別只關心315打假，來看看全年無休的AI打假

一年一度的“3·15”消費者權益日如期而至，這一天，全民最期待、各家公關最緊張的環節，應該是“打老虎”的高光時刻。

某些高高在上的巨頭或大牌的“套路”被曝光，次日忙不迭道歉整改，讓廣受其害但維權困難的消費者們拍手稱快，這樣的故事大家已經耳熟能詳了。但在3月15日這一天之外，人們日常還會面臨各式各樣、層出不窮的造假售假，不能都指望一天時間、一臺晚會、打幾只老虎來解決。

能夠全年無休的AI打假師，也就被科技企業推進了大眾的視野。不過，想要真的用好AI打假，還要對它的邏輯、能力和有限性，有一定的了解。

本文希望通過科普AI打假的段位，幫大家在日常維權時用好科技的武器。

初級段位：機器視覺PK假貨

提到打假，很多人日常接觸到的假東西，應該是各類假冒偽劣、以假亂真的消費品。以消費者服務平臺——黑貓投訴為例，對假貨、售假、貨不對板的投訴量非常之大。

先說AI應用在貨品打假上的基本邏輯。

邏輯：人工打假難、打假貴、周期長、套路多——通過機器視覺提升“眼力”。

人工打假難：隨著現代制作工藝技術越發精湛，越來越多的“大牌”包包、高仿潮鞋、收藏品偽作，不再是粗制濫造的“一眼假”，可以做到以假亂真的地步，看走眼的專家數不勝數。有些造假技藝出神入化的“古玩”，甚至連專業儀器都不能準確鑒定。

人工打假貴：人工甄別需要多名鑒定師“背靠背”鑒定，因此收費也往往是在線鑒定的數倍。國內某奢侈品鑒定平臺，在線鑒定49元，實物鑒定收費則達到199元。

周期長：制假售假販假大多是流水線式團隊作戰，批量生產，加上越來越多生活富裕的人加入消費/收藏的隊伍，交易數量多，相應的投訴量也增多，維權周期也很長，很多消費者只能選擇自認倒霉。

套路多：很多人覺得，專家的意見很可靠，專業機構出具的證書有背書作用，但架不住造假套路太多，市場上充斥著僅在鑒定培訓班學習過幾天而取得“結業證書”的廉價大師，還有不具備相應條件又未經過合法審批的鑒定中介機構渾水摸魚，證書只要給錢就能出，所以即使人工鑒定也可能陷入套路。

所以，近年來通過在線平臺，用戶拍攝照片上傳，AI系統比對鑒定，變得流行起來。有企業推出的“AI鑒定師”，一秒鐘能識別20個假冒商標，有的藝術品鑒定，可以對文物進行“一物一圖”的識別鑒定，規避仿造的問題。這些都是靠什么能力實現的呢？

能力：機器視覺的快、準、惠。

面對假貨，沒有“眼力”就會處于弱勢。機器視覺是AI的一個分支，讓機器能夠“看”和“理解”視覺信息，類似于人類的“眼力”。

首先，機器視覺系統會對物品的高精度圖像進行識別和分析，提取出物品的形狀、顏色、紋理等相關特征。

然后，系統結合已知真假貨的數據集，根據真假貨的規律和特征，比如正品大牌包包的五金件顏色，logo字母的形狀等，進行比照。

當然，隨著造假技術的提高，很多直觀的細節不再是造假的難點，僅僅單一特征的圖像比對是不夠的。比如有的古籍造假，會使用年代久遠的紙張，文字或圖案通過軟件調色貼近真跡，真中有假，假中藏真，讓很多專家也只能憑感覺“覺得哪里不對”，而AI算法可以快速找到多種特征的彼此矛盾之處，找到真假“雜拼”的違和感，再由人工鑒定師進行判斷。

通過機器視覺，可以快速、準確地識別出假貨特征，與人工鑒定相結合，降低鑒定的整體成本。

有限性：造假升級，數據瓶頸

當然，基于機器視覺的在線鑒定，還不能百分百取代人工鑒定，技術的有限性主要來自于：

一是造假手段的科技化。造假不可怕，就怕造假的人有文化，現在很多產品的造假技術也上了一個新的臺階，比如購入正品后，拆解成幾個部分，再拼湊在一起高價賣出；有的大牌包包在各種細節上都與正品一致，不同的可能是五金件的銅含量不一樣，這就需要借助專業的金屬檢測設備，僅靠機器視覺識別是不夠的。

二是真假數據的限制。機器視覺算法的準確率，需要龐大的真假貨特征數據集來支持，而大牌產品更新換代很快，數據集的速迭代速度如果跟不上，就會讓新款假貨成為漏網之魚。此外，很多藝術品/收藏品都是孤件，收藏家沒有動力將其數字化后共享數據，這也會影響算法結果的準確度。同時，很多鑒定標準都是行業專家口口相傳的口訣，沒有形成一定的算法規則，垂直品類如紫砂壺、明青花等，行業知識匱乏、數據稀疏，也會影響算法的有效性。

這里要說的是，以假亂真的造假，更多用于藝術品、奢侈品等價值昂貴的產品上，吸引的群體比較有限。正是市面上大量流通的大眾消費品，才導致了規模龐大的受害者，而這些產品的造假一般不會費心地精益求精，AI的到來，無疑提供了一把價廉物美的打假武器。

中級段位：Anti- PK

造謠一張嘴，辟謠跑斷腿。當深度偽造技術換臉輕而易舉，圖像、音頻以假亂真，很多人的臉被拿來做成虛假視頻，在網絡上瘋狂傳播，近年來越來越地引發維權。

邏輯：帶來的偽造危機——更強大的Anti-自動甄別技術 “攻子之盾”。

你也許會說，被改頭換面是公眾人物、明星的煩惱，自己只是個普通人，干嘛要擔心AI換臉。試想一下，這樣的形象造假越來越多，讓網絡上的信息真偽難辨，權威專家的嘴型可以p，領導人的臉可以換，那會讓沒有專業辨識能力的普羅大眾，陷入謠言和欺騙的信息海洋，在無形中損傷了整個社會的互信，引發集體信任危機。

此外，如果被用于非法用途，如詐騙、敲詐勒索等，很難保證黑客不會將其產業化、普及化，這樣就會對更廣大的群體帶來形象和經濟上的損害。我

我曾采訪過一家智能金融機構，對方提到，通過在線視頻確認借款人身份時，就可能會遇到深度偽造視頻的攻擊，提高了風控的難度。

所以，檢測和消除深度偽造圖像和視頻，避免技術被惡意利用，也成為許多科技公司打造負責任的技術的一種選擇。

能力：基于GAN（生成式對抗網絡）的Anti-算法，使用多個深度學習模型對輸入數據進行分析，提取出視覺、語音和動態特征，并將它們結合為一個特征向量，與已知的生物特征進行比較。

算法不是完美的，缺少常識，所以偽造的臉存在很多不對勁的特征，但這些面孔本身看起來很逼真，靠人的肉眼“找茬”有點費勁，但AI可以快速找到這些線索。

比如一只耳朵上沒有戴耳環（除非她是一個叛逆朋克少女），牙齒數量以及方向不對，衣服或背景的形態很不合常理。

注意看，中牙非常小，耳朵也很怪

有科學家找到了一種檢測偽造的方法，研究團隊發現難以準確再現常規的瞳孔。真正的人類瞳孔是一個規則的橢圓形，而生成的瞳孔明顯不規則，因為它對人臉結構沒有生理常識。

此外，有的偽造線索是動態的，比如聲音和口型對不上，需要檢測算法提取視頻的音、畫特征進行分析匹配。

有限性：真偽游戲，永無止境

通過AI自動檢測來識別深度偽造的音視頻，根本挑戰在于偽造技術進化得非�？�。

2018年紐約州立大學開發出一款“反換臉”AI刑偵工具，通過預測眼睛是否眨動的狀態來識別偽造人臉，準確率達到 99%，但這款工具還沒推廣就失效了，因為技術進化了。

自動檢測算法需要在高質量的數據集上進行訓練，這些數據集要包括真實數據和合成數據，如果數據的多樣性不足，訓練視頻和測試視頻的相似性很高，那么實際檢測的效果也會不理想。