只要有足夠的語料進行支撐，AI模仿出一個聲音已并非難事；單從語義和文本上看，AI生成的點評也已經無法區分。而且，隨著技術的日漸成熟，AI 創造假的語音、視頻和圖片的門檻只會日漸降低，屆時，我們怎么辦？ 

　　1950年，計算機科學和密碼學先驅艾倫·麥席森·圖靈在一篇論文中，提出了著名的圖靈測試(TheTuringtest)，測試者與被測試者(一個人和一臺機器)在被隔開的情況下，通過一些裝置(如鍵盤)向被測試者隨意提問，看測試者是否能確定出被測試者是人還是機器。圖靈在論文中預測，到20世紀末，可能會有30%的時候都能騙過正常人的厲害機器出現。 

　　而后60多年，技術一直在為人工智能會否通過圖靈測試所努力。一系列跡象正在開啟這個新的時代： 

　　AI水軍——《在線點評系統中的自動眾包攻擊和防御》是趙燕斌等芝加哥大學研究人員發布的一篇論文。他們的研究說明,人工智能可以被用來生成復雜的點評信息。這些虛假的點評不僅機器無法檢測出來,就連人類讀者也分辨不出來。 

　　AI修圖——機器學習大神Gidi　Shperber利用機器學習，訓練出一個用戶“背景分離”的模型。一開始，他們的目標是開發出一個可以自動識別前景(foreground)和背景的通用背景移除模型；但發現還是某一系列圖像更合適,因此決定專攻自拍和人類肖像。 

　　AI造景——斯坦福大學和英特爾共同研發了一項技術。在向他們的人工智能系統輸入5000張德國街道照片后，該技術可在人類的輔助下，讓系統構建出一些模擬的虛構場景。該系統在創建一個虛擬場景之前，需要人類先告知其起點與終點的位置以及在場景中相應位置放入樹木、車輛、建筑等。此后，系統會根據輸入的不同數據繪制出不同的場景。 

　　只要有足夠的語料進行支撐，AI模仿出一個聲音已并非難事；單從語義和文本上看，AI生成的點評也已經無法區分，反抄襲軟件也很難奏效，畢竟是逐字逐句生成的假點評。而且隨著技術的日漸成熟，可以肯定的是，AI創造假的語音、視頻和圖片的門檻只會日漸降低,產品日漸真實。 

　　在內容分發的領域，算法也正在大規模替代成功。除了部分政治性內容需要人工推薦外，我們在新聞聚合類客戶端上看到的所有內容，幾乎都是算法來推薦的。算法能判別基本的真假嗎？不見得。 

　　我們當然可以從技術上采取措施。監測發點評的用戶賬號、登陸IP,對語義進行分析；利用區塊鏈技術,保障一些關鍵性的數據或最原始的記錄不被篡改；通過重新制定法律法規,對相關案件中的語音、視頻證據收集和鑒定標準提高。但這無疑都會增加對抗的成本。 

　　屆時，我們怎么辦？ 

　　（來源：新華社    2017年9月18日）