AI越来越会“造假“，跨模态鉴伪为什么正在成为AI时代的新基建？

生成式 AI 的发展速度，远远超过了很多人的预期。一年前，我们还在讨论 AI 绘图能不能替代设计师；如今，无论是 Midjourney、FLUX，还是 GPT、Gemini 等模型，都已经能够生成足以"以假乱真"的图片、视频甚至长篇文本。

与此同时，DeepFake、AI 换脸、AI 配音等技术的门槛不断降低，一段视频、一张截图、一份合同，都可能经过 AI 或图像编辑工具加工。这意味着，AI 正在重塑内容生产方式，也让"内容真实性"成为一个新的技术命题。

过去，我们更关注如何让 AI 生成内容；而现在，一个同样重要的问题摆在了开发者面前：如何判断一段内容究竟来自真实世界，还是由 AI 生成或篡改？

今年 WAIC 上，合合信息展出了一个"扫描全能王 AI 鉴伪"小程序，就是这套能力对 C 端用户开放的入口。它能不能识别？效果咋样？鉴伪这件事现在到底走到哪一步了？本文就结合我在线上跑的几组素材，聊聊我自己的理解。

一、AI 伪造正在变得更"便宜"

首先来讲讲，为什么今年AI伪造和AI鉴伪话题关注度这么高。

1.1、生成能力的"平民化"

过去，我们要做一段深度伪造视频，得有专业团队、专用算力、定制数据集；现在任何一个普通用户，下载个开源工具、准备几张人脸照片，就能在消费级显卡上合成几秒钟的"换脸"视频。扩散模型把生成门槛又往下压了一截——一段文字描述就能生成足够骗过普通人的图像。鉴伪的对手，已经从少数高水平的攻击者，变成了亿级用户手里随时能调用的生成工具。

这事儿落到电商场景里特别具体。水果电商里最近几个月高频出现一种"仅退款"骗术：买家收到完好的水果之后，用 AI 把"真水果"渲染成"烂水果"，再拿渲染后的图去找商家"仅退款"。商家收到图一看确实烂了，稀里糊涂就退了钱。等平台介入时，钱已经到骗子账上。这种骗术的可怕之处在于，AI 渲染的"烂水果"图比真水果腐烂后的样子还像那么回事。

1.2、篡改手段的"局部化"

如果说早期伪造更多是"整张图重画"，那现在的伪造越来越像"局部手术"。一张产品图，只把背景里的某个细节换掉；一张转账截图，只改金额字段；一张身份证，只换照片区域。这种"手术刀式"的编辑不会破坏整张图的统计特征，所以传统的"整图检测器"经常漏判——它依然觉得整张图"看起来很自然"，但局部已经被替换过。这也是当前鉴伪研究里公认最棘手的一类。

二手商品交易里"调包"骗术的变种就是这种思路：骗子先用真货拍照，收到货之后用 AI 把照片里的完好商品改成严重破损的样子，再以"货不对板""运输损坏"为由发起退款。配的"对比图"做得比真照片还像——卖家看到"自己拍的照片"和"买家拍的照片"完全对不上，维权都难。

还有一种危害很大的造假场景是支付环节：骗子直接生成一张"转账成功"的截图，配合话术"我已经打款了，你发个货"。很多卖家没去查银行流水，光看截图就发货了，等发现是假的，钱货两空，比如下面的转账截图其实订单号就是AI生成的。

1.3、多模态内容的"协同伪造"

更让人头疼的是，伪造者开始在不同模态之间协同造假。

一段视频，画面里的人被换了脸、嘴型也对得上，但语音是 AI 合成的；一篇"深度报道"，配图是 AI 生成的、文字是 AI 写的、评论区还有 AI 生成的"自来水"账号在带节奏。攻击者可以在任意维度上动手，也可以多点联动做混合型伪造。这种情况下，单一检测器是绝对扛不住的。

这三个场景有个共同点：造假的门槛已经被压到了"打开 App 写一句话"的水平。这也是为什么今年 WAIC 上大家不约而同把"跨模态鉴伪"当成主推方向——单一图、单一文本、单一场景的检测，已经跟不上骗子组合拳的速度了。

二、鉴伪技术主要技术路线

要回答"AI 鉴伪到底发展到了什么阶段"，还是得先理一下当前主流的鉴伪方法论。

2.1、视觉特征层

很多合成图像看起来很完美，但在像素层和频域里会留下细微的"伪影"。

以 MIT 媒体实验室的研究为例，他们总结过一组深度伪造图像的常见特征：不自然的眨眼频率、眼镜与眼球反射不一致、皮肤与头发的年龄信息不协调，等等。

其中一个比较直观的判断是双眼反光是否对称——反光高度一致的图像往往更可信，反之则可能有问题。

针对这些细节，现在的图像鉴伪系统普遍用深度神经网络去自动学习高阶视觉特征：一方面给每个像素打真假标签、输出伪造概率；另一方面在应对拼接、局部编辑时也能捕捉到纹理断裂、噪声不连贯这些微妙异常。

2.2、语义逻辑层

光看像素和频域还不够。有些伪造在底层看不出来，但放到语义层面就会"露馅"。

最典型的几个判断：光从哪个方向来，影子就该往相反方向投；前景物体的高光位置，要和背景光源方向一致；金属、玻璃、皮肤的反光特性各不相同，混在一起就要看是不是合理。

合合信息这次展出的AI跨模态鉴伪技术，就是类似这种思路——把"光照方向""反射几何""空间透视"这些高层语义拆成可独立判断的子任务，再把结果聚合起来，但他采用的技术要更高级一些，相比单纯依赖像素级痕迹，这种基于高层语义和物理约束的推断，在合成图像越来越精细的今天更扛得住。

2.3、文本鉴伪的特殊性

图像鉴伪和文本鉴伪走的是完全不同的路。图像至少有像素分布这种"硬证据"——频域、噪声、色彩统计，这些"硬"的东西在生成模型里会留下可被检测的统计偏差。文本则没有这些"硬证据"，只有字和词。所以文本鉴伪长期以来都依赖词频、句长、词汇多样性这些"软"统计量，对同义词替换、提示词伪装非常脆弱。

新一代的文本鉴伪会进入"语义深层"——找的不是"用词像不像人"，而是"句法结构是不是有规律到不像人"、"段落之间是不是连贯到没有一点跳跃"。这背后其实是一个反直觉的判断：真人写东西会犯懒、会跑题、会有情绪，这些"不完美"反而是真实的标志。 AI 写东西特别"周到"、特别"正确"，这种"过于周到"本身就成了可被检测的特征。

2.4、跨模态融合

前面讲的还是偏“单点突破”，真正意义上的跨模态鉴伪，得靠多模态大模型。多模态模型能利用跨模态对齐机制有效识别图文不一致、语义异常等复杂伪造类型。这类模型的优势在于：不仅能判断真假，还能解释为什么假。

合合信息的多模态可信鉴伪系统就属于这一类，一个检测能力可以同时覆盖图片、视频、文本等多种信息介质，针对不同介质建立差异化的检测路径——图像侧重频谱细节、噪声分布、语义合理性；视频侧重时序一致性、运动规律、时空频域；文本则深入到句法结构和深层语义。他不是简单地把三套独立工具拼在一起，而是同一套体系下让不同模态各自走最合适的那条路，这样一套工具，同时覆盖文本图像、AI生成图像、AI生成视频等领域，支持对Chat-GPT、Gemini、Midjourney、Sora、Runway等主流模型生成的内容进行检测。据官方报道，这套系统已经在金融、保险等多个场景中落地。

三、实测体验扫描全能王 AI 鉴伪小程序

理论讲了这么多，回到我自己的具体体验。这次 WAIC 期间合合信息展出的 AI 跨模态鉴伪能力，C 端入口就是微信小程序"扫描全能王 AI 鉴伪"。我线上跑了跑，下面说说感受。

打开扫描全能王 AI 鉴伪小程序，整个交互设计传递的信号很明确：上传是核心动作，剩下的事交给模型。

3.1、实测体验

为了拿到一组能说明问题的样本，这次我特意准备了四组素材，覆盖三种核心介质——图片里既有 AI 生成的高清证件照，也有局部编辑过的"坏果"图，还有一张完全真实的生活照；文本则是一段由大模型生成的演讲稿。我把所有素材都丢进小程序跑了一遍，重点关注三件事：它能不能识别、识别到什么粒度、对真实照片会不会误杀。

第一组：AI 生成证件照。 这张图是我让主流大模型生成的一张符合中国身份证标准的白底正面免冠女性证件照——五官比例、皮肤纹理、眉眼走向全都"对得上"，头发边缘在白底前的分离也很干净，属于那种最难被肉眼识别的样本。

把这张图丢进小程序之后，整个检测链路被拆成了 5 步走完：上传图片 → 检测内容来源 → AI 生成分析 → 篡改检测 → 生成报告。系统没有在任何一个环节卡壳，1.462 秒就把结果吐出来了——AI 可疑性 99.91%，报告标题直接写"检测到 AI 生成痕迹"，右上角盖一个"AI 生成"的红章提示，置信度高到几乎没什么讨论空间。

第二组：被改过的"坏果"图。 这组图我特别想测，这也是电商场景里面最经常看到的。我手机里正好有一张正常的新鲜橙子图，顺手打开豆包，让它"帮我修改一下，让这个橙子稍微有一点坏掉的感觉，要有坏果，要真实一点"

豆包给我吐回来的图完全没有任何破绽：构图没变、背景盘子没变、灯光方向一致、橙子的摆放位置和数量都对得上。仔细盯久一点，才会发现盘子中间那几颗橙子的表皮高光位置"飘"了一点点，但是基本看不出来，就是那种肉眼能感觉到不对，但不知道哪里不对，要描述清楚也很难。

把这种图丢进小程序，系统在 1.703秒 给出的判定是“检测到 AI 生成痕迹”，并且判定AI生成概率可能性为 100%。这恰恰印证了一个在当下视觉领域非常微妙的现象：当AI生成的图像进化到“以假乱真”的极致时，人类的肉眼或许还在苦苦寻找那零点几毫米的破绽，但算法已经能在一秒钟捕捉到那“不对劲”的底层逻辑。

第三组：真实生活照。 工具准不准，最后还要看它对真实图片的"误杀率"。这一组我故意选了一张什么特征都没有的真实照片——手机随手拍的一盘家常菜，傍晚自然光，背景有点乱，桌面上还有瓶调料。这张图如果被误判为 AI 生成，整个工具的可信度就要打折扣。

实测结果是：系统很克制地给出了"未检测到异常"标签，AI 可疑性 0.0%，检测耗时 2.942s，盖的是绿色的"真实"印章，备注只有一句"无明显伪造痕迹"。它没有把"不完美"误判为"AI 模仿的不完美"，而是真的把"不完美"当成了真实性的证据——这其实对鉴伪工具更关键。

第四组：AI 生成文本。 图片测完，最后跑一下文本鉴伪。样本是一段由 DeepSeek 生成的主题为"人工智能碳价值平台研究"的演讲稿，2700字左右。

系统给出的判断是“检测到 AI 生成痕迹”，甚至直接标注出来了疑似AI生成的段落，和疑似生成的字数。更细致的是，系统不仅给出整体概率，还对具体段落做了“AI率”标注, 不仅能识别“是不是AI写的”，还能定位“哪里最像AI写的”。这种“精准打击”式的鉴别与标注，比起单纯一个概率要有用得多。

3.2、实测总结

可以说，在我手上的这四组样本里，它没有让我失望。四组素材、不同模态，一张高置信度 AI 图、一张局部编辑边界样本、一张真实样本、一段 AI 文本——这就是我这次线上跑出来的全部数据。

把这些摆在一起看，可以下一个比较保守的结论：WAIC 2026 期间合合信息放出的这套跨模态鉴伪能力，至少在 C 端小程序这个入口上，已经从"能不能做"过渡到了"用起来顺手不顺手"的阶段。

体验完这几组素材，再退一步看大局，关于 AI 鉴伪这个方向，未来至少在三个场景里会越来越重要。

做反欺诈和风控系统的。 转账截图、身份证件、电子合同、发票——这些是金融、电商、保险、租赁场景里最常见的伪造目标。合合信息的图文鉴伪技术已经可以实现日均数十万条内容全量核验，这意味着它不是 demo，而是已经在生产环境里跑过的工程能力。对开发者来说，更重要的是"可以以 API 形式集成"——具体接入方式在合合信息的官网与合作伙伴页可以找到。

做内容平台审核的。 微信、抖音、小红书这种 UGC 平台，UGC 内容里的伪造识别是刚需。一个账号一天发 100 张图，靠人审不现实；用单个检测器又怕误杀。这次体验里那张真实照片被判为真实时的高置信度、以及坏橙子图被判为局部编辑时的细致解释——这样的输出对生产环境里的审核系统来说是够用的。

做学术诚信和事实核查的。 学术圈正在被 AIGC 文本批量生产的"水论文"冲击，新闻编辑部则在应对每天几万条"AI 生成的现场图"。文本鉴伪 + 图像鉴伪 + 视频鉴伪三件套如果能稳定跑通，至少可以把"一看就是 AI 写的"那一档先拦掉，剩下难判的交给人工。

落到电商仅退款、伪造转账截图、二手调包这些场景里，风控员可以直接拿这个工具进行检测，及时纠正偏差，平台可以直接拿这个工具去举证。

四、写在最后

体验完这四组素材之后，我最想说的是，合合信息这次在 WAIC 上把"用 AI 洞悉文海万象"做成了展区主题，把扫描全能王 AI 鉴伪小程序做成了展区里最容易被复现的能力之一。这个选择挺聪明的：AI 鉴伪不是一个遥远的概念，而是一个"扫一下就知道"的日常动作。当一项技术能被装进小程序里、被一个普通用户随时打开的时候，它才真正从展台上的 demo，变成了生活里的一把尺子。

至于这把尺子准不准、能不能持续准下去，大概需要每个 开发者、每一家做内容平台的团队、每一个写过 AIGC 检测论文的研究者——一起把它磨下去。这次线上体验只是我一个人的样本，但鉴伪这件事，从来都不是一个模型能独自扛下来的。

或许更值得期待的是：当"内容真实性"成为像"数据加密"一样的底层技术命题时，AI 鉴伪会像今天的杀毒软件一样，成为每一个内容系统出厂时自带的"基础设施"。到那时候，我们今天在 WAIC 上看到的"一秒鉴别真假"，可能只是这个宏大叙事的开篇。