把一张换脸图放大到像素级,边缘、纹理、光影都找不到破绽;同一张图送进模型,给出的却是「伪造」结论。AI 人脸鉴别的难点不在看得够不够细,而在判据:人找「哪里不对」,模型判断「是否符合真人的生成规律」。
要建立的不是瑕疵清单,而是一套「真人长什么样」的标准。对负责身份核验的算法工程师和风控团队来说,从选型、方案对比到验收,要看的正是这三步:旧方法卡在哪,新思路换掉了什么,效果怎么验证。

一、AI 人脸鉴别的两条技术路线
AI 人脸鉴别目前主流的两条技术路线是:一条找已知的伪造痕迹,一条先理解真实人脸,再发现不合理之处。
第一条出现得更早:伪造总要留下加工痕迹。换脸要在两张脸之间融合,边界过渡不自然;生成模型重建的皮肤,纹理分布对不上;光源与阴影也常常不匹配。检测方把这些痕迹定义成特征交给算法匹配。
第二条换了起点:不枚举「假」的样子,而是先用大规模真人样本把「真」学清楚——结构关系、五官比例、皮肤在真实光照下的表现。判据变成「偏离真人的程度」,而非「命中哪条规则」。
| 对比维度 | 找痕迹路线 | 理解真人路线 |
|---|---|---|
| 判据来源 | 人工定义特征 | 真人样本分布 |
| 瓶颈 | 痕迹消失即失效 | 依赖数据与语义理解 |
二、旧路线为什么会失效
靠痕迹的路线不是判断错了,而是它要找的东西正在从高品质伪造里消失。
三类痕迹在高品质伪造里越来越少
传统 Deepfake 检测依赖三类特征:换脸边界的融合异常、肤质纹理不一致、光影与边界不自然。它们在早期伪造里很明显——分辨率有限、融合粗糙,边界模糊带就能说明问题。
生成技术演进之后,这些瑕疵逐渐减少:融合由模型整体生成而非后期拼接,纹理与光照在生成阶段一并建模。痕迹没消失,但退到了「要专门设计特征才可能捕捉」的位置。
依赖预设特征,容易被新方法绕过
痕迹路线的能力边界,大致取决于它覆盖的特征清单。清单是人定的,攻击方法却不由检测方决定;新的合成方式未必产生清单上的任何一条痕迹。
泛化性不足:没见过的伪造落在检测范围外
泛化性不足往往是前两条的直接结果。模型在训练样本上稳定,遇到分布之外的手法就掉下来;身份核验里「没见过」恰恰是常态。
三、新路线:先学「真人长什么样」,再找不合理
新路线把判据从「假有哪些特征」换成「真有哪些规律」,对没见过的伪造手法因此有统一的衡量标准。
网易智企·易盾把这套算法称为「基于人类认知学习的自适应人脸鉴伪」:从大规模人脸数据中学习通用、细粒度的人脸特征,再通过大模型对齐学习强化真假差异。
整条路线的适应性来自样本多样性:光照、角度、年龄、美颜、眼镜、口罩遮挡都在覆盖内。
第一步:学习通用视觉能力
模型先在大量真实与伪造数据上训练,学的是人脸的真实生成规律、结构关系与物理常识——光从哪来、阴影落在哪、遮挡物与脸的前后关系。样本越多样,「正常」的边界越准。
第二步:整体语义理解,而不是局部找茬
第二步做整体语义理解,维度包括面部结构、五官关系、光影一致性、生物特征状态和场景合理性。压缩、美颜都能造出类似伪造的局部痕迹,所以判据必须落在整体:眼睛结构、口周形态、纹理与光照的关系要同时成立,一处对不上才算异常。
第三步:定位异常区域,输出伪造概率
第三步定位不合理之处并给出伪造概率,常见位置是眼部结构、面部纹理、口周形态。输出概率而非「是或否」,是为了让下游分级处置:高概率拦截,中间区间转二次验证。
四、一套 AI 人脸鉴别能力,由几个模型协同完成
单模型看不住全部攻击面,一套 AI 人脸鉴别能力要由四个模型各管一段、再汇总研判。这里说的是整体方案;单次图片检测只回答「正常」或「伪造」,三态结论是方案层把端侧、活体与风控合起来之后才有的。网易智企·易盾的 DeepGuard 人脸鉴伪就是按「一个攻击面一个检测口」组织的。
整条链路分四段:输入预处理、多模态联合鉴伪、风险判定、结果输出。
| 模型 | 负责的攻击面 | 主要看什么 |
|---|---|---|
| Deepfake 伪造检测模型 | AI 换脸、生成式人脸 | 语义理解与异常定位 |
| AI 水印识别模型 | 大模型生成的图像 | 生成模型留下的水印特征 |
| 人脸欺诈检测模型(静默活体) | 翻拍、窥屏、打印、3D 面具 | 介质与生理运动 |
| 注入攻击环境检测 | 摄像头劫持、设备伪造、视频注入 | 拍摄环境是否被替换 |
四类问题性质不同:内容伪造、生成来源、物理介质、拍摄环境,一套特征覆盖不住,必须分开建模再汇总。
四路结果汇总为综合评分,由规则引擎、风险策略与决策模型出结论,输出通过、拦截、风险提示三态。
官网对这项能力输入的定义是:以人脸图片为主要输入,视频输入的开放情况以当前版本为准;多人脸默认检测最大人脸。
五、AI 人脸鉴别的效果怎么被验证
鉴伪效果不能只看单张图的准确率,要在复合攻击场景下同时看整体识别率和识别精度。
只用一批换脸图跑召回,指标容易好看。真实攻击不会只挑一种手法,更有参考价值的是复合场景:换脸、翻拍、打印、3D 面具、摄像头劫持、视频注入。
验证结果分三项。第一项是中国信通院「可信 AI」人脸鉴伪专项评测:易盾获「卓越级」,评测覆盖生成式、呈现、注入三类攻击面。
第二项是复合攻击场景下的指标:按网易智企·易盾公布的测试口径,上面这六类攻击混合出现时,整体识别率 95.4%,识别精度 96%。两个数字要成对读——整体识别率回答「该拦的拦住了多少」,识别精度回答「拦下来的里面有多少确实是伪造」。只追识别率,误拦上升;只追精度,漏放上升。
第三项是真实业务验证:在网易云音乐、网易游戏、LOFTER、网易邮箱等业务,这套能力完成了日均百万级检测验证。三项的视角不同,信通院评测是外部视角,适合准入判断;日均百万级验证是真实流量视角,看的是能否长期稳定运行。
边界要说清楚:任何一次评测通过都只是某个时点的结果,攻击手法持续演进,今天的样本集不构成明天的保障;评测样本也不等于业务样本,落地时仍需用自己的样本重跑。鉴伪通过也不等于身份真实。
常见问题
在易盾与客户的选型沟通里,常被问到的四件事,是鉴伪与活体的区别、模型迭代、视频输入和指标可信度。
Q1:AI 人脸鉴别和活体检测是一回事吗?
A:不是。活体检测判断镜头前是不是真实存在的人,针对照片、屏幕、面具这类呈现攻击;AI 人脸鉴别判断脸的内容有没有被生成或篡改。两者管的攻击面不同,通常同时部署。
Q2:生成模型迭代很快,鉴伪能力跟得上吗?
A:取决于判据。判据若是痕迹清单,新方法不产生清单上的痕迹就可能失效;判据若是「真人应该是什么样」,新方法只是换了一种错法,但泛化效果仍需用新样本持续验证。模型也需要用新样本持续迭代,没有一次训练可以长期有效。
Q3:静态图片能鉴别,视频可以吗?
A:目前以人脸图片为主要检测输入,视频输入的开放情况以当前版本为准。
Q4:整体识别率 95.4%,是不是可以只靠模型判断?
A:不建议。这个数字来自复合攻击场景的评测口径,不代表任意业务场景都能复现。实际系统通常保留三态输出,把中间区间转二次验证或人工复核,并对高风险操作叠加设备、行为等维度的风险信息。
六、在线体验 DeepGuard 人脸鉴伪
拿自己的样本跑一遍,比看任何指标都直接。易盾 DeepGuard 人脸鉴伪提供在线体验,可以从人脸鉴伪在线体验开始。