生成式AI重塑造假门槛，数字取证先驱解析真伪博弈

关键要点

• 以往篡改照片需要专业技术，如今借助生成式人工智能只需输入提示词即可完成。
• 数字取证先驱 Hany Farid 透露，自身主要通过不合逻辑的阴影与声画脱节等细节甄别伪造内容。
• 《Science》撰稿人 Kai Kupferschmidt 专访 Farid，探讨了前沿检测手段如何跟上AI演进节奏。
• 专家认为生成式技术虽带来了严峻冲击，但全社会及早建立防护路径与治理规范依然来得及。

提示词颠覆造假门槛

在过去，篡改照片需要极高的专业图像处理技能，普通人很难伪造出逼真的场景。但如今，生成式人工智能（Generative AI，即能根据提示词自主生成内容的新型算法）彻底打破了这道技术壁垒，用户只需输入一段提示词，就能迅速生成足以乱真的合成图像与音视频，这使得虚假内容的生产成本大幅降低。

从光影破绽中抽丝剥茧

面对泛滥的合成内容，数字取证（Digital Forensics，即利用技术手段检测数字媒体是否遭到篡改的学科）先驱 Hany Farid 依然保持着敏锐的鉴别力。《Science》特约撰稿人 Kai Kupferschmidt 近期走访了 Farid，深入探寻他在算法时代的鉴真手段。Farid 拆解了自己的日常工作，指出即便是顶尖模型，也往往会在物理规律上露馅，例如多光源照射下方向矛盾的阴影，或是与画面环境无法匹配的声场特征。

在失控之前选择另一条路

除了拆解具体技术细节，两人还深入探讨了数字世界的未来走向，以及生成式伪造可能对公众信任造成的系统性冲击。Farid 强调，虽然假内容的制作速度正在超越人工鉴别能力，但人类社会并非束手无策。当前的技术生态尚未彻底固化，现在推动监管、确立规范并研发更先进的溯源工具，选择一条更安全的数字治理道路依然为时不晚。

对研究者的意义

这篇报道对生命科学与多模态AI研究者具有重要的警示意义。当前基因组学、单细胞测序以及空间组学大量依赖生物影像与高通量图谱，生成式模型的普及在辅助科研制图的同时，也大幅降低了实验数据伪造与图像篡改的门槛。科研人员不仅需要学会利用AI工具加速发现，更需将数字取证与防篡改验证机制引入同行评议和论文数据审核，以防伪造结果污染公共科学数据库。