WhichFaceIsReal.com由来自华盛顿大学的两位学者Jevin West和Carl Bergstrom创建,他们都研究信息如何通过社会传播。他们认为人工智能产生的虚假脸部图像的兴起可能是麻烦的,破坏了社会对证据的信任。
“当这样的新技术出现时,最危险的时期就是技术出现在那里,但公众却没有意识到这一点,”Bergstrom告诉The Verge。“那时它可以最有效地使用。”
“所以我们要做的就是 教育 公众,让人们意识到这项技术就在那里,”West表示。“就像最终大多数人都知道你可以利用Photoshop对一张照片进行处理一样。”
ThisPersonDoesNotExist.com生成的虚假脸部图像
两个 网站 都使用称为生成对抗网络(或简称GAN)的机器学习方法来生成虚假图像。这些网站通过大量数据(真实人物的大量肖像)进行操作; 学习其中的模式,然后尝试复制他们所“看到”的内容。
GAN之所以如此优秀,是因为它们会自己进行测试。网络的一部分生成面部图像,另一部分将它们与训练数据进行比较。如果它可以区分,生成器将被送回绘图板以改善其工作。这些技术可用于处理音频和 视频 以及图像。虽然这些系统可以完成的任务有限,但它们正在稳步提升。
在这个人工智能生成的脸部图像的案例中, Bergstrom和West指出,一次恶意攻击可能会在恐怖袭击事件后传播错误信息。例如,人工智能可用于生成在线传播的假罪魁祸首,在社交网络上传播。
在这些情况下,记者通常会尝试使用谷歌的反向图像搜索等 工具 来验证图像的来源。但这不适用于AI虚假图像。“如果你想在这种情况下注入错误的信息,如果你张贴了犯罪者而且是其他人的照片,那么它会很快得到纠正,”Bergstrom表示。“但如果你使用一个根本不存在的人的照片?想想跟踪它的难度。”
他们指出,学者和研究人员正在 开发 大量可以发现深度伪造的工具。“我的理解是,现在它实际上很容易做到,”West指出。通过上面的测试,你可能发现你可以区分AI生成的脸部图像和真实的脸部图像。
“但这些虚假照片会变得更好。在三年后,[这些虚假图像]将难以区分,”West表示。当这种情况发生时,知道将是成功的一半。Bergstrom称:“我们的信息绝不是人们不应该相信任何事情。我们的信息恰恰相反:它不是轻信。”
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:- mysql查询条件-不区分大小写
- 重构之路:webpack区分生产环境和开发环境
- 当 AI 医疗成为热点,噱头与实干如何区分?
- (译)React是如何区分Class和Function?
- 面试篇---1 如何区分深拷贝与浅拷贝
- React是如何区分class和function的?
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
数学与泛型编程
[美]亚历山大 A. 斯捷潘诺夫(Alexander A. Stepanov)、[美]丹尼尔 E. 罗斯(Daniel E. Rose) / 爱飞翔 / 机械工业出版社 / 2017-8 / 79
这是一本内容丰富而又通俗易懂的书籍,由优秀的软件设计师 Alexander A. Stepanov 与其同事 Daniel E. Rose 所撰写。作者在书中解释泛型编程的原则及其所依据的抽象数学概念,以帮助你写出简洁而强大的代码。 只要你对编程相当熟悉,并且擅长逻辑思考,那么就可以顺利阅读本书。Stepanov 与 Rose 会清晰地讲解相关的抽象代数及数论知识。他们首先解释数学家想要解决......一起来看看 《数学与泛型编程》 这本书的介绍吧!