不要只关注3月15日的打假行动，来看看全年无休的AI打假行动
一年一度的“3.15”消费者权益日如期而至，这一天，全民最期待、各企业公关压力最大的应该就是“打虎”的高光时刻了。
我们都耳熟能详过一些高高在上的巨头或者大品牌，他们的“套路”被曝光后第二天就火速道歉、整改，让那些深受其害却又维权困难的消费者们拍手叫好。然而，除了3月15日，人们每天都会面对层出不穷的各类制假售假行为，我们不可能指望一天、一场晚会、打几只老虎就能解决所有问题。
能够全年无休工作的AI打假机已被科技公司推向公众视野。但是，如果想真正利用AI打假，必须对其逻辑、能力和局限性有一定的了解。
本文希望通过普及AI防伪的层级，帮助大家在日常维权中用好科技武器。
初级阶段：机器视觉与假冒商品
说到打假，很多人日常接触到的假货应该就是各种假冒伪劣、与正品难以区分的消费品。以消费者服务平台黑猫投诉为例，关于假货、售假、商品与描述不符等投诉量非常大。
我们先来谈谈AI应用于打假的基本逻辑。
逻辑：人工防伪难度大、成本高、时间长、技巧性强——通过机器视觉提高“眼力”。
人工打假难度大：随着现代生产工艺的日益精湛，越来越多的“大牌”包包、高端仿鞋、仿冒收藏品，不再是粗制滥造的“一眼成真”，而是可以仿得惟妙惟肖，让无数专家都犯错。有些“古董”仿得极为精细，甚至专业仪器也无法准确识别。
人工防伪费用昂贵：人工鉴定需要多名鉴定师背靠背鉴定，因此收费往往比网络鉴定高出几倍。国内某奢侈品鉴定平台网络鉴定收费为49元，而实物鉴定收费为199元。
周期长：制假、售假多是流水线团队批量作业，随着越来越多富裕人群加入消费/收藏行列，交易量增多，相应的投诉量也随之增多，维权周期也很长，很多消费者只能选择认命。
猫腻多：很多人以为专家的意见可靠，专业机构出具的证书有背书作用。然而造假猫腻太多，市面上充斥着只上过几天评估培训班就拿了个“结业证书”的廉价师傅，还有一些评估机构不具备相应条件，也没有经过法律审批，趁机而入，只要给钱，就出证书。因此，即便是人工评估，也可能落入猫腻。
因此，近年来，用户通过网络平台和AI系统上传照片进行比对鉴别成为一种流行做法。有公司推出了“AI鉴定师”，一秒钟能识别20个假冒商标。有的艺术品鉴定，可以“一物一图”识别鉴定文物，避免假冒问题。这些都实现了哪些能力呢？
功能：机器视觉快速、准确且价格实惠。
面对假货，如果你视力不好，就会处于劣势。机器视觉是人工智能的一个分支，它使机器能够“看到”和“理解”视觉信息，类似于人类的视力。
首先，机器视觉系统将识别和分析物体的高精度图像，并提取物体的形状、颜色和纹理等相关特征。
系统随后结合已知的真假产品数据集，根据真假产品的图案和特征进行比较，例如正品名牌包的五金颜色、标志字母的形状等。
当然，随着造假技术的提升，很多直观的细节已经不再是造假的难点，单一特征的图像比对已经不够了。比如有些古书造假者会使用旧纸，通过软件调整文字或图案，使其接近真品。真中有假，假中有真，所以很多专家只能凭感觉“感觉不对劲”，而AI算法可以快速找到多个特征之间的矛盾，找到真假之间的不协调感，再由人类鉴定师进行判断。
通过机器视觉可以快速、准确地识别假币的特征，并与人工识别相结合，降低整体识别成本。
局限性：欺诈行为和数据瓶颈不断升级。
当然，基于机器视觉的在线识别并不能完全取代人工识别，该技术的局限性主要来自于：
第一，造假手段的技术进步。造假不可怕，可怕的是造假者有文化。现在很多产品的造假技术也达到了一个新的水平。比如，购买正品后，将其拆成几部分再拼凑起来高价出售；有些大牌包包在各种细节上都与正品一致，区别可能就是五金件含铜量不同。这需要借助专业的金属检测设备，单靠机器视觉识别是不够的。
第二是真假数据的限制。机器视觉算法的准确性需要庞大的真假特征数据集来支撑，但大牌产品更新换代很快，如果数据集跟不上快速的迭代速度，就会有新的假货漏网。另外很多艺术品/藏品都是孤品，藏家没有动力将其数字化、分享数据，也会影响算法结果的准确性。同时很多鉴定标准都是行业专家口口相传的公式，并没有形成一定的算法规则。紫砂壶、明青花瓷等垂直品类缺乏行业知识、数据稀疏，也会影响算法的有效性。
这里想说的是，那些看上去和真品一模一样的假货，多是用在艺术品、奢侈品等高价商品上，吸引的人群有限。正是因为市场上流通的大众消费品数量众多，才导致受害者数量众多，而这些产品的造假一般都不太精细精制。而人工智能的到来，无疑为打击假货提供了廉价又好用的武器。
中级：防PK
谣言传播只需一张嘴，驳斥却需费很大力气。当技术让换脸变得轻而易举时，图像和音频变得如此真实，以至于很多人的脸被用来制作假视频，在网络上疯狂传播，近年来日益引发维权热潮。
逻辑：由此带来的假冒危机——更强大的反自动识别技术“攻击盾”。
你可能会说，换脸是公众人物、明星才会有的问题，你只是一个普通人，为什么要担心AI换脸呢？试想，像这样的假图越来越多，让网络上的信息真伪难以辨别。权威专家的嘴型可以修，领导人的脸也可以换。这会让没有专业辨别能力的普通民众陷入谣言和欺骗信息的海洋，无形中损害整个社会的互信，引发集体信任危机。
另外，如果用于非法目的，比如诈骗、敲诈勒索等，很难保证黑客不将其产业化、普及化，给更广泛的人群造成形象和经济损失。
我曾经采访过一家智能金融机构，其提到，在通过在线视频确认借款人身份时，可能会遭遇深度伪造视频的攻击，增加了风控难度。
因此，检测和消除深度伪造图像和视频、防止技术被恶意使用也成为了很多科技公司打造负责任技术的一种选择。
功能：基于GAN（生成对抗网络）的反算法使用多种深度学习模型来分析输入数据，提取视觉、语音和动态特征，并将它们组合成特征向量，以便与已知的生物特征进行比较。
由于算法并不完善，且缺乏常识，所以假脸有很多漏洞，但脸部本身看上去非常逼真，用肉眼“挑毛病”有点困难，但AI能很快找到这些蛛丝马迹。
比如有一只耳朵没有耳环（除非她是叛逆的朋克女孩），耳环齿数和方向错误，衣服或背景的形状非常不合理。
仔细看，中间的牙齿很小，耳朵也很奇怪
科学家找到检测造假的方法，研究团队发现，准确复现规则的瞳孔十分困难，真实人类的瞳孔是规则的椭圆形，而生成的瞳孔由于没有关于人脸结构的生理常识，明显存在不规则性。
（来源：/abs/2109.00162）
另外，有些伪造线索是动态的，比如声音和唇部动作不一致，就需要利用检测算法提取视频的音视频特征进行分析匹配。
有限性：真与假的游戏，永无止境
使用人工智能自动检测深度伪造音频和视频的根本挑战在于伪造技术正在迅速发展。
2018年，纽约州立大学开发了一款“防换脸”AI刑侦工具，可以通过预测眼睛是否眨动来识别假脸，准确率高达99%。但因为技术发展，这款工具还未普及就失效了。
自动检测算法需要在包含真实数据和合成数据的高质量数据集上进行训练，如果数据多样性不足、训练视频与测试视频相似度较高，实际的检测效果就不会理想。