如何去伪存真，真的是每个时代每个社会都需要思考的终极问题。
　　都说“耳听为虚，眼见为实”，但如果你在国外视频网站上搜索一下“deepfake”这个词，一定会怀疑自己的眼睛。这种正在迅速风行全球的技术让人意识到，除了诈骗电话、PS图片，现在连视频都会“骗人”了，而且几乎天衣无缝。
　　在AI领域中，有一项非常热门的分支，叫做机器学习—用程序模拟人类学习的过程，可以自我更新、自我进化、累积经验，最终形成自己的某种套路。而在机器学习中，又有一种非常热门的方式—生成对抗网络（Generative Adversarial Network，简称GAN）。
　　2014年，Ian Goodfellow提出了GAN模型，即设计两个独立的机器学习网络，分别为生成器和判别器。以模拟一张图片为例，生成器不断训练，目的是“模仿”出以假乱真的图；而判别器则不断检测，判断出此图是真是假。在对抗过程中，两者都会不断优化，提高自己的生成能力和判别能力。这样“左右互搏”的结果就是，生成器一定能输出无限接近于原图的“赝品”。
　　2016年，基于GAN的实时视频仿真軟件Face2Face诞生，可以把一个人的脸部动作，无声无息地转移到另一个人的脸上。这项技术的开发者Justus Thies在当时已经意识到了潜在的危险，他在一次接受采访的时候表示：“如果这类视频软件得到广泛应用的话，将会对社会造成剧烈的影响—这也是为什么我们不把软件代码开源的原因之一。”
　　但遗憾的是，这个潘多拉魔盒已经被打开了。超低门槛的工具让这项技术走向大众，一大批用户加入到这种视频的制作和分享中，甚至有专门的软件教人“一键换脸”，比如Fakeapp，两个月就被下载了12万次。
　　在2017年11月前，deepfake每月搜索次数只有100次左右。到了2018年7月，每月搜索次数已经上升到100万次-1000万次。随着类似于fakeapp这样工具开始普及，有人开始尝试通过虚假视频来造谣、制造恐慌甚至牟利，比如制造假新闻甚至制作用来威胁勒索的假视频。
　　另一方面，deepfake视频的检测是个难题。很业余的“换脸”肉眼可辨—通俗一点讲，你会发现诸如五官的线条、动态的表情有种僵硬的不协调感，仿佛人脸上带了一个面具。更细节一点，还有连接处、阴影位置、服装饰品不对称之类的证据。但随着人工智能技术的发展，这项技术必将日趋完善，甚至到达人工智能也无法区分真假的程度。如果我们检测虚假视频，很快我们就会被迫怀疑一切所见所闻。
　　值得庆幸的是，科学界正在应对这个问题。由纽约奥尔巴尼大学的Siwei Lyu领导的一个团队发现了这些伪造视频的漏洞。Lyu和他的团队特别关注一点：眨眼。健康的成年人每两到十秒钟眨眼一次，而一次眨眼的时间是十分之一到十分之四秒。由于人像照片通常不会闭眼，所以假视频中的人物眨眼的频率要比真人少得多。因此，辨别真假视频的原理就是使用机器学习来检查视频中睁眼和闭眼，计算眨眼的总频率并将其与自然范围进行比较，可以排除高达95%的假视频。
　　全凭眨眼判断视频真伪显然是不够的—在伪造视频的后期处理中，手动添加眨眼并不是多大的挑战，Lyu也很清楚这一点：“我们正在形成第一道防线，从长远来看，这实际上是制作假视频和检测假视频之间的持续战斗。”
　　另一个可行的方式是推广视频签名，即所有的视频都要留下原始hash来证实真实性，也许以后，没有留下hash值的人物视频都会被视为虚假，就如同和任何发来要求借钱的短信同样的待遇。到时候，一定会出现辅助校验的平台和工具，帮助人们分辨。
　　对中国来说，现在处于一个很特殊的时期—大多数民众完全不熟悉这种技术，而在技术圈已经可以很低成本地制造这种视频。像抖音、快手这种自媒体视频平台，简直就是天然适合虚假视频大规模传播的土壤。虽然deepfake视频还没在中国的网络上大规模出现，但提高警惕总是没错的：知道视频可以伪造，以后第一反应就应该是去探究其来源，如果没有可靠的官方来源，就应该提高警惕，切勿轻易相信和传播。
　　如何去伪存真，真的是每个时代每个社会都需要思考的终极问题。