收益：
- 能够理解合成媒体的虚假证据和“骗子获利”威胁以及媒体真实性的多层验证
- 能够一起评估出处、元数据、技术异常、出处 (C2PA) 和上下文一致性层，而不依赖于单个车辆评分
- 能够用可信度而非确定性的语言表达结果，并采用仅用于检测和防御的生产技术知识。
视频作为调查中的“证据”：经理发出不当指示的录音、显示某人在某处的照片、供认视频。但现在，问题仍然是每一项证据的首要问题：这是真实的，还是人工智能产生的？ Deepfake（通过深度学习产生的模仿真人面部/声音/动作的虚假媒体）和更广泛的合成媒体（合成媒体——完全或部分由人工智能产生的图像、音频、视频）是数字取证的最新和最具挑战性的前沿领域。在本单元中，我们将介绍人工智能作为威胁和检测工具的双重角色，以及为什么验证必须是多层的。
为什么它如此重要？
合成媒体是一个双管齐下的威胁。首先，虚假证据：有人可以制作深度伪造品来“证明”未发生的事件。其次，更阴险的是“说谎者的红利”（说谎者的红利——由于假媒体的泛滥，即使是真正的证据也可以被斥为“it’s a deepfake”）。因此，合成媒体不仅会产生虚假证据，而且还会产生虚假证据。它还破坏了实际证据的可信度。因此，法证分析师必须验证每个媒体证据的真实性——它确实来自所声称的来源，未经更改。
注意：“人工智能检测工具说 98% 是 Deepfake”在法庭上是不够的。检测模型是错误的，新一代技术规避了它们，概率得分也不是决定性的证据。 Deepfake 检测应始终得到多层验证（技术+上下文+来源）的支持。
检测层数
合成媒体检测不能依赖一种神奇的工具；应该分层：
- 技术/取证分析：压缩不一致、像素/频率异常、面部边界扭曲、眨眼和脉搏等生物信号的缺失、音频的不自然频率模式。
- 元数据和来源分析：文件的 EXIF/容器元数据、生产痕迹、设备指纹、文件通过的路径（监管链）。已删除/不一致的元数据是一个警告。
- 内容来源：通过 C2PA（一种开放标准，将加密签名的来源信息添加到媒体中，表明其来自何处以及如何编辑）等标准进行验证；有签名吗，是否一致？
- 上下文验证：视频中的灯光、阴影、反射在物理上是否一致？声音和口型同步吗？内容是否与已知事实（天气、地点、时间）相矛盾？
人工智能是其中许多层的加速器：标记异常、检测不一致、生成检查表。但最终的真伪判断是通过多层交叉验证和专家评估来做出的。
人工智能：既是威胁也是工具
该单元的关键张力：相同的技术既可以生产也可以检测深度赝品。法医分析师必须了解生产技术（如何在不知道伪造品是如何制造的情况下检测伪造品？），但仅将其用于检测和防御目的。使用人工智能制作虚假媒体来愚弄他人是欺诈和身份滥用；该模块的范围是严格的检测和验证。
提示：在评估媒体证据时，首先进行“最简单的解释”测试：该文件真的来自其声称的地方吗？监管链安全吗？大多数时候，问题不在于深度伪造，而在于去上下文化（来自真实但旧/其他事件的视频，在错误的上下文中呈现）。在复杂的深度伪造分析之前验证来源和上下文。
概率，而非确定性
Deepfake 检测工具会产生概率分数；不是“绝对是假的”或“绝对是真的”。这个分数有误差幅度、置信区间，在模型未见过的新生产方法中其性能会下降。在法证报告中，不应该对媒体说“这是假的”，而应该说“这些指标指向操纵，这些层层验证表明了这一点，确定性的程度就是这样”。过于精确的语言会在法庭上引起异议并导致声誉损失。
三个迷你箱子
案例 1——在 Deepfake 之前解决了起源分析。作为“证据”提交给委员会的视频经过审查。在进行 Deepfake 分析之前，我们检查了元数据：该视频是在声明日期前 8 个月创建的，并且容器元数据指向另一个应用程序。该视频不是假的，但它是在错误的背景下呈现的；最简单的一层解决了这个问题。
案例2——多层检测识破假货。在语音记录中，AI 检测工具表示 71% 是合成的（不确定）。专家检查了其他层次：频率分析中不自然的规则模式、呼吸音的缺失以及 C2PA 特征的缺失。三个独立指标的组合产生的结果比单个分数强得多。
案例 3——从过度确定中回归。 “该视频绝对是深度伪造的，”一份报告草稿引用了单个车辆的分数表示。资深专家纠正：只有一种工具是不够的，语言不能“绝对”。该报告已被翻译成表达多层和精确程度的语言；从而在法庭上可以辩护。
四个可复制模板
1) 媒体验证清单：
您的角色：合成媒体验证专家。为我提供一份分层清单，用于验证图像/音频/视频证据：(1) 出处/监管链，(2) 元数据，(3) 技术异常，(4) 出处/C2PA，(5) 上下文一致性。为每一层写出具体的检查步骤。
2）元数据一致性分析：
我将为您提供媒体文件的元数据（EXIF/容器）。标记不一致：创建-修改元冲突、设备/软件跟踪、丢失/删除字段、地理时间差异。指出这些可能是操纵的迹象，但其本身并不是证据。
3）上下文一致性检查：
评估此图像/视频中的物理一致性：照明方向和阴影是否一致、反射是否准确、音频-口型同步是否匹配、背景是否与声明的位置/时间匹配？将每个观察结果链接到具体位置。不要做出最后的判断；列出引起疑问的点。
4）精度级语言：
将以下验证结果（分数 + 分层结果）翻译成报告段落。不要说“绝对是假的/真的”；给出每个发现的来源并表达总体确定性水平（低/中/高置信度）。避免过多令人反感的主张。
弱提示/强提示
弱提示：
告诉我，这个视频是深度伪造的吗？
一层，等待审判；人工智能在没有上下文的情况下生成“是/否”，这将在法庭上被驳斥。
强力提示：
您的角色：合成媒体验证专家。我将向您描述视频的元数据、检测工具的分数和几帧。任务：分别评估出处、元数据、技术异常和上下文一致性层；将您在每一层中看到的内容连接到源。将结果表示为各层的组合置信度，而不是“精确”。不要依赖单一的分数；指示缺失的层。
分层评估、链接到源以及“禁止调用”约束使输出具有防御性。
认证层表
层
他在看什么？
强项
限制
原产地/CoC
文件从哪里来
简单、精确
欺诈行为可以被隐藏
元数据
EXIF/容器
快速提示
可擦除/假的
技术异常
像素/频率
操纵痕迹
新技术绕过
出处/C2PA
签名出处
加密信任
不是到处都有
上下文的
物理/现实和谐
很难欺骗
需要评论
常见错误
- 依靠一辆车的分数。 Deepfake检测应该是多层的；单一分数并不能证明。
- 它的意思是“绝对假/真”。使用概率语言；太精确会引起反对。
- 省略起源和上下文。大多数问题不是深度伪造，而是错误的背景/旧媒体。
- 对元数据的绝对信任。元数据可以被删除和伪造。
- 滥用生产技术。该信息仅用于检测和防御。
综上所述
Deepfake 和合成媒体是数字取证的最新前沿；它既产生虚假证据，又使真实证据变得可疑。人工智能既是威胁工具，也是检测工具。验证不应基于单一工具，而应基于出处、元数据、技术异常、出处和上下文一致性等各层的交叉验证。结果不是用确定性来表示，而是用确定性的程度来表示。这些信息仅用于检测和防御，而不是用于生成虚假媒体。
应用任务
描述媒体证据场景（例如录音）。使用“媒体验证清单”模板创建分层计划。然后应用带有虚拟元数据和检测分数的“元数据一致性分析”和“精确级语言”模板；尝试以分层的信心来表达结果，而不是“绝对是假的”。
清单
- [ ] 我基于多层而不是单一工具进行验证。
- [ ] 我先查了一下来源和上下文。
- [ ] 我记住元数据可以被删除/伪造。
- [ ] 我用信心水平的语言表达结果，而不是确定性。
- [ ] 我仅将生产信息用于检测/防御。