前段時間，一個叫做“将朱茵的黃蓉換成楊幂的臉”的熱門話題在微博上爆火。原以為又是一波P圖熱潮引發的粉絲狂歡，沒想到小智在浏覽具體内容之後發現：這次換臉的形式不是圖片，而是視頻——

一位B站UP主用AI技術，将楊幂的臉“貼”在了朱茵飾演的黃蓉臉上。

說實話，看到視頻和gif的小智真的被驚到了。

一方面，大幂幂的顔 朱茵的演技，這真的是神仙搭配呀！

另一方面，不同于傳統觀念裡惡搞視頻的“五毛特效”，這次的特效視頻根本看不出P圖痕迹，真實得宛如原作。

這到底是什麼神奇操作？又運用了什麼樣的智能技術？小智立刻展開了調查。

原來，這種神奇的換臉效果使用的是一種叫做Deepfake的人工智能技術。

什麼是Deepfake？

Deepfake一詞由“Deep learning”（深度學習）和“Fake”（假）組成，其含義是在圖像或視頻中把一個人的臉替換成另一個人的臉。這項技術的出現可以說是人臉交換技術的一個重要突破。

Deepfake中文網站

幾年前的Deepfake技術并沒有像現在這樣廣泛的獲取渠道，技術門檻也比較高。後來，有人推出了Windows程序FakeApp，即使是對人工智能或是對視頻剪輯一竅不通的外行，隻需要一個GPU和一些訓練數據，再通過按部就班的操作也能制作出換臉視頻。

同時，Deepfake在GitHub 上也已經開源，這一系列的變化都大大降低了Deepfake的獲取門檻。

技術原理

從技術角度而言，Deepfake是深度圖像生成模型的一次成功應用。

在模型訓練期間，先把目标人物A的臉摳出來，定位好A的五官位置，訓練出一個“無論怎麼扭曲和變化A的臉，最後都能生成正常的A臉”的網絡。

五官定位示意圖

網絡訓練好後，我們再向其中輸入B的臉。此時，在神經網絡的邏輯看來，B的臉就是“以某種方式扭曲的A的臉”，需要它來進行“糾正”。并且數據越多，效果越好。

操作流程

在FakeApp上的具體的操作大體分為3個步驟：原始數據集獲取，模型訓練，視頻生成。

首先，我們需要一個包含Nvidia GPU的個人電腦，至少4GB的存儲空間。至于訓練神經網絡所需的材料，用戶則需要提供至少幾百張照片或者時長足夠的視頻，以便FakeApp從視頻中提取所有幀。然後調整合适的參數，就可以開始訓練了。

圖片或視頻上傳操作

在訓練過程中，FakeApp會顯示一個分數，數值越大則表示訓練結果的偏差越大。當這個值低于0.02時效果通常就OK了，此時可以停止訓練程序。這一過程需要的總時長從十幾到幾十小時不等。

最後選擇上面訓練好的模型和需要的換臉視頻，再設置合适的幀率，就可以得到一段自制Deepfake視頻。

關鍵機制

其實AI換臉也不算是新鮮事，不過早期的換臉效果确實差強人意。

你看得出換上的是誰的臉嗎？

那使用Deepfake生成的人臉為何如此逼真？

這很大程度上歸功于一種叫做GAN（生成式對抗網絡）的關鍵機制。

在GAN中有兩個機器學習模型，一個扮演“造假者”，在數據集上訓練後生成假視頻；另一個則扮演“檢測者”，不斷地檢測這些假視頻，一直到它再也不能檢測出結果是假的。

此外，用于訓練的數據集越大，做出的Deepfake視頻越真實。這也是為什麼我們看到的Deepfake視頻中出現的人物幾乎都是著名的政客和明星——他們有太多的公開視頻素材可供訓練了。

尼古拉斯·凱奇：作品太多怪我咯？

AI換臉的話題引發了衆多網友的熱議。吃瓜群衆們表示，這下“P圖寶貝”們可以名正言順地換臉，假裝自己在演戲了。

還有群衆表示，“最強狗仔”卓偉就要失業了，以後明星的八卦視頻都可以直接甩鍋給“惡意換臉”，再也不用承認了。

對于影視從業者來說，這也是個好消息。因為以現在的技術，一些大型數字特效公司想要将一位演員的面容“移植”到另一個身體上，至少需要幾個月的時間。特效公司工業光魔的首席運營官約翰·諾爾表示，如果這項技術能達到令人滿意的視覺效果，同時能大幅度提高制作效率、節省成本，那他們會很樂于嘗試。

《速度與激情7》中使用特效“複活”了保羅·沃克

當然，也有不少網友對這一技術表示了擔憂

同樣感到擔憂的還有政界人物。美國總統大選佛羅裡達州候選人盧比奧曾表示：過去想要威脅美國，可能需要航母、核武器，還有洲際導彈。現在隻需要登錄互聯網系統、銀行系統、電網，甚至隻要弄出一段足以以假亂真的虛假視頻搞亂選舉，就足以讓美國陷入内亂。

這些擔憂不無道理。

你永遠不知道最厲害的技術會落到什麼人的手裡，況且這還是已經開源了的技術。

為了防範Deepfake背後的社會安全隐患，紐約大學的研究人員研究後發現：在Deepfake生成的虛假視頻中，人物的頭部動作和瞳孔顔色通常會很怪異，并且幾乎不怎麼眨眼。這成了目前Deepfake無法逃脫的bug。

觀察原視頻和造假視頻對應的關鍵幀，可以看出，假臉人物在原視頻的眨眼處并沒有眨眼

據了解，這一bug并非來自算法本身的問題，而是它使用的數據集。

當訓練深層神經網絡時，我們使用的是來自網絡的靜态圖像。即便是像尼古拉斯·凱奇這樣的公衆人物，他的大多數照片也都是睜着眼睛的，一般很少有人會有大量的閉眼照。既然數據集中幾乎沒有眨眼圖像，那麼Deepfake就無法“學會眨眼”，或者眨眼的時長和頻率都遠小于正常人。

這樣的進展，可以算是“魔高一尺，道高一丈”了。

科技時代，“技術造假”和“技術打假”必會進行曠日持久的戰争。在鼓勵研究人員找出“打假”方法的同時，小智覺得，我們還需要呼籲停止濫用技術以及傳播相應的惡性作品。

畢竟，科技的發展不僅需要頂尖科學家們的努力攻克，還需要芸芸大衆的共同維護。

編輯：Sue

圖片來源于網絡，版權歸原作者所有，如有侵權請聯系删除

,