AI人脸怎么辨真假：训练后识别准确率近乎翻倍

现在AI生成的人脸到处都是，有些已经很难一眼看出真假。它能在很大程度上替代真实人脸，用于面部识别研究、隐私保护和各类创作；但另一面，基于人脸的欺诈行为也可能因此增多，全球范围内的安全风险会更大。

识别AI脸的办法也在跟着技术一起进步。近期一项新研究显示，经过训练，人分辨AI脸和真人脸会更准。诀窍是从整体上抓AI脸的几个典型特点：它们比真人脸更对称，五官比例更协调，却也更容易被忘掉。

最新研究中展示的真实人脸以及AI脸。其中左侧四个是真实人脸，右侧四个是AI脸。图片来源：PNAS

从整体上识别AI脸的特征

过去生成技术还不成熟时，提高判断力主要靠教人找AI图像里的破绽，比如耳环左右不成对、解剖结构不对劲。这些线索有点用，但整体效果并不理想，甚至会带来误判。何况随着生成人脸的水平提升，很多视觉瑕疵现在已经不多见，只能另找办法。

此前已有证据显示，AI生成的人脸和真实人类面孔之间存在系统性差异，而人在潜意识里对这类整体差异其实相当敏感。新研究就借用了人对整体印象的这种敏感，引导并训练人们顺着直觉去关注AI脸的典型特征，结果识别AI脸的平均准确率提高了近一倍。该研究2026年6月发表在《美国科学院院刊》（PNAS）上，为改进人类识别AI脸的方法添了新证据。

“AI脸有个特点：各项特征都往平均值靠，这也部分说明了为什么AI脸最终看上去比真人脸更相像。”这项研究由

艾米·达维尔解释说：“AI脸往往比真人脸更加对称、比例更加协调，且更具有吸引力。”没受过训练的人，常把这些特点当成真人的标志，而不是AI的标志。但训练之后，从整体上有效识别AI脸仍然可行，因为“AI脸和真人脸所产生的整体印象仍然存在差异，这种差异比任何单一局部的瑕疵都更难被模型消除。”人本身就是高度社会化的动物，视觉系统早已进化出专门的整体面孔加工能力——看脸通常是看整张，而不是挨个抠局部细节。新研究顺势而为，教人去留意整体层面的差别，把AI脸的不同认出来。

识别不熟悉的脸本就困难

从感知上说，分清和处理AI脸与真人脸并不轻松。2025年瑞士一项研究就发现，人处理这两类面孔信息时，用的其实是同一套识别机制。研究人员拿两组匹配过的照片，观察人们如何感知这两类相似又不同的人脸视觉信息。

结果显示，不管判断的是真人脸还是AI假脸，人们的判断都受图像本身相似程度和自身识别能力影响。具体来说，参与者辨认面孔的表现随个人能力高低而变化，却不会因为面对的是AI假脸还是真人脸而变。两张脸越像，判断表现就越差，真假都一样。平时认人脸厉害的人，则一直保持更高水平。这说明人感知、处理AI脸信息的方式，和看真实人脸是相同的。

南方周末采访了伯尔尼应用科技大学认知神经科学家梅克·拉蒙教授（Meike Ramon）。她说，对人类而言，分辨不熟悉的面孔本就相当吃力。大脑会尽量处理脸上一切可用的信息。各人关注的面部特征并不相同，有人先看眼睛，有人先看嘴巴。水平也因人而异，有人很在行，有人则不行，多数人其实处在中间。至于认脸特别差的人，比如脸盲症患者，就很难把各种信息整合到一块儿，常常过度盯住某一个特征，比如某处的一颗痣。“靠特征来判断并不可靠。说它不算一种很有效的策略，是因为这要求你所用的信息确实存在、看得清楚、分辨率也高，等等。”梅克·拉蒙教授分析说，若能处理更多整体信息，识别效果往往也会更好。

还要注意，人脸识别能力强，不等于更会识别AI伪造。2024年一项研究考察人们判断深度伪造视频的表现后发现，个人认脸的能力和识别深度伪造的能力之间没有关联。两种能力可能彼此独立，认AI脸依然得额外下功夫。

直接或间接指出AI脸特征都有用

要把AI脸独有的抽象特质变成容易上手的实操技能，需要更有针对性的干预训练。同样在2026年6月，南安普敦大学的研究人员利用AI脸的特征，通过一项超过600人参与的实验，开发出一套训练干预方案，以提高人们识别AI脸的能力。实验中，研究人员明确告诉参与者AI脸的各类常见规律，等他们理解之后，再让他们开始判断，并及时给出反馈。这一研究发表在《人类行为计算》（Computers in Human Behavior），具体而言，训练分为三个部分。

第一步，研究人员直接告诉参与者AI脸有一些关键特征：和真人脸相比，它们往往比例更协调，让人感觉更熟悉，但更难记住。第二步，研究人员还介绍了一些尚未被广泛应用的线索，比如AI合成的人脸图通常画质更高，但其辨识度反而低于真人脸。第三步，研究人员提醒参与者别盯着无效线索，比如不要总看皮肤有没有瑕疵或皱纹，也别只看脸上的微笑是不是真开心，帮他们在判断时少依赖这些没用的特征。

训练过的参与者最终表现远好于没训练的，辨别准确率明显高于随机水平。训练结束20天后，这种改善依然存在，说明效果能持续。

和过去那些干预手段比起来，最新研究用的办法更不显眼，操作也更简便。研究人员只是让参与者去留意AI脸在独特性、易记性、比例性、对称性这些方面可能存在的感知特点，并没有直接教他们怎么用这些差别，而是让参与者去体验人脸在这些维度上的不同表现，自己去摸索出规律。这么一来，人就能把潜意识里对整张脸差异的感受用起来，对AI脸的识别率也随之提高。

训练带来的变化在数据上很直观。经过训练，参与者从三张人脸里挑出AI脸的成绩提升明显，平均准确率从约40%涨到约80%；只看一张脸做判断时，准确率也从50%左右升到80%左右。反过来，没受过训练的人常把AI脸当成真人，有时候甚至觉得AI脸比真人还真。

为什么会这样？艾米·达维尔给出了两点解释。一是感知层面的原因：一张脸越大众，人们就越容易觉得它有吸引力、看着熟悉、值得信赖。“因为AI脸比真实面孔更加普通，这些积极的社会印象会让人们改变判断，觉得它们比真实照片更真实，甚至更像人类。”二是人天生有拟人化的倾向。“我们倾向于把人类的特质归因于与我们相似的事物。”所以，当一张脸看上去可信时，我们默认它属于真人，不会想到它是机器做出来的。

科学家眼下已经归纳出好几种感知特质，用来帮人分辨AI脸和真人脸，但哪些特质在识别时作用更大，目前还定不下来；这些特质的重要程度排序是否也适用于别的模型生成的人脸，同样没有答案。“随着技术进步，我估计AI脸与人脸之间的潜在差异会持续存在。”艾米·达维尔说，这由这些模型的训练方式决定，不过具体特性会随模型改进而变化。

AI脸的特征并非一成不变

AI人脸生成技术上的这些变化，预计还会给接触到的人带来新的社会问题。拿表情来说，AI脸还不太逼真的时候，社交媒体上不少人吐槽生成的脸表情夸张，看着不自然，甚至有点生理上的不适，会产生似人非人的恐怖谷效应。等AI能生成更逼真的人脸，这种恐怖感会变少，可各类被AI脸骗到的问题却可能增多。多数人面对AI脸并不会觉得不安，反而很自然地认为眼前就是真人，对不擅长识别AI脸的人来说尤其如此。

艾米·达维尔此前的研究还发现，AI脸识别测试里存在“越无知就越自信”的邓宁-克鲁格效应：最常把AI脸认成真人脸的那批人，对自己的判断反倒最有信心。这就可能让他们更容易被AI生成的内容骗到，做出错误判断。另外，AI生成人脸的模型在训练时对白人脸依赖得不成比例，白人面容的AI脸因此更逼真。落到现实应用里，这既可能影响人们对不同社会群体的认知，也可能让不同群体识别AI脸的难度不一样，有些人练了效果也不好。

还有一点：模型训练用的数据集各不相同，眼下识别出来的一些AI脸特征未必都通用。比如有研究显示，部分基于互联网图像数据集训练的模型，生成的AI脸表情比人类更强烈，情绪也更鲜明。原因可能在于内容创作者往网络平台发图时，为了出效果会刻意摆拍，人脸表情就更容易被夸张化。

网络内容的流行趋势或者数据集一旦变了，AI脸露出来的特征可能就大不一样。模型之间的差异和变化也在提醒人们：眼下AI脸或许有“更对称、比例更协调、更难记住”这些特点，可怎么识别AI脸这件事本身也得不断更新，才能跟上生成规律的节奏。

南方周末特约撰稿 林曦