Facebook持续致力于开发Deepfake逆向工程检测与溯源方法

（图自：Facebook AI 官网）

具体说来是，这套逆向工具能够分析 AI 生成的图像，以揭示创建它的机器学习模型的识别特征。

这项工作的实用性在于，它可以帮助 Facebook 追踪其在各种社交网络上传播 Deepfake 编造内容的不良行为者。

此类内容可能包含虚假信息，或者已经相当泛滥、未经当事人同意的编造色情内容 —— 后者也是 Deepfake 技术在现阶段的一大争议点。

目前这项工作仍处于研究的早期阶段，且逆向工程团队也尚未做好相关部署准备工作。不过该领域的此前研究，已经能够确定 Deepfake 内容是由哪套已知的 AI 模型来生成的。

作为对比，由 Vishal Asnani 带领的 MSU 研究团队，将致力于更进一步地识别未知模型架构。因为这些被称作“超参数”的特征，意味着每个机器学习模型都必须经历相应的调整过程（就像引擎中的零部件一样）。

简而言之，Deepfake 处理过的内容，会在图像上留下一个独特的指纹，而调查者们可借此来追溯其来源。

Facebook 研究负责人 Tal Hassner 在接受外媒采访时称：“识别未知模型的特征很重要，因为 Deepfake 软件非常容易定制。如果调查人员试图追踪相关活动，别有用心者也必须更加努力地掩盖其踪迹”。

Hassner 还将这项工作与法医技术相比较，即通在结果图像中寻找特定的模式，以辨识源内容是通过哪款型号的相机来拍摄的。生成的算法不仅可以识别生成模型的特征，还可知晓哪套已知模型与 Deepfake 内容有关。

在标准的基准测试中，Facebook AI 研究团队已经得到了相当先进的检测结果，尽管这距离投入实际应用还有很长一段距离。

比如在去年的 Deepfake 伪造检测竞赛上，最终获胜的算法，也仅能达到 65.18% 的检出率。而且这样的“猫鼠游戏”，显然也会在未来很长一段时间内持续。