人脸识别时代，如何应对“换脸”危机？

人脸识别时代，如何应对“换脸”危机？

• 来源:网络
• 更新日期:2020-09-07

摘要：　　作者：杨燕 　　继2012年“互联网+”后，“AI+”成为时代主旋律。然而在隐秘的角落，由AI所引发的安全风险和“黑灰产”问题正与日俱增。尤其是人脸识别——作为AI技术落地最

　　作者：杨燕

　　继2012年“互联网+”后，“AI+”成为时代主旋律。然而在隐秘的角落，由AI所引发的安全风险和“黑灰产”问题正与日俱增。尤其是人脸识别——作为AI技术落地最广泛的场景之一，所面临的安全、伦理和道德等挑战愈发严峻。

　　经过近些年的快速发展，人脸识别已和智能硬件解锁、支付，以及公共服务等身份验证直接绑定在一起。因面部信息的唯一性，以及作为个人隐私中最敏感、重要的组成部分，一旦出现问题，将会对个人隐私、公共安全造成巨大威胁，故对技术的安全要求和标准相对更高。

　　以下，我们通过两个较为典型案例，来说一说AI攻防对人脸识别/人工智能技术和行业发展的作用和意义。

　　“换脸”技术的攻防战

　　2018年，一段“奥巴马”呛声特朗普的视频在全美疯传。事后，这个视频被证明为伪造，其背后所利用的即是AI“换脸”技术。该技术是基于生成对抗网络（GANs），通过两个模型——一个负责生成伪图，另一个负责鉴别伪图，对抗博弈的方式不断进化，从而达到以假乱真的水平。

　　而在更早的2017年，一位名为deepfakes的网友将色情电影中演员的脸替换成好莱坞女星，并将合成视频在Reddit网站上发布，引发全球热议，遭到大众对技术滥用的质疑。

　　这也为AI“换脸”技术吸引了一波关注，DeepFake（深度伪造或深度合成）就此成为该技术的代名词，同名算法也在Github上开源，导致合成视频片段大量涌现。

　　根据创业公司Deeptrace报告显示，2019年初，互联网上流转的、利用DeepFake技术生成的视频，共有7964个,仅仅9个月后，这个数字跃升至14678个，而其中就有高达96%的DeepFake视频与色情相关。

　　DeepFake技术的滥用引发全球担忧，也为人脸识别技术的应用推广带来了巨大风险。据称，2019年底，硅谷人工智能公司Kneron曾使用DeepFake技术成功欺骗了支付宝和微信支付，并且顺利通过机场、火车站等自助终端检验。

　　虽然各国纷纷加强了监管措施，譬如美国政府公布了《禁止恶意深度伪造法案》《2019年深度伪造责任法案》《2019年深度伪造报告法案》，旨在通过限制DeepFake合成技术，打击虚假信息的传播。但遏制DeepFake技术滥用的根本手段，还是需要从安全对抗的本质上出发，铸造更高门槛的防御技术，以AI应对AI，在攻防“互殴”之中不断增强系统的鲁棒性。

　　为此，科技巨头们也纷纷加入了这场“安全对抗”的战役之中。去年9月，谷歌开源了包含3000个AI生成的视频数据库，以支持社区加速开发DeepFake检测工具，对抗技术滥用风险；Facebook也在同年12月发布了一套“反识别”系统，帮助辨别实时影像的真伪。

　　技术是中立的，也是双向发展的，不会因为惧怕风险而停滞不前。不久前，英伟达的研究人员提出了一种新的生成器架构，可基于风格迁移，将面部细节分离出来，并由模型进行单独调整，生成的面部图像比基于传统GAN技术更加逼真。

　　可见，假脸生成和真脸识别的算法对抗将会是持续的、动态的过程。

　　对抗样本的“攻防战”

　　第二个案例是，在2019年的世界黑帽安全大会上，腾讯的研究人员向与会者展示了如何利用一款缠着黑白胶带的眼镜，就能解锁苹果FaceID。

　　如果这款技术还需要“受害人”的被动配合——趁“受害人”睡着，将眼镜戴在“受害人”脸上，那么最新的AI技术，只需打印一张带有图案的纸条贴在脑门上，就能“戳瞎”AI识别系统。

　　这种黑科技的应用，在学术上被称为“对抗样本”。百度百科对它的定义是“在数据集中通过故意添加细微的干扰所形成的输入样本，导致模型以高置信度给出一个错误的输出。”

　　目前大多数机器学习的鲁棒性都比较差，容易受对抗样本的影响。样本经过轻微修改后，输出结果可能会谬以千里，而且这些细微的修改人类几乎无法肉眼识别。

　　2018年，在GeekPwn国际安全极客大赛中，有选手用对抗样本攻击亚马逊名人识别系统，让主持人蒋昌建的照片被识别为施瓦辛格。同样，掌握了对抗样本（譬如纸条上的图案），只需在脑门上贴上纸条，就可以“戳瞎”系统，破解身份认证的唯一性。

　　对抗样本攻击凸显了人脸识别技术的脆弱性，对安全攻防提出了新要求。谷歌于2017年举办的对抗样本攻防赛旨在加快研究对抗样本，提升机器学习的鲁棒性。俗话说，魔高一尺道高一丈，技术引发的系统羸弱，最终也须技术予以修复。

　　安全攻防表面上是一场算法间的较量，从产业的角度出发，其所体现的是技术滥用（包括造假、欺骗等）的“低成本、高利润”特征。

　　在成本方面，首先，开源社区虽然显著降低了AI应用开发门槛，与此同时也降低了攻击算法的获取成本。在换脸“奥巴马”案例中，DeepFake技术在Github上开源后，非专业用户也可轻松凭借一张照片生成伪造视频。譬如，2019年初，就有网友利用开源算法将朱茵版《射雕英雄传》黄蓉的脸换成杨幂，上传到B站上，引发网友热议。

　　其次，相对快速、花式的算法创新，监管滞后也为技术滥用提供了时间的温床。还以DeepFake技术为例，该技术早在2017年底出现，法律监管却整整滞后了两年。直至2019年初，我国网信办才开始对DeepFake展开严格监管。相比慢两拍的监管，DeepFake技术则在两年内飞速进化，并衍生出海量的恶意应用。

　　相对低门槛的技术获取，技术滥用所带来的不菲利润，是安全风险和黑灰产的“催化剂”。

　　譬如上文中提到，互联网合成视频以色情内容为主。据报道称，很多网店不仅提供成品视频，还接受私人订制，只要买家提供20张照片，就可以快速生成定制化视频，售价约为1分钟20元到50元不等。在某些QQ群的黑产交易中，利用动态人脸识别攻击技术，一个支付类账号破解售价约为10元，这样的生意一天能做到8000元到10000元的流水，而售卖技术教学，一个人学费大概在4000元左右。

　　随着人工智能技术的发展，信息安全受到各国的高度重视。世界各主要国家都在加强网络和信息安全领域的布局和竞争。Gartner预测，2020年全球信息安全类支出预计将增长2.4%，达到1238亿美元。其中，中国安全市场支出将增长7.5%，达到299亿人民币。按照信息安全支出占比来看，中国信息安全支出占比低于全球。

　　攻防是信息安全的本质。信息的复制成本几近于零，这也就诞生了网络经济，催生了互联网安全产品市场，造就了360等上规模的网安公司。

　　AI算法作为信息技术之一，通过信息复制，同样可以摊薄技术的生产成本。对于愈加复杂的信息网络，闭门造车、自扫门前雪的方式显然是不经济的，引导AI对抗技术的商业化落地，是加强网络安全的重要途径之一，也是促进AI技术应用和推广的安全保障。

　　对于AI防御方而言——主要为AI研发、应用类企业，及评测、监管机构等，除自磨利刃外，可能更好的选择是与安全市场合作共赢，以提升系统鲁棒性，构筑AI防御护城河。

　　（作者系商汤智能产业研究院战略生态研究主任）