我在外滩大会上生成Deepfake，结果没骗过机器人……

反倒啪的一下，秒秒钟就被找出？！

而机器人手中的神兵利器，仅仅只是我们日常都在使用的手机摄像头。

Deepfake攻防，成为整个外滩大会现场最受关注的展区之一；相关讨论也成为整个外滩大会最火热的论坛，现场可以说是人山人海人挤人。

之所以如此受关注，也有大众已知的原因。

这不最近DeepFake可以说是来势汹汹，用这项AI技术犯罪的严重程度被网友直呼是「韩国N号房再现」。

刚提到的这场“全球Deepfake攻防挑战赛”，吸引了全球26个国家和地区，2200+技术研究者对抗Deepfake威胁。在这期间，大赛队伍中科院自动化所表示，将开源AI模型供大家免费使用，一时间引发全网朋友共鸣。

如今在外滩大会，终于有机会亲自体验这个Deepfake从生成到对抗的流程是什么样，看AI如何帮助普通人识别伪造风险。

这背后究竟还有哪些细节？除此之外还有哪些亮点，我们一起来看看。

那么首先就来看蚂蚁数科里这个超火的展区：Deepfake攻防。

整个过程你唯一需要做的，就是站在一个定点，由iPad拍摄人脸。

然后，就由现有AI模型来生成的换脸图or视频。

Deepfake就由机械臂来从三组图+一个视频中找出真照片。可以看到视频还是很逼真的，这下谁能证明“我不是我”。

由于是现场实时物理采集，机械臂手持智能手机打开相机拍照来收集数据，然后再进行一个识别的操作。

短短几秒钟的时间，bingo~机器人就识别出来了正确答案。

据现场工作人员介绍，在他们日常工作中，往往最快三秒就可以识别出来。

这背后是由天玑实验室以及安全品牌ZOLOZ提供技术支持。

前者主要专注在可信数字身份这块，自研了一套自动化生物识别测评体系。当前市面上70%的安卓手机，都要来到天玑实验室经历一番“毒打”。它也是谷歌全球唯一官方合作”安卓生物识别安全”检测实验室。

而后者，则是蚂蚁数科旗下安全科技品牌ZOLOZ，现在在为中国、印尼、马来西亚、菲律宾等14个国家和地区的70余家合作伙伴提供技术服务，包括像端到端身份验证、在线欺诈检测以及持续风险监控服务等。

今年4月，他们推出了反Deepfake产品ZOLOZ Deeper。外滩大会展示的，正好是他们日常的真实业务场景——

几十万测试样本，每月超20000次的攻防测评，模拟上百种伪造攻击情况·····

同样以直观可感的方式展示出来的，还有他们的AI标注场景。

AI大模型生产流程通常包括三个步骤：采集-标注-合成。

首先是采集过程。

现场准备了一个模拟真实环境的沙盘，我们通过控制机械臂来对沙盘中任意位置or场景，进行实时拍照。

这时候图像数据也就被传输到系统当中去，这也就完成了数据生产的起点。

随后就是标注这一步骤，不再是传统依靠纯人工的方式，而是依靠自研的多模态大模型来AIGD（AI生成数据）。

模型会自动完成目标检测并标注、语义分割、文本描述、深度检测、3D建模等任务。

人类主打一个协助审核的作用，比如在文本描述阶段，需要靠人工来审核识别目标的细节，比如物体的颜色、形状等等。

最后就来到数据合成。核心特点就是可控。既可以对单个物体编辑，也可以对整体场景把关。

这样一来无需采集，打破原有真实条件限制，可持续地生产全新的数据。

而除了实景标注，旁边还有个视频标注的模块，只需对任意视频中的任意一帧进行采集，同样也可以完成接下来的标注和合成操作。

这样一套全链路生产体系，实测显示，在同类结构和同类规模数据量的情况下，会让标注效率提升40%以上。

除了智能化标注产品，蚂蚁数科还配备了万人的人工标注团队，垂直专业领域同高阶标注人才超过90%。

提到数据标注，当前市面上最具代表的莫过于Scale AI，科技圈当红独角兽，他最新完成近 10 亿美元融资，估值升至 138 亿美元。

不过同Scale AI不同的是，此次可以看到蚂蚁数科还提供数据加工、合成服务。

比如在一些企业私域或者垂直领域，大量数据尚未公开没有被充分挖掘。

结合蚂蚁数科多年来场景和技术优势，这时候除了帮助企业实现数据服务的“就地取材”，还可以针对性地数据泛化，比如像交通、政务、金融等垂直场景，合成更多高质量数据。

好了，以上Deepfake攻防与智能标注是此次蚂蚁数科最具代表性的展区内容。

值得注意的是，这正好是当前业界正在热议也是最受关注的两个问题：

当AI应用泛滥，如何应对造假问题；大模型加速落地，高质量数据缺失又应该如何解决？

如今大模型时代来到应用时期，更多风险和问题由此暴露出来，给企业带来了不少挑战。

对于本身在产业深耕多年的蚂蚁数科，其实这次也带来了他们的解决方案。

这藏在外滩大会上，藏在这两个最受关注的产品之中。

他们整个业务布局，可以这样总结：从AI For Data到Data for AI。

什么是从AI For Data到Data for AI？要回答这个问题，需要从整个产业现状开始看。

AI发展到现在，从模型驱动来到了数据驱动，而随着数字化转型的深入，企业生产经营实际上是数据的流通。技术与场景，AI与Data，从未像今天这样如此契合。业务场景需要AI来提效，而高质量数据需要充分利用为给AI。

一边是AI for data，利用AI来充分挖掘数据的价值，进行数据分析、判别等。

以风控场景为例，这是每个企业经营生产时都会面对的场景。

蚂蚁数科搭建了一套决策式AI驱动的风控算法模型。引入像工商司法数据、财报数据、产业链数据、发票税务数据、舆情数据等，来帮助企业做出高效准确的决策。

以往需要大量人力进行人肉风控，对于他们来说，理解管理诉求和快速决策布控非常具有挑战性。而现在只需要AI这个决策辅助在手，运营新手面对再复杂的场景也能hold住了。

比如蚂蚁数科与中铁建的合作中，他们共建了一套“产业数据+AI模型”的产业风控平台，让产业链的客商准入效率提升了至少50%。

一边data for AI，高质量数据是训练AI模型的基础。AI驱动的数据服务-数据加工-数据标注于一体的方案，加速企业大量原始非结构化数据朝着高质量结构化数据的转化。

除此之外，还有像蚁天鉴这样的大模型安全产品，来保障大模型在训练生产和使用过程中的安全可控可靠。

我们注意到，蚂蚁数科已经形成ABC三大业务板块：

首先是云服务（Cloud+），帮助企业迈入数字化「上云」阶段，打造更强大的科技引擎；

第二块是AI服务（AI+），以AI技术重构升级风控、营销等场景效率，助力企业在大模型时代建立竞争优势。

第三块是区块链服务（Blockchain+），通过科技构建产业信任，提升数字化协作效率，加速数据资产流通。

对于蚂蚁数科来说，ABC中的“A”很重要，很明显的指向是，此次蚂蚁数科呈现出来的业务布局“从AI For Data到Data for AI”，有三个特点：

产业、产业还是产业。用AI真实创造产业价值，解决实际问题。这同样也是大模型应用最紧要的命题。

大模型发展到现在，人们对大模型的看法已经变了。

比如就从最近诸多行业问题与思考开始，图像视频生成模型频频开卷，人们的目光不再聚焦于效果多么惊艳，而是因为效果过于逼真，开始担心背后的潜在隐忧；被「缓解高质量数据荒」的数据合成，结果Nature封面一个：Garbage in Garbage out，数据合成越多会导致语言模型崩溃，给这个新兴行业趋势浇了冷水……

以及关于ScallingLaws的讨论，在行业应用的大模型，参数量到底在多少合适？真的是越来愈多，模型性能就会好吗？

种种问题，甚至还导向了另一种倾向：大模型，是不是真的存在泡沫？

之所以能引起这样的思考，其实也不难理解。

随着大模型技术的发展和应用的深入，一方面人们逐渐意识到了大模型能力的边界。模型的参数量不再作为模型能力的核心指标，高质量的数据流入才能保证模型高性能。

另一方面，大模型进入应用深水区。产业界对AI的需求，已经不仅仅是单纯的技术追求，解决实际问题才是衡量大模型的唯一标准。

随之而来的，就是场景中的诸多挑战。

以数据问题为例，当前市面上通用大模型都是基于互联网公开的数据集。他们虽然数量众多、类别广泛，但是无法保质保量，甚至大部分都是“脏”数据。

对于专业严肃的应用场景来说，一来更多高质量的行业数据是非公开的，又或者是企业内部自身的，这需要系统来统一调度和管理，还有一些非结构数据需要转化；二来，对于大量公开的数据需要工程级别的清洗、标注，才能达到能使用训练的水平。

因此看大模型落地千行百业，不能简单看大模型的性能展示，而是说怎么同产业的深度融合。

而本身就在产业有着长期投入的企业，他们有着天然的场景优势，也最有可能将AI能力和影响力才能渗透进行业之中。

蚂蚁数科，就是一个。

— 完 —