本次查询：AI鉴伪
中文解释：AI鉴伪
常见场景：数字取证 / 社交媒体内容审核 / 司法证据鉴定 / 新闻事实核查 / 视频会议安全
一句话解释
AI鉴伪是一种利用机器学习算法自动识别由AI生成的假图像、假视频、假音频或假文本的技术，相当于给数字内容装上“验毒”工具，能快速判断内容是否来自生成式AI。
为什么会被关注
近年来深度伪造（Deepfake）技术快速普及，任何人都能生成逼真的假视频、假录音，导致虚假信息传播、身份冒用、金融诈骗等问题激增，对社会信任造成巨大冲击。
传统鉴伪方法依赖肉眼或简单规则，面对高质量AI伪造内容越来越无力。AI鉴伪通过捕捉人眼难以察觉的微小异常，成为对抗AI造假的“科技盾牌”，因此受到政府、媒体、法律和企业的广泛关注。
核心逻辑
AI鉴伪的核心是训练一个分类模型，区分“真实内容”和“AI生成内容”。模型会学习两类数据的差异特征，比如生成对抗网络（GAN）常留下的颜色统计偏差、频域噪声分布异常，或视频中眨眼频率、呼吸节奏等生理信号的不自然。
另一种思路是让AI识别出“生成痕迹”——例如，不同生成模型会在像素间留下特定关联模式，或者音频中缺少人类发声的微细呼吸声和口齿杂音。这些特征在传统压缩或人为修改中不会出现，从而成为鉴伪依据。
常见场景
社交媒体平台——自动过滤用户上传的AI生成的虚假名人视频、伪造新闻截图，防止谣言扩散，维护信息生态。
司法与执法——对提交的电子证据（如监控视频、音频录音）进行鉴伪，确保原始性和未被AI篡改，避免误判。
金融与身份认证——远程开户、视频面试时检测是否有人使用Deepfake换脸技术冒充他人身份，防止诈骗。
容易混淆的点
容易与“数字水印”混淆。数字水印是在内容生成时主动嵌入的标记，需要提前植入；而AI鉴伪是对已有内容进行被动检测，无需依赖原内容是否携带水印。
也与“图像修复/去噪”不同。图像修复是提升质量，不判断真伪；AI鉴伪专注于判定真实与否，即使修复后的图像也可能被鉴伪系统揪出原来的伪造痕迹。