日前，一条AI诈骗成功率接近100%#的话题冲上微博热搜。一个AI换脸的视频，让福建某科技公司的法人代表在10分钟内就被骗走了430万。

国外也发生了一起AI相关诈骗，一封附上谷歌CEO视频的邮件，让不少YouTube博主们下载了带着危险病毒的文件。

这两起诈骗事件都有着深度伪造技术deepfake的身影。这是一项诞生了6年之久的换脸大法，如今AIGC技术的大爆发，更使得制作难以识别的deepfake视频越来越容易。对人脸识别应用普遍的金融行业来说，防深伪攻击也显得尤为重要。

(资料图)

在金融行业，由deepfake产生的欺诈主要是身份欺诈，即通过深度伪造的虚假图像和视频来冒充他人身份，骗过金融信贷流程中的身份核验系统，进而实施盗刷和恶意注册等。目前，金融行业应对deepfake已有了比较成熟的技术方法和方案，度小满在deepfake应对方法上就积累了丰富的经验。

度小满介绍，近年来利用深伪技术绕过人脸识别流程的趋势有所增长，对金融机构实名认证系统造成了一定的威胁。而要识别认证内容是否造假，最好的办法是交给AI去解决，研发“反deepfake”检测算法。据了解，度小满防深伪检测模型的算法策略就从三个维度入手，有效破解造假视频。

首先是生成瑕疵。具体而言，由于相关训练数据的缺失，deepfake模型可能无法正确渲染部分人类面部特征，小到眨眼频率不正常，大到口型与声音不吻合等。检测模型则能将这些“基本肉眼可见”的特征都提取出来，设计特定的分析算子，从而进行分析研判。

其次是固有属性。由于不同摄像机拥有不同的设备指纹，类似GAN这种模型在生成人脸时也会留下独特的用于识别生成器的指纹，因此经过对比就能发现端倪。

第三个细节是高层语义。它指的是检测面部动作单元（肌肉群）协调性、面部各区域朝向一致性、视频微观连续性等方面的问题，由于这些细节建模困难、难以复制，很容易抓到把柄。

当然，由于单一特征难以适应复杂的deepfake内容，因此检测模型的整体框架采用的是多特征融合，以此来保证决策的鲁棒性。

在数据样本优势之外，度小满还融入了自己的独创点，包括神经网络搜索调优算法、微表情分析和图卷积（GCN）技术以及基于重建的自监督预训练方法，让模型实现了从“鉴伪”到“鉴真”的转变。

也正因此，去年9月度小满防深伪检测模型顺利通过了信通院人脸识别安全专项评测，获得活体检测安全防护能力优秀级认证。具体效果上，它可以覆盖各种深伪形式，包含静态人像图片活化、AI换脸、人脸虚假合成等，达到千分之一误报率下召回90%以上，也就是99%+的准确率。

随着新的deepfake工具不断涌现，金融行业要应对的深伪攻击会更多。度小满认为，未来更多的鉴伪技术应该集中去挖掘语义特征、跨模态特征等，让模型利用可解释性强的高层语义去鉴伪。（柯岩）