判断一做图片是真实照片还是生成式图片，其实目前来说大多数训练过的人类才是准确率最高的，因为对于自己非常熟悉的领域，人类总能快速找到最关键的特征来快速形成判断。

但问题就出在“训练”这个关键词上，因为没有人是全知全能的，我懂电脑，人工智能生成的电脑图片我就能看出它插槽不对、处理器/主板搭配有问题；你懂建筑，就能从设计、材料、建筑方式等角度判断与事实不符……但图片涉猎的内容是无所不包的，所以我们需要人工智能来协助判断，而它的工作逻辑，第一步也是找到照片关键点。   

提取特征库是“换脸”的基础     

我们以目前依然十分火爆的DeepFake“换脸”为例，目前人工智能的判据来自人脸特征分布，我们知道每个人的脸上都有一些显著特征，同时每个人的五官、脸型分布都有明显的区别，哪怕同卵双胞胎也有些许不同，而换脸的重灾区是名人，比如将某女明星的脸换到色情图片或视频里。

人脸类内分布的多样性意味着在特征空间中，想要在每一帧都完美篡改人脸是一件十分困难的事，这种优化上的困难导致了常规的度量学习方法应用到人脸伪造检测领域时通常无法取得理想的效果，简单来说就是即便是视频，换脸后面部特征分布也不可能每一帧都能对上真人，所以人工智能就能凭借大量真实照片来进行特征对比，并以此为依据来判断照片和视频的真伪。   

目前来看，无论在哪个垂直领域，几乎所有的辨别真伪人工智能都是以此为基本逻辑来展开工作，这也意味着我们需要有被伪造内容的大量真实照片信息，比如人工智能球鞋鉴定，就需要真鞋的各个角度的大量图片。

但即便如此，对于一些刻意模仿拍摄的静态照片，比如按照真实照片的布光来进行人像拍摄再换脸，人工智能也就无法实现100%的准确判断了。而我们回到美国阿波罗号登月照片，彼时拍摄的照片有些是黑白胶片后期上色，且为了保密等工作需求进行了大量人工处理，再加上目前关于月球的真实照片原本就少之又少，被人工智能判断照片为假也就不足为奇了。          

人工智能鉴别真伪就像是杀毒软件，虚假内容就像病毒，而历史经验告诉我们，永远都是先有病毒后有杀软，所以，单单依靠人工智能来左右互搏绝非长久之计，而且随着算法的不断演进，现在的辨别技术未来也可能会失去作用，因此，如果想要彻底解决这个问题，就必须从源头，也就是真实照片抓起。

因为人工智能的训练数据全都是真实照片和视频，而目前绝大多数真实照片和视频都来自智能手机、相机、摄像头等数码影像设备，也就是说，我们只需要为真实照片和视频贴上“身份证”，并以此为据，没有“身份证”的就是假照片，不就一劳永逸了么？    

高通最新机型已经可以为照片或视频添加不可篡改的内容凭证  

事实上目前包括高通、索尼等多家头部影像公司都已经开始推出技术，使智能手机、相机等设备可以在他们创建的图像和视频中插入不可更改的加密来源数据，比如某段内容产生的方式、时间和地点等信息，而且这些元数据存储在硬件层面，无法被轻易篡改，而且厂商的动作很快，包括三星、小米、一加和摩托罗拉等使用高通最新骁龙 8 Gen 3芯片组的智能手机就已经可以在创建图像的那一刻就将内容凭证嵌入图像当中，而这些技术演进的背后，则是Adobe、Arm、英特尔、微软和Truepic组成的“内容来源和真实性联盟”在推动。

除了真实照片自带内容凭证，现在各大人工智能头部期企业也在为生成式图片添加内容凭证，比如Adobe和必应生成的人工智能图片就有内容凭证标记，简单来说，人工智能作为一柄双刃剑，在造假与鉴真这两条路上都有着很长的路要探寻，这也是我们未来关注的重点。