 操縱信息的困境？

AI 技術的進步無疑是一件利大于弊的事情，技術本身不存在原罪。只不過我們必須制定配套的規則、規范和保護措施，才能有效避免技術濫用的情況發生，并且將發生時的損失降到最低。

美國議員正在起草的法案指出，整個 AI 產業，從上到下都必須參與其中。

首先，企業和研究機構需要開發對應的技術，用來有效識別虛假 AI 信息。網絡上的信息載體可以大致分為文字、圖片、音頻和視頻。不幸的是，每一種都被 AI 攻陷了。

OpenAI 的 GPT-2 模型可以生成流暢連貫的假文章，GAN 和 DeepFake 可以制造逼真的圖片和視頻，至于模擬聲音，可以用 RNN 等深度學習模型完成，搜狗就剛剛展示過即時變聲的酷炫功能。

不過我們可以用技術來對抗技術，用 AI 來對抗 AI。從本質上看，虛假信息的傳播問題可以有兩種控制方法：一是從源頭入手，尋找證據，查驗信息的真實性；二是從數字信息本身入手，檢查是否存在修改痕跡。

Adobe 就發明了檢測圖像是否經過 PS 的工具，可以用卷積神經網絡識別圖片有沒有被修過的痕跡。

美國國防部高級研究計劃局（DARPA）也早就注意到了 DeepFake，并且開發了一種 AI 工具，可以在 GAN 生成的視頻和圖像中捕捉微妙的生理信號線索，比如不自然的眼睛運動和呼吸頻率，從而識別假視頻。在 SytleGAN 和 BigGAN 還沒有誕生的時候，準確率甚至高達 99%，只是現在應該達不到這個水平了。

也有研究團隊發明了新的神經網絡模型 XceptionNet，用假視頻數據集訓練 AI，教它如何識別假視頻。在清晰度比較高的情況下，準確率高達 95% 以上。

然而“造謠動動嘴，辟謠跑斷腿”，打假不如造假吃香，學術界在對抗 GAN 方面做出的努力，仍然遠不及研究 GAN 的努力。據 DeepTrace 平臺統計，2018 年，全球涉及到 GAN 生成圖像和視頻的論文多達 902 篇，而研究如何識別合成圖像和視頻的論文只有 25 篇，僅為前者的 1/36。

其次，社交平臺必須承擔其監督和管理的責任，建立更完善的虛假信息檢測機制。

這就要求 Facebook 和 Twitter 這樣的社交平臺拿出更積極的態度，而不是像現在這樣，遇到難以控制的虛假信息就貼上個標簽放任自流，甚至于連標簽都懶得貼，直到有媒體報道才后知后覺。

所謂的 AI 算法和大數據加持下的事實檢查工具，也遲遲沒有大規模使用，偶爾使用還會鬧出啼笑皆非的笑話，比如巴黎圣母院著火的視頻被 YouTube 識別為 911 事件，只好依賴效率低下的人力篩查。這次扎克伯格和佩洛西的假視頻，到本文發稿時，也沒有在醒目的地方打上虛假信息的標簽。

美國議員 Adam Schiff 認為，歸根結底，是因為現有法律沒有要求社交平臺對平臺上用戶發表的內容負責，他們沒有足夠的動力去改進。

因此，最后需要配合的就是立法和監管機構。相比近幾年 AI 技術的突飛猛進，配套的法律法規顯得有些落伍了。針對 AI 合成內容，如何監管，如何收集證據，如何判罰和量刑等問題都沒有確切的、詳細的、可操作的法律條款作為依據。

專家建議，應當讓社交平臺采取合理的措施，保證內容的節制性，從而更有動力打擊 DeepFake 等技術制造的虛假信息。

不過，當這些條件都尚未成熟的時候，上網沖浪的我們都應該牢記一件事情：文字、圖片、音頻和視頻都有可能是偽造的，不能輕易地相信網絡上的信息。

或許這很可悲，但我們就跟斯嘉麗一樣無奈。