看到这张照片，你是否觉得这就是一张真实的人脸照片？

事实上，这是一个名为“此人不存在”的网站生成的合成人脸照片（this-person-does-not-exist.com）。

“我们对AI合成人脸照片真实感的评估表明，合成引擎已经走过了‘恐怖谷’，能够创造出跟真实人脸难以区分且更受人信赖的人脸。”2月14日，一篇发表在《美国国家科学院院刊》（PNAS）的论文在摘要中表示。

“恐怖谷效应”于1970年由森昌弘提出，是一个关于人类对机器人和非人类物体感觉的假设。

这项研究由三个实验构成。在第一个实验中，315名参与者从128张面孔（从一组800张面孔中提取）分类为真实面孔或合成面孔，准确率为48%。

在第二个实验中，219名新参与者被培训如何识别真实人脸与合成人脸，然后与第一个实验一样对128张人脸进行分类。尽管进行了训练，最后准确率也只是提高到了59%。

继而，研究人员决定探索可信度的感知是否可以帮助人们识别人造图像，“人脸提供了丰富的信息来源，只需几毫秒的时间就足以对个人特征（例如可信度）进行隐含推断。我们想知道合成面孔是否会激活相同的可信度判断，如果不是，那么对可信度的感知可能有助于区分真实面孔和合成面孔。”

第三项实验，223名参与者对128张面孔的可信度进行评分，这些面孔取自同一组800张面孔，评分范围为1（非常不可信）到7（非常可信）。最后，合成面孔的平均评分比真实面孔的平均评分高7.7%，具有统计学意义。

整个实验结果表明，合成的人脸照片与真实人脸几乎无法区分，甚至被认为更值得信赖。这样的结果也在研究者的意料之外，Nightingale表示，“我们最初认为合成面孔不如真实面孔可信。”

这个生成人脸照片的StyleGAN是Nvidia于2018年开发的一种神经网络。GAN由2个相互竞争的神经网络组成，其中一个称为生成器，不断生成一些东西，另一个称为鉴别器，不断尝试确定结果是真实的还是由第一个生成的。生成器以随机像素开始练习。随着鉴别器的反馈，它逐渐产生了越来越逼真的人脸。最终，鉴别器无法区分真脸和假脸，训练就结束了。

创建不存在的人脸照片实际上是GAN的一个副产品，其原本的主要目标是训练人工智能识别假脸和一般人脸，Nvidia需要通过自动识别人脸并对其应用其他渲染算法来提高其显卡性能。然而，由于StyleGAN代码是公开的，Uber的一名工程师就利用它创建了一个随机人脸生成器。

对于Deepfake（深度伪造）技术的恶意使用已经在现实中有了诸多体现，比如美国大选中的虚假宣传活动，为勒索而创造的虚假色情内容等等。自Deepfake技术出现以来，鉴别出深度伪造和进一步欺骗鉴别之间已经变成了一场“军备竞赛”。

现在这项对Deepfake进展的研究使人更加担心其被滥用，“任何人都可以在没有Photoshop或 CGI专业知识的情况下创建合成内容，”Nightingale表示。

美国南加州大学视觉智能和多媒体分析实验室主任Wael Abd-Almageed在接受《科学美国人》采访时表示，“另一个担忧是，这些发现会让人觉得深度伪造将变得完全无法检测到，科学家们可能会放弃尝试开发针对深度伪造的对策。”

两位研究者也提出了应对措施，如将强大的水印合并到图像和视频合成网络中，这将为可靠识别提供有效机制。

论文中写道，也许最有害的是，在任何图像和视频都可以伪造的数字世界中，任何不受欢迎的记录的真实性都可能受到质疑。“所以，我们鼓励推进技术发展的人们考虑风险是否大于收益，而不仅仅从技术角度考虑其是否可能实现。”