原本照片里的人物也会随之做出一样的行为。

虽然我们知道一张静态图，现在大概率是无法解锁人脸识别。

但这样动起来之后，结果可就不一样了。

于是，人脸识别系统便自然可以轻松通过：

△ 图源：央视网微博

央视网曝出的这段视频，成功引发了网友们的热议。

许多网友对这种攻破人脸识别系统的方式表示“可怕”：

让照片动起来的DeepFake

虽然央视网这次并没有直接点名具体所涉及到的技术。

但从效果上来看，DeepFake就可以做到这点。

DeepFake大家很熟悉了，简单来说有两种基本方法。

第一种是将两个人的大量面部照片输入编码器，编码器在压缩图像的同时提取出其面部共同特征。

然后在恢复图像时，把第一个人的压缩照片输入另一个人的解码器中复原，产生“交换“面部的效果。

第二种是生成对抗网络（GAN），让两个AI算法（生成器和判别器）相互对抗。

由生成器输入随机噪声并转化为图像添加到真实图像中，经判别器判别。

经过大量的循环和训练后，二者都得到改进，能够输出不存在的逼真人脸。

△ 图源：3DCAT

但传统的DeepFake需要有大量的原始数据，并且要经过好几天的训练才能达到高质量的效果。

若是想达到实时的效果，怎么办？

黎颢（没错，就是那个杀马特教授）团队就提出，将DeepFake和他此前做的paGAN结合到一起，做了一个新系统。

如此以来，在不需要大量训练数据的情况下，这个系统也可以实时地渲染出合成图像。

paGAN弥补了DeepFake需要大量训练数据的不足，简单来说就是把训练的工作量都放到台下去做。

实时渲染有三个问题需要克服：

需要处理大量数据以及使用更深层网络训练更好的模型，需要生成高分辨率帧并且能够并行或者安排任务。

而paGAN预先经过大量的训练，分析过很多图片的面部和表情。这样内部数据模型就可以在接触到新的图形时做出“条件反射”。

再加上paGAN使用了新的ML方法和更好的底层优化，达到了实时渲染的效果。

△ 图源：3DCAT

张钹：人脸识别算法非常不安全

而这样逼真的DeepFake人脸处理，只是诸多方法中的一种。

每一种方法都是人脸识别系统的潜在威胁。

这说明视频中展示的人脸识别算法还是存在着很大的漏洞。

中科院院士、清华大学人工智能研究院院长张钹，也称这种算法很不安全，非常容易受到攻击：

人识别对方不会因为表情不一样、对方戴个眼镜，或者照明、看的角度偏一点，就不认识他。

但计算机就很容易认不出来。

△ 图源：央视网微博

学习路线：

这个方向初期比较容易入门一些，掌握一些基本技术，拿起各种现成的工具就可以开黑了。不过，要想从脚本小子变成黑客大神，这个方向越往后，需要学习和掌握的东西就会越来越多以下是网络渗透需要学习的内容：