光学AI检测深度伪造准确率近98% UC... - 电竞选手
据《ScienceDaily》2026年10月1日报道，美国加州大学洛杉矶分校（UCLA）的研究团队成功开发出一款基于光学神经网络的新型深度伪造视频检测系统。该系统利用光的物理传播同时分析15个以上视频流，检测准确率高达97.79%，灵敏度接近99.86%，为日益泛滥的AI合成视频提供了一种高速、低能耗且难以被攻击的筛查利器。相关成果已发表在学术期刊《eLight》上，并在实验中展现出对新一代生成式AI视频的强大适应能力。
明星星座深度伪造技术泛滥，传统检测面临瓶颈
近年来，生成式AI的飞速发展使得合成视频的逼真度大幅提升，从早期的简单换脸到如今Google VEO-3等模型生成的无明显痕迹的视频，深度伪造已成为信息安全的重大挑战。据BBC此前的调查报道，2025年网上发现的深度伪造视频数量较前一年增长了近550%，其中涉及政治虚假信息和金融诈骗的案例尤为突出。
明星微博传统数字检测系统大多依赖逐帧处理的深度神经网络，单次分析就需要数百亿次浮点运算。当需要审核海量视频时，计算时间和能耗呈线性增长。更棘手的是，攻击者可以通过微调伪造视频中的噪声或压缩模式来绕过数字模型。UCLA电气与计算机工程系教授Aydogan Ozcan在论文中指出：“现有方法在扩展性和对抗鲁棒性上存在根本性缺陷，急需一种全新的计算范式。”
明星热搜光学AI的工作原理：光算代替电算
与完全依赖电子芯片的传统AI不同，UCLA团队设计了一套混合数字-光学架构。该系统的第一个阶段是一个轻量级的数字编码器，它从每个视频中提取空间、光谱和时间特征，并将这些信息转化为相位图案，然后投影到可编程空间光调制器上。
明星粉丝随后，经过调制的光波穿过一个由多片无源衍射层组成的自由空间光学解码器。在解码器的另一端，成对的光电探测器直接输出每个视频的真实性评分。Ozcan教授解释道：“我们实际上用光的衍射过程替代了大部分数字解码网络——光在传播中自动完成计算，无需外部电源驱动，因此能够同时并行处理数十个视频流。”这一设计使系统在执行推理时，光学部分的能耗几乎为零。
明星排名实测性能：15路并行，准确率逼近98%
在可见光波段进行的实验中，处理器以15个Celeb-DF视频为一组同时处理，平均检测准确率达到97.79%。关键性能指标如下：
| 指标 | 数值 | 说明 |
|---|
| ------ | ------ | ------ |
|---|
| 检测准确率 | 97.79% | 15个视频同时处理时的平均准确率 |
|---|
| 灵敏度 | 99.86% | 成功识别出伪造视频的比例 |
|---|
| 特异性 | 95.72% | 正确识别真实视频的比例 |
|---|
| 假阴性率 | 约0.14% | 漏判的伪造视频比例 |
|---|
| 扩展至18路准确率 | 96.13% | 提升并行容量后仍保持高水准 |
|---|
99.86%的灵敏度意味着在超过7000个伪造视频中，仅约10个被误判为真实，这一低漏检率对于安全筛查至关重要。团队还发现，增加被动衍射层的层数（即物理深度）可在不显著增加能耗或延迟的情况下进一步提升检测精度——在处理更复杂的深度伪造时，额外添加两层优化衍射层使准确率提高了约6.8%。
挑战新一代AI视频：Google VEO-3测试
为了验证系统对未来生成式AI的适应能力，研究人员直接使用了Google VEO-3模型生成的视频进行测试。VEO-3能够创建几乎不含传统深度伪造痕迹的高质量短片，传统检测器往往需要重新训练才能应对。
UCLA团队仅对光学处理器进行了极少的微调，便取得了94.80%的准确率和97.61%的灵敏度。这一结果证明，基于光学特征的检测方法并不依赖于旧有的伪造痕迹（如面部纹理异常），而是能够捕捉到更本质的物理差异。来源为《eLight》期刊的论文指出：“该方法有望随着生成式AI的迭代而快速迁移，为长期对抗提供基础。”
硬件内嵌安全：抵御对抗攻击的天然屏障
光学处理器的另一大优势是内在的安全性。由于部分推理过程通过光的衍射在物理硬件中完成，关键的模型参数被“嵌入”到衍射层的微结构中。攻击者难以通过外部测量或逆向工程来复制整个光学系统，因此设计针对性的对抗样本变得极为困难。
实验中，即使视频受到图像噪声、模糊、JPEG压缩或实验性错位的影响，光学处理器仍能稳定工作。这与纯数字模型在遭遇微小扰动时性能骤降的情况形成鲜明对比。Ozcan教授强调：“我们的系统天生就防御白盒攻击，因为攻击者无法获取衍射光栅的精确内部状态。”
第一道防线：大规模视频内容审核的未来
UCLA团队并不打算用光学处理器完全取代现有数字检测器，而是将其设计为高通量、高灵敏度的第一道防线。每天产生的海量视频可以首先通过光学系统进行快速筛选，只有被标记为可疑的内容才会被送入更耗时的数字深度分析模型。
这种级联架构结合了光学并行处理的效率和数字系统精细分析的深度。据路透社的行业分析报道，全球社交媒体和视频平台每年需审核超过10亿小时的用户上传内容，光学预处理有望将计算成本降低一个数量级以上。未来，该技术还可应用于新闻机构的事实核查、法庭证据验证以及安防监控等关键领域。
FAQ
Q1：这种光学AI检测深度伪造的原理是否复杂？
A1：并不复杂。它通过一个轻量级数字编码器提取视频的关键特征，然后将这些特征以光波相位的形式送入无源光学解码器。光的衍射过程自动完成大部分计算，最终由探测器输出真伪评分。整个过程无需每帧进行大量数字运算，因此能同时处理多个视频。
Q2：它能否应对未来更高级的深度伪造技术？
A2：有希望。实验显示，该光学处理器仅需少量微调即可检测Google VEO-3这类最新模型生成的视频，准确率达94.8%。由于光学检测依赖的是底层物理特征而非表面的视觉痕迹，即使生成技术进化，系统只需调整编码器部分即可适应，而光学核心硬件可保持不变。
总结
UCLA研发的光学深度伪造检测系统以光速并行处理、超低能耗和硬件级安全防护，为应对日益猖獗的AI合成视频提供了全新思路。随着生成式AI门槛不断降低，这种融合光学与人工智能的混合架构有望成为数字时代内容真实性的关键基石。下一步，研究团队计划将处理器集成到便携设备中，并探索在红外波段工作的可能性。
主机独占
UCLA研究团队开发出基于光学神经网络的新型深度伪造视频检测系统，可同时分析15个视频流，准确率97.79%，能耗极低且抗攻击性强。了解光计算如何重塑AI内容审核的未来。
