國立教育廣播電臺

從社交媒體上的貼文推薦，到手機裡的臉部解鎖功能，深度偽造（Deepfake）無處不在。深度偽造（Deepfake）技術使用人工智能，尤其是深度學習中的生成對抗網絡（GAN），來生成高度逼真的假照片或影片。 生成式對抗網路（GAN，Generative Adversarial Network）是一種深度學習架構，由伊恩·古德費洛（Ian Goodfellow）在2014年提出。GAN 的核心是透過兩個神經網路——生成器（Generator）和判別器（Discriminator）——相互對抗來學習和產生新資料，並使生成的資料看起來與真實資料非常接近。GAN 中的兩個主要組件，第一，生成器（Generator），負責從隨機噪音（例如隨機數）中生成新的數據，例如影像或音樂。生成器的目標是生成足夠真實的資料，以使得判別器無法區分其與真實資料的差異。它學習如何修改輸入數據，以「騙過」判別器，使生成的數據看起來更像真實的數據。第二，判別器（Discriminator）負責判斷一個資料是來自於真實資料集還是生成器生成的偽造資料。判別器的目標是最大限度地區分出真實資料和偽造資料，從而提高生成器的生成能力。判別器通過不斷地學習和識別生成的假資料，促使生成器變得更加精確。生成模型會創建它自己的訓練數據。當生成器被訓練來產生假的數據時，判別器網路則學習如何區分生成器製造的數據和真實範例。如果判別器能快速識別出生成器所產生的假數據（例如，一張不是人臉的圖像），生成器就會受到懲罰。隨著這個對抗網路之間的反饋循環不斷進行，生成器會逐漸生成更高質量且更具可信度的輸出，而判別器也會變得更擅長標記人工創建的數據。例如，生成對抗網路可以被訓練來創建看起來很真實但實際上不屬於任何真實人物的人臉圖像。那麼針對Deepfake有哪些實際應用的例子呢? 其實我們平常用手機玩濾鏡就是其中一種應用! 以FaceApp 為例，這款軟體利用了Deepfake 的深度學習技術，無論是將自己變老、變年輕，還是進行性別轉換，FaceApp 都能透過人臉識別技術與影像處理，實現自然且逼真的效果。這背後的技術核心來自於深度神經網路，通過大量人臉數據的學習，精確模擬不同年齡、性別、表情等特徵，還有，最常見的是利用這項技術來製作的假影片。在這些影片中，演員的臉會被替換為一位名人的臉，讓影片看起來像是名人在說話或做出某些行為。例如，網路上曾出現過許多假冒知名政治家、演員或歌手的影片，這些影片可能模擬他們發表了從未說過的言論或參與假的場景。另外，Deepfake 也可以應用於電影中，用來將某位演員的臉替換成另一位演員。這種技術不僅可以在影視作品中創造更多的視覺效果，還可以用來製作經典影片的 "重製版" 或讓過世的演員重新「出演」新的電影。例如，迪士尼曾利用類似技術讓《星際大戰》中的過世演員彼得·庫欣（Peter Cushing）在後續的電影中再次出現。除了影像，Deepfake 還可以模擬語音，並將這些語音與生成的影片進行同步。例如，一段假的演講視頻中，Deepfake 技術不僅能精確模擬名人的聲音，還能讓其嘴型與語音同步，看起來還非常逼真。短短一年內，全球對 Deepfake 的關注程度增加了十倍，顯示出明顯的增長。但當 Deepfake 被用來扭曲真相、傳播假資訊和進行詐騙時，這一切就不再只是娛樂和遊戲了。所以，使用 Deepfake 技術到底合不合法？Deepfake 的法律地位既複雜又不斷變化。內容本身並不一定違法，但可能會觸犯法律，尤其是在侵犯隱私、知識產權或涉及誹謗、騷擾或詐騙的情況下。