AI成谎言制造机，资本涌向打假科技

转载

561 天前

2284

AI之势

文章转载来源：AI之势

作者 | Lexie

编辑 | Lu

来源丨硅兔赛跑

图片来源：由无界 AI工具生成

过去几个月掀起 AI 小高潮，先是 OpenAI 的大模型 GPT-4 公布，多家测评表示比 ChatGPT 准确许多，学习速度也更快；随后不久 ChatGPT 宣布将实现对插件的支持，表示它可以通过第三方服务为用户提供更强大的功能。

这些消息让全网兴奋不已，将 AI 的聪慧捧上神坛之时，AI 却也在悄悄展露自己的另外一个黑暗面，那就是它撒谎不打草稿的能力。

生成式 AI：谎言制造机

我们都知道，AI 的强大之处在于能够快速收集来自各种源头的信息并根据用户的特殊指令“见机行事”，这就说明即使是非常荒谬和片面的信息也可能被借 AI 之口说出，谣言就这样因其表述的合理性和完整度被大众接受和传播。

新闻评级网站 Newsguard 最近进行了一项尝试，他们让 ChatGPT 以反新冠疫苗者的口吻进行对话，结果 AI 生成了一段看似非常合理的言论，“有理有据”的讲述疫苗制药公司如何不择手段，甚至对儿童健康产生极大负面影响他们也不在乎。

这样的技术落到造谣者手中，就会有许多无知大众上当受骗。

ChatGPT anti vaccine

不仅是文字，AI 在图片和视频上造假的功力也了得。

川普被捕的一系列假照片在网上被疯狂转载，这些用 AI 工具 MidJourney 创造出的图片十分以假乱真，即使某些细节并不合理 - 比如图中的川普有三条腿，还是不妨碍网友们大肆转发并信以为真。

Trump arrested pic

而视频因其复杂性常常给人难以伪造的假象，殊不知只要在图片的基础上稍加技能视频造假也并没那么难。

Deepfake 技术的出现更是让这件事变得十分简单，像是马斯克为加密货币交易平台打广告、拜登和奥巴马打游戏、假阿汤哥打高尔夫球和变魔术、还有无数女明星被换脸进色情片都是 deepfake 的产物，除了鉴伪专家，普通人实在难以分辨真假。

Obama playing video game

deepfake tom cruise

AI 作出滑稽的梗图或许可以博网友一笑，但虚假信息在某些场景下的负面影响却是致命的。

2020 年“犯罪科学”的一项报告显示，在未来 15 年内 AI 可能创造出的安全威胁中，深度伪造被列为最严重的一项，而哈里斯民调机构的调查也显示，美国有 67% 的成年人对生成式人工智能技术的安全性倍感担忧，只有约 29% 的被调查者表示从未用过这项技术也并不打算使用。

打假 AI：没那么简单

目前许多 AI 技术的开发者都相信这一问题需要“以毒攻毒”，科技创造出的麻烦要科技去破局，在这一点上，科技大厂们已经在行动了：

● Google 早在 2019 年就发布了一个大型开源数据库，招募演员录制了视频后利用网上现有的 deepfake 技术进行伪造，最终生成的视频数据可以帮助打假技术的开发者更好学习 deepfake 的算法和逻辑。今年 Google 还在欧洲地区开始了用付费广告进行对反信谣和鉴别虚假信息的大型宣传。

Google deep fake database

● 微软在去年推出了一个叫做“Video Aunthenticator”的工具，它能够对画面中渲染边界和灰度等级进行逐帧的实时分析进而生成可靠指数，以此来帮助用户鉴别内容的真实性。

Microsoft Video Aunthenticator

● Meta 此前也推出过和 Google 类似的开源数据库，还和微软及 MIT、牛津、UC 伯克利等高校联合发起了提供 1000 万美元奖金激励的挑战赛，鼓励更多检测虚假信息和深度伪造技术的创新。

● Twitter 会对经常发布 deepfake 和虚假信息的账号进行封杀，还会将比较可疑的内容打上标签，并且在用户转发这类内容时还会进行“确定要转发吗？”的提问。

Twitter manipulated media

● TikTok 最新推出的社群规范规定使用真实场景进行合成的内容必须被明确指出，这就说明所有以生成合成式 AI 创造出的内容必须在标题或者 tag 中使用“合成”“虚假”等词汇。

虽然科技巨头们在技术和预防上都在努力，但虚假和伪造信息似乎并没有减少。

打击虚假和伪造信息难度之大有很多原因，比如首先需要对什么是虚假信息进行一个准确的定义，在这点上许多平台并做不到，因为虚假信息并不是在每个场景下都可以被简单甄别，而当虚假信息被用多种语言传播到世界各地，难度就更大了。

同时很多时候信息本身并不是谎言也不是被伪造出的内容，而发布和传播者只是巧妙地用了随意选取的方式来误导网民，这类内容尤其难跟虚假信息进行分别。

再有，对社交媒体等平台来说，击打虚假信息从来都不是他们商业目标的重中之重，当一件事只是为了符合规范却并不能带来利润，显然微薄的动力致使打假的脚步走的异常缓慢。

正因如此，许多人将眼光和希望放在了一批正在将精力全部放在开发鉴别虚假信息技术的初创公司身上。

资本涌向打假初创公司

投资者的资本也伴随着大众迫切的希望涌向了这些初创公司，在过去几年间，数亿美元被投资进了这一赛道。

Disinformation And Misinformation Mitigators

孵化于硅谷加速器 Nex Cubed 的 Blackbird 已经开发出了一套成熟的鉴伪技术，因在击破新冠谣言方面表现出色而开始被知晓，它的专利算法技术可以通过即时对上亿个数据点的分析搞清楚虚假信息的源头和传播者。

这一技术使用五项「风险信号」来对虚假信息进行甄别，包括“叙事口吻”- 对信息和对话背景进行分析；“社群网络”- 对用户及分享内容之间关系进行分析；“族群”- 对有类似兴趣的用户是否聚集加剧信息分享的幅度进行分析；“操纵”- 对信息的合理使用进行分析；以及“欺骗”- 分析传统意义上比较明确的真与假。

Blackbird CONSTELLATION DASHBOARD

Blackbird 还在今年推出了一个叫做 RAV3 N Copilot 的 AI 助手，通过使用生成式 AI 来制作叙事性智能和风险报告，为虚假信息安全隐患提供更多的背景分析，以此帮助安全部门进行更加高效和自动化的监控和分析。

Blackbird 目前融资总额为 1000 万美元，服务领域涉及品牌、金融、企业及公共部门等等，客户包括美国国防部及多个 Fortune 500 公司。

背景分析在鉴别虚假信息这件事上十分重要，因为不同场景的信息使用可能会导致真或伪的天壤之别，因其人工智能和自然语言处理（NLP）防伪技术而知名的旧金山公司 Primer 最近就对背景智能技术公司 Yonder 进行了收购。

Primer 的神经网络技术可以快速对大量文本进行扫描，根据词语的频率和重点提取主题，快速识别可疑信息，这样以来可以对全球事件进行即时分析，识别用虚假信息进行的大型宣传，对网络安全攻击事件进行反击等等。它的 NLP 模型结合上 Yonder 的背景叙事智能分析能力，让用户甚至能够预防性的监控即将出现的虚假信息，快速识别谣言背后的造谣者，分析潜在风险等级，以及对受到虚假信息伤害的品牌和行动用系统提供的建议减小损伤程度。

Primer 如今已经完成了 1.68 亿美元融资，最大投资包括来自 Lux Capital 的 4000 万美元 B 轮和来自 Addition 的 1.1 亿美元 C 轮。

在纽约和特拉维夫都有团队的 ActiveFence 也是获得了这一赛道最多融资的公司之一，融资总额达到了 1 亿美元，包括来自 Grove Ventures 和 Norwest Venture Partners 的 A 轮，以及 CRV 和 Highland Europe 的 B 轮。

ActiveFence 的技术使用 NLP 对全网正在进行的对话进行搜索，即使是网络最深处的角落也可以触及，然后通过对“坏种子”式信息的预判进行风险分析，这就意味着它可以预估一段看似无害的对话是否会被造谣者恶意使用，导致更加深远的恶性影响，这种前瞻性对于虚假信息的预防来说格外关键，ActiveFence 的主要客户包括社交媒体、音频及视频流媒体、文件分享平台和游戏平台等，覆盖用户总数达到了 10 亿 +。

DeepMedia 可以说是一家提供“双管齐下”业务的公司，最初的主营生意是开发出了可以通过翻译、语音合成和配音等技术让用户看起来能说多种语言的工具 DubSync，而在这项服务成功被接受后目前研究起了如何监测合成音频和视频的技术，它对其监测工具的训练方式就是通过用自家的合成工具不断生成 deepfake，然后考验监测系统是否能够察觉。

创始人 Gupta 表示现有的像是 DeeperForensics 和 FaceForensics 等大型数据库在合成时往往带有强烈的偏见，因此训练出的技术在监测上也有盲点，而 DeepMedia 的竞争优势在于它所使用的 deepfake 数据库质量更高，对于网络上现有的 deepfake 内容的代表性也更强。

这一 AI 监测工具在预先处理和正式分析方面都十分强大，比如它要想验证一个视频中的阿汤哥是否是真的，首先模型需要对视频中人物的脸部特征进行提取并分析，然后从背景音中提取出人物的真声，接下来这些信息会在一系列的分类器中被检验，最后整体的内容还要被卷积神经网络刷一遍看看生成 deepfake 的算法是否被使用。