🇬🇧The Guardian Technology•較早收集於 30m
你能分辨 AI 生成的人臉嗎？ UNSW 發布最新測試工具
💡測試你分辨 AI 偽造影像的能力，並了解合成媒體檢測日益嚴峻的挑戰。
⚡ 30-Second TL;DR
有什麼變化
UNSW 推出公開的 AI 人臉測試，以衡量人類的檢測準確度。
為什麼重要
這項研究強調了人類直覺在檢測 Deepfake 時的可靠性正在下降，凸顯了數位安全領域對強大自動化驗證工具的需求。
下一步行動
將 AI 檢測基準整合至產品的安全流程中，以降低合成身份欺詐帶來的風險。
誰應關注：Researchers & Academics
關鍵要點
- •UNSW 推出公開的 AI 人臉測試，以衡量人類的檢測準確度。
- •該測試凸顯了區分合成人像與真實照片的難度日益增加。
- •該專案探討了人類感知與生成式 AI 真實性之間的交集。
🧠 深度解析
Web-grounded analysis with 25 cited sources.
🔑 增強重點摘要
- •新南威爾斯大學 (UNSW) 的研究與澳洲國立大學 (ANU) 合作進行，並發表於《英國心理學雜誌》，結果顯示大多數人對自己辨別AI生成人臉的能力過於自信，其表現僅略高於隨機猜測。
- •即使是擁有卓越人臉辨識能力的「超級辨識者」，在區分AI生成人臉與真實人臉時，其表現也僅比一般人略好，且準確度遠低於他們辨識真實人臉的水平。
- •現代AI生成的人臉不再有早期常見的明顯瑕疵（如扭曲的牙齒或不自然的背景），反而因為「過於完美」而難以辨識，例如高度對稱、比例協調且特徵處於統計上的「平均值」。
- •研究人員警告，大眾對自身辨識AI人臉能力的錯誤自信，可能使個人和組織更容易受到詐騙、身份盜用和惡意行為的侵害。
- •UNSW 研究團隊正試圖分析那些在測試中表現優異的「超級AI人臉偵測者」所使用的線索，希望能將這些策略傳授給大眾，或用於改進自動化偵測工具。
📊 競品分析▸ Show
| 特性/產品 | UNSW AI 人臉測試 | Which Face Is Real (華盛頓大學) | Microsoft Real or Not Quiz (AI for Good Lab) |
|---|---|---|---|
| 發布時間 | 2026年2月/3月 (研究發表) | 2019年3月 | 2024年8月 (根據2025年7月文章推算) |
| 目的 | 衡量人類檢測AI人臉的準確度，探討人類感知與生成式AI真實性交集，並尋找「超級AI人臉偵測者」。 | 教育公眾意識到AI生成假臉的發展及其潛在威脅。 | 研究人類辨識AI生成圖像的整體成功率 (包含人像、城市、自然景觀)。 |
| 參與者規模 | 125名 (包含36名超級辨識者) | 未明確提及，但為公開線上測試。 | 超過12,500名參與者，約287,000次圖像辨識。 |
| 主要發現 | 大眾辨識準確度僅略高於隨機猜測，超級辨識者優勢有限，且普遍存在過度自信。 | 旨在展示AI假臉的逼真度，並預警其對社會信任的破壞。 | 整體成功率約62%，人像辨識率65%優於自然風景59%。 |
| 技術基礎 (生成) | 未直接說明，但現代AI生成人臉多基於GANs或擴散模型。 | GAN生成對抗網路。 | DALL-E 3, Stable Diffusion 3, Midjourney v6, GAN等。 |
🛠️ 技術深入
- 生成模型基礎： 現代高度逼真的人臉主要由生成對抗網路 (GANs) 和擴散模型 (Diffusion Models) 等生成式AI技術產生。GANs 透過生成器與判別器之間的「對抗」訓練，不斷提升生成圖像的真實度。擴散模型則透過逐步加噪和去噪的過程，在圖像生成品質上已超越GANs，特別是如Stable Diffusion 等開源模型。
- 早期AI人臉特徵： 過去AI生成的人臉常有明顯的視覺瑕疵，例如扭曲的牙齒、眼鏡與臉部融合、耳朵連接不自然或背景模糊等「算法痕跡」。
- 現代AI人臉特徵： 最先進的AI生成人臉已極少出現明顯破綻，反而呈現「過於完美」的特徵，如高度對稱、五官比例協調、整體特徵趨於統計上的「平均值」，這些「異常完美」或「過於平均」的外貌本身可視為潛在的AI生成信號。
- Deepfake偵測技術： 偵測Deepfake的技術包括傳統圖像取證（如局部噪音分析、頻域特徵、統計特徵、光照分析）、基於生理信號特徵（如3D頭部姿態評估中的錯誤，因為Deepfake通常只替換中心臉部區域），以及動態分析（檢測人類自然動作和行為模式）。
- UNSW研究方向： UNSW的研究旨在透過人類測試，逆向分析「超級AI人臉偵測者」所依賴的知覺線索，以期改進技術層面的自動檢測工具和提升大眾的辨識策略。
🔮 前景展望AI analysis grounded in cited sources
人類辨識AI生成人臉能力的持續不足將顯著加劇網路詐騙和假訊息的風險。
由於人類的低檢測準確度和普遍存在的過度自信，惡意行為者將能更有效地利用合成媒體進行詐騙、身份盜用和散佈虛假資訊。
未來的AI偵測工具將更依賴細微、非顯而易見的線索，甚至生理信號，而非明顯的視覺瑕疵。
鑑於現代AI生成人臉缺乏明顯缺陷且常「過於完美」，偵測方法必須演進以識別這些細微的統計異常或類人行為中的不一致性。
針對AI生成內容的公眾教育和媒體素養計畫將成為數位安全的重要組成部分。
考慮到普遍的過度自信和人類感知的局限性，提高公眾對AI生成內容複雜性及其潛在風險的認識對於社會韌性至關重要。
⏳ 時間線
2014
Ian Goodfellow 提出生成對抗網路 (GANs)，為AI生成圖像奠定基礎。
2019-03
華盛頓大學學者推出「Which Face Is Real」網站，旨在教育大眾辨別AI假臉。
2020
擴散模型 (Diffusion Models) 相關研究開始嶄露頭角，為圖像生成帶來新突破。
2021
擴散模型在圖像品質上全面超越GANs。
2022
Stability AI 開源 Stable Diffusion，使高品質圖像生成更普及。
2026-02
UNSW Sydney 與澳洲國立大學 (ANU) 發表研究，指出人類在辨別AI生成人臉方面過度自信且表現不佳，並推出相關測試工具。
📎 來源 (25)
Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： The Guardian Technology ↗