當哥吉拉遺忘你的名字：科幻文學教我們的事──2019泛知識節

本文與 美商德州博藝社科技 HEART 合作，泛科學企劃執行。

提到台灣令人焦慮的交通，多數人會想到都市裡的壅塞車潮，但真正致命的「塞車」，其實正悄悄發生在我們體內的動脈之中。

這場無聲的危機，主角是被稱為「壞膽固醇」的低密度脂蛋白（ Low-Density Lipoprotein，簡稱 LDL ）。它原本是血液中運送膽固醇的貨車角色，但當 LDL 顆粒數量失控，卻會開始在血管壁上「違規堆積」，讓「生命幹道」的血管日益狹窄，進而引發心肌梗塞或腦中風等嚴重後果。

科學家們還發現一個令人困惑的現象：即使 LDL 數值「看起來很漂亮」，心血管疾病卻依然找上門來！這究竟是怎麼一回事？沿用數十年的健康標準是否早已不敷使用？

膽固醇的「好壞」之分：一場體內的攻防戰

膽固醇是否越少越好？答案是否定的。事實上，我們體內攜帶膽固醇的脂蛋白主要分為兩種：高密度脂蛋白（High-Density Lipoprotein，簡稱 HDL）和低密度脂蛋白（ LDL ）。

想像一下您的血管是一條高速公路。HDL 就像是「清潔車隊」，負責將壞膽固醇（ LDL ）運來的多餘油脂垃圾清走。而 LDL 則像是在血管裡亂丟垃圾的「破壞者」。如果您的 HDL 清潔車隊數量太少，清不過來，垃圾便會堆積如山，最終導致血管堵塞，甚至引發心臟病或中風。

因此，過去數十年來，醫生建議男性 HDL 數值至少應達到 40 mg/dL，女性則需更高，達到 50 mg/dL（ mg/dL 是健檢報告上的標準單位，代表每 100 毫升血液中膽固醇的毫克數）。女性的標準較嚴格，是因為更年期後]pacg心血管保護力會大幅下降，需要更多的「清道夫」來維持血管健康。

相對地，LDL 則建議控制在 130 mg/dL 以下，以減緩垃圾堆積的速度。總膽固醇的理想數值則應控制在 200 mg/dL 以內。這些看似枯燥的數字，實則反映了體內一場血管清潔隊與垃圾山之間的攻防戰。

那麼，為何同為脂蛋白，HDL 被稱為「好」的，而 LDL 卻是「壞」的呢？這並非簡單的貼標籤。我們吃下肚或肝臟製造的脂肪，會透過血液運送到全身，這些在血液中流動的脂肪即為「血脂」，主要成分包含三酸甘油酯和膽固醇。三酸甘油酯是身體儲存能量的重要形式，而膽固醇更是細胞膜、荷爾蒙、維生素D和膽汁不可或缺的原料。

這些血脂對身體運作至關重要，本身並非有害物質。然而，由於脂質是油溶性的，無法直接在血液裡自由流動。因此，在血管或淋巴管裡，脂質需要跟「載脂蛋白」這種特殊的蛋白質結合，變成可以親近水的「脂蛋白」，才能順利在全身循環運輸。

肝臟是生產這些「運輸用蛋白質」的主要工廠，製造出多種蛋白質來運載脂肪。其中，低密度脂蛋白載運大量膽固醇，將其精準送往各組織器官。這也是為什麼低密度脂蛋白膽固醇的縮寫是 LDL-C (全稱是 Low-Density Lipoprotein Cholesterol )。

當血液中 LDL-C 過高時，部分 LDL 可能會被「氧化」變質。這些變質或過量的 LDL 容易在血管壁上引發一連串發炎反應，最終形成粥狀硬化斑塊，導致血管阻塞。因此，LDL-C 被冠上「壞膽固醇」的稱號，因為它與心腦血管疾病的風險密切相關。

高密度脂蛋白（HDL） 則恰好相反。其組成近半為蛋白質，膽固醇比例較少，因此有許多「空位」可供載運。HDL-C 就像血管裡的「清道夫」，負責清除血管壁上多餘的膽固醇，並將其運回肝臟代謝處理。正因為如此，HDL-C 被視為「好膽固醇」。

過去數十年來，醫學界主流觀點認為 LDL-C 越低越好。許多降血脂藥物，如史他汀類（Statins）以及近年發展的 PCSK9 抑制劑，其主要目標皆是降低血液中的 LDL-C 濃度。

然而，科學家們在臨床上發現，儘管許多人的 LDL-C 數值控制得很好，甚至很低，卻仍舊發生中風或心肌梗塞！難道我們對膽固醇的認知，一開始就抓錯了重點？

傳統判讀失準？LDL-C 達標仍難逃心血管危機

早在 2009 年，美國心臟協會與加州大學洛杉磯分校（UCLA）進行了一項大型的回溯性研究。研究團隊分析了 2000 年至 2006 年間，全美超過 13 萬名心臟病住院患者的數據，並記錄了他們入院時的血脂數值。

結果發現，在那些沒有心血管疾病或糖尿病史的患者中，竟有高達 72.1% 的人，其入院時的 LDL-C 數值低於當時建議的 130 mg/dL「安全標準」！即使對於已有心臟病史的患者，也有半數人的 LDL-C 數值低於 100 mg/dL。

這項研究明確指出，依照當時的指引標準，絕大多數首次心臟病發作的患者，其 LDL-C 數值其實都在「可接受範圍」內。這意味著，單純依賴 LDL-C 數值，並無法有效預防心臟病發作。

科學家們為此感到相當棘手。傳統僅檢測 LDL-C 總量的方式，可能就像只計算路上有多少貨車，卻沒有注意到有些貨車的「駕駛行為」其實非常危險一樣，沒辦法完全揪出真正的問題根源！因此，科學家們決定進一步深入檢視這些「駕駛」，找出誰才是真正的麻煩製造者。

LDL 家族的「頭號戰犯」：L5 型低密度脂蛋白

為了精準揪出 LDL 裡，誰才是最危險的分子，科學家們投入大量心力。他們發現，LDL 這個「壞膽固醇」家族並非均質，其成員有大小、密度之分，甚至帶有不同的電荷，如同各式型號的貨車與脾性各異的「駕駛」。

早在 1979 年，已有科學家提出某些帶有較強「負電性」的 LDL 分子可能與動脈粥狀硬化有關。這些帶負電的 LDL 就像特別容易「黏」在血管壁上的頑固污漬。

台灣留美科學家陳珠璜教授、楊朝諭教授及其團隊在這方面取得突破性的貢獻。他們利用一種叫做「陰離子交換層析法」的精密技術，像是用一個特殊的「電荷篩子」，依照 LDL 粒子所帶負電荷的多寡，成功將 LDL 分離成 L1 到 L5 五個主要的亞群。其中 L1 帶負電荷最少，相對溫和；而 L5 則帶有最多負電荷，電負性最強，最容易在血管中暴衝的「路怒症駕駛」。

2003 年，陳教授團隊首次從心肌梗塞患者血液中，分離並確認了 L5 的存在。他們後續多年的研究進一步證實，在急性心肌梗塞或糖尿病等高風險族群的血液中，L5 的濃度會顯著升高。

L5 的蛋白質結構很不一樣，不僅天生帶有超強負電性，還可能與其他不同的蛋白質結合，或經過「醣基化」修飾，就像在自己外面額外裝上了一些醣類分子。這些特殊的結構和性質，使 L5 成為血管中的「頭號戰犯」。

當 L5 出現時，它並非僅僅路過，而是會直接「搞破壞」：首先，L5 會直接損傷內皮細胞，讓細胞凋亡，甚至讓血管壁的通透性增加，如同在血管壁上鑿洞。接著，L5 會刺激血管壁產生發炎反應。血管壁受傷、發炎後，血液中的免疫細胞便會前來「救災」。

然而，這些免疫細胞在吞噬過多包括 L5 在內的壞東西後，會堆積在血管壁上，逐漸形成硬化斑塊，使血管日益狹窄，這便是我們常聽到的「動脈粥狀硬化」。若這些不穩定的斑塊破裂，可能引發急性血栓，直接堵死血管！若發生在供應心臟血液的冠狀動脈，就會造成心肌梗塞；若發生在腦部血管，則會導致腦中風。

L5：心血管風險評估新指標

現在，我們已明確指出 L5 才是 LDL 家族中真正的「破壞之王」。因此，是時候調整我們對膽固醇數值的看法了。現在，除了關注 LDL-C 的「總量」，我們更應該留意血液中 L5 佔所有 LDL 的「百分比」，即 L5%。

陳珠璜教授也將這項 L5 檢測觀念，從世界知名的德州心臟中心帶回台灣，並創辦了美商德州博藝社科技（HEART）。HEART 在台灣研發出嶄新科技，並在美國、歐盟、英國、加拿大、台灣取得專利許可，日本也正在申請中，希望能讓更多台灣民眾受惠於這項更精準的檢測服務。

一般來說，如果您的 L5% 數值小於 2%，通常代表心血管風險較低。但若 L5% 大於 5%，您就屬於高風險族群，建議進一步進行影像學檢查。特別是當 L5% 大於 8% 時，務必提高警覺，這可能預示著心血管疾病即將發作，或已在悄悄進展中。

對於已有心肌梗塞或中風病史的患者，定期監測 L5% 更是評估疾病復發風險的重要指標。此外，糖尿病、高血壓、高血脂、代謝症候群，以及長期吸菸者，L5% 檢測也能提供額外且有價值的風險評估參考。

隨著醫療科技逐步邁向「精準醫療」的時代，無論是癌症還是心血管疾病的防治，都不再只是單純依賴傳統的身高、體重等指標，而是進一步透過更精密的生物標記，例如特定的蛋白質或代謝物，來更準確地捕捉疾病發生前的徵兆。

您是否曾檢測過 L5% 數值，或是對這項新興的健康指標感到好奇呢？

新種具足蟲，發現！

2019 年，國立臺南大學生物科技學系副教授 黃銘志 從基隆漁民手中獲得一批具足蟲。為了鑑定這些小傢伙的種類，黃銘志從日本換來兩隻大王具足蟲（B. giganteus），沒想到卻意外發現前所未見的新種——猶加敦具足蟲（B. yucatanensis）！

這到底是怎麼回事呢？別急，在我們看下去前，先告訴你一個具足蟲的小秘密。

具足蟲又稱為深水蝨，是居住在深海的甲殼類活化石。你可能沒聽過這兩個名稱，但如果你看過《風之谷》或是《星際大戰》（Star Wars），肯定對王蟲和黑武士有印象，而他們的原型就是具足蟲！

既然不小心撈到了，那就抓來研究吧～

小秘密說完了，讓我們原地跳一下，回到 2019 年看看事情發生的經過。

當年七月，黃銘志在基隆正濱漁港採集到俗稱「金絲猴」的紅頭龍蝦，登錄為臺灣新記錄種「海神後海螯蝦（Metanephrops neptunus）」。此後，黃銘志就有和當地漁民保持聯繫。

後來，有船長告訴黃銘志：「我抓到十隻具足蟲，你要不要？」

在基隆，具足蟲的漁獲量並不多，通常是拖網捕蝦附帶的戰利品。雖然東北角有很多販售具足蟲料理的店家，具足蟲吃起來也像龍蝦，但民眾還是喜歡吃真正的蝦子，所以具足蟲銷不出去，黃銘志就整批買了下來。

這時，問題來了！臺灣沒有具足蟲專家，而黃銘志本身也不是分類學家，要怎麼鑑定呢？沒辦法，只好自行摸索。

於是，黃銘志和日本新江之島水族館交換兩隻大王具足蟲，但這兩隻越看越不對勁，「⋯⋯怎麼其中一隻腰身比較細？難道是牠比較瘦、吃比較少嗎？」

「背景不同的人，就會用不同的視角看事情！」

後來，黃銘志想起赴日深造時，研究魚類基因演化、解析人體基因結構的經驗，就決定分析具足蟲的基因。從黃銘志的專業背景——分子生物學的角度來看，至少要採用兩種分析方法才夠，因為每個基因演化速度都不同，像具足蟲演化得很慢，基因差異不太明顯，就很難區分。

經過細胞色素 c 氧化酶亞基 1（COI）和 16S rRNA 分析後，黃銘志赫然發現很多 DNA 片段都不同。起初還以為是分析出錯，或是樣本破損，但重複試驗多次後的結果都一樣，黃銘志不禁感到困惑：「奇怪了，歐美研究大王具足蟲長達 140 年，有超過 1000 隻樣本，怎麼沒發現裡面可能有基因結構不同的個體？」

為了進一步梳理這些數據，黃銘志找來兩位分類學家助拳，一位是日本國際螯蝦學會的會長——甲殼類專家川井唯史（Dr. Kawai Tadashi），另一位則是澳洲昆士蘭博物館的無脊椎動物榮譽研究員——具足蟲專家尼爾．布魯斯（Dr. Niel L. Bruce）。

不是這個專業，所以才能做到這件事

在三人正式合作前，黃銘志就大致完成這篇新種具足蟲的論文了，但後來，布魯斯發現了一個天大的錯誤，那就是黃銘志引用了某位印度專家錯誤的研究。

過去，也有中國學者引用這篇印度論文，指出印度洋海域有肯氏具足蟲（B. kensleyi）。黃銘志原先也以為是這樣，畢竟順著前人的研究比較不會有爭議，沒想到卻因此得出錯誤的推論。

第一次研究具足蟲，就要指正其他專家的研究，「老實說，我算哪根蔥？」黃銘志苦笑道。

為了修正錯誤，具足蟲的細部結構就交給布魯斯研究，再讓川井逐一比對、鉅細靡遺地畫下來。具足蟲演化較慢，所以每一種長得都很像，必須仔細觀察才能看出差異，比如鼻子的形狀、尾扇棘刺的數量、身體兩側的彎曲程度等等。

雖然三人至今都沒有見過彼此，但當初為了辨別出不同的形態，他們互相傳了上千封信討論，才終於達成共識。回想這漫長的過程，黃銘志說：「那些圖都確認過十幾次了，意見不合也是常有的事，比如尾扇棘刺的數量要從哪裡開始數？」

黃銘志也提到，每種生物都有「種間變異」和「種內變異」。只要有變異，一定有不同的地方，但這些不同的地方可以直接判斷成不同種嗎？假如尾扇棘原本有 13 根，卻因為互相打鬥而斷了一兩根，是不是就要分成不同種？

在這種情況下，由於形態非常接近，按照傳統分類學的做法，其實很容易將一整群可能摻雜不同種的樣本全都混為一類。因此，黃銘志認為最好的做法是從基因著手，用分子生物學的方法鑑定，而不是用個體的外觀差異判斷。

當分類學家多次比對不同樣本的外形，認為這不是大王具足蟲，而基因定序的結果也和資料庫既有的物種都不匹配的時候，就可以確認牠是未經發表的新種。

延伸閱讀：新種形成——秘中之秘

根據論文發表的結果，黃銘志最後將來自新江之島水族館的新種，以發現地墨西哥灣猶加敦半島（Yucatán Peninsula）為依據，命名為猶加敦具足蟲（B.yucatanensis）。

鑑定深海物種，有助於我們更認識深海

在十八、十九世紀時，科學家非常好奇深海到底有沒有生物，而如今，具足蟲就是活生生的鐵證，因此歐美國家非常重視具足蟲的學術價值。這些深海小傢伙證明了一件事：即使在光線微弱、水壓極高、溫度極低、幾乎沒有食物的環境下，還是有生物存在。

目前，我們對於月球的了解甚至還比深海多。布魯斯表示，陸生生物即使雜交，只要能產生有生殖能力的後代，原則上都可以算是同種，但水生生物並不完全遵循這個原則。

比方說，現在有很多鱘龍魚是雜交種，而且是不同種交配生下的、具有生殖能力的後代，這些不同的後代，都各自稱得上是新物種。按照這個邏輯，海洋時刻都有新物種誕生，是我們探索不完的神秘區域。

不過，相對於西方國家多半將具足蟲作為研究用途，東方國家比較在乎的反而是「這可以吃嗎？要怎麼料理才能變得更好吃？」

在日本，有一種零食就是將具足蟲磨成粉後加進仙貝，讓仙貝吃起來有蝦子的味道。黃銘志笑著說：「這很暢銷！」但也補充道，他在東京大學做研究時，實驗室有個傳統，那就是「當你研究某種生物的時候，你就不吃牠們，代表你對這種生物的敬意。」

關於具足蟲，還有哪些待解之謎？

這份耗時三年的研究，不但指正了前人的研究、改變了具足蟲近百年來的分類，也暗示著既有的「群模式樣本」或許有很大的問題。換句話說，目前已知的具足蟲種類不多，可能是分類錯誤造成的結果，說不定早就有很多種摻雜在其中了！

延伸閱讀：怎麼把牠們當成一樣的物種！物種分類出錯怎麼辦？——分類學家偵探事件簿（三）

在日本，鳥羽水族館有一隻具足蟲長達五年沒進食。目前仍沒有科學家著手細探背後的原因，而牠們的食物來源、繁衍方法，以及牠們如何在極端惡劣的深海環境生存，都是接下來必須進一步探究的課題。

舉例來說，紅色在深海是一種隱性色，而深海的甲殼類生物（比如甜蝦、天使紅蝦）體內通常帶有蝦紅素，使得體表呈現紅色，可以保護牠們不被天敵發現。可是，具足蟲的分布範圍深達數千米，體內卻沒有蝦紅素，煮熟後也不會像蝦子那樣變紅。

延伸閱讀：煮熟的龍蝦為什麼會變色呢？

此外，透過研究具足蟲，科學家可以更了解全球暖化對深海的影響、陸地上的重金屬和放射性物質沉進深海造成的衝擊，以及這些具足蟲是否可以取代龍蝦，成為新的食物選擇。

最近，南海的船長捕到了 80 幾隻具足蟲，黃銘志買下了形態看起來比較特殊的 10 隻，希望可以篩出更多新種，解開更多有趣的謎底。

延伸閱讀

• 原來是大王具足蟲啊，還以為是女友邦提摩尼烏姆呢！這究竟是什麼神秘生物？

1. Huang, M. C., Kawai, T., & Bruce, N. L. (2022). A new species of Bathynomus Milne-Edwards, 1879 (Isopoda: Cirolanidae) from the southern Gulf of Mexico with a redescription of Bathynomus jamesi Kou, Chen and Li, 2017 from off Pratas Island, Taiwan. Journal of Natural History, 56(13-16), 885-921.
2. 交換日本水族館具足蟲 南大發現深水蝨新物種｜生活｜中央社 CNA

編按：你的理智知道「眼見不為憑」，但你的眼睛還是會背叛你的理智，不自覺得被眼前的影像所吸引，儘管你真的、真的知道他是假的。Youtuber 小玉於2021年底涉嫌利用 Deepfake 技術，偽造多位名人的色情影音內容並販售的事件，既不是第一起、也不是唯一、更不會是最後一個利用「深偽技術」進行科技犯罪的事件。

當科技在走，社會和法律該如何跟上甚至超前部署呢？本次 Deepfake 專題，由泛科學和法律白話文合作，從Deepfake 技術與辨偽技術、到法律如何因應，讓我們一起全方位解析Deepfake！

第一篇，讓我們就 Deepfake 技術做一基礎的介紹，那我們就開始囉！

什麼是 Deepfake？

深偽技術 Deepfake 於 2017 年陸續開始進入大眾的目光中。原文 Deepfake 源自於英文「deep learning」（深度學習）和「fake」（偽造）組合，主要意指應用人工智慧深度學習的技術，合成某個（不一定存在的）人的圖像或影片、甚至聲音。最常見的應用，就是將影片中的人臉替換為另一張臉（常是名人），讓指定的臉在影片中做出自己從未說過或做過的事情。

現今談到 Deepfake，大多數人想到的可能是偽造的成人影片，就如前述 Youtuber 小玉的事件，Deepfake 一開始受到關注，主要與名人或明星的臉部影像被合成到成人影片有關，然而，Deepfake 的功能遠不僅於此，相關的技術使用還包括了替換表情、合成一整張臉、合成語音等等。

除了像是讓過去或現在的名人在影片中「栩栩如生」做出使用者想要的表情與動作，之前在社群媒體上曾有好幾款 APP一度風靡，包括上傳一張照片就可以看看「變老」「變性」自己的 FaceApp，甚至於讓自己的臉在經典電影中講上一段台詞的「去演」APP，這類的功能也是應用前述 Deepfake 的技術。

雖然有些線索顯示這類 APP 常有潛在的資安疑慮[註]，但好歹技術的成果多屬搏君一燦自娛娛人，尚可視為無傷大雅。

而過往電影的影音產業要仿造人臉需要應用許多複雜、耗時、昂貴的電腦模擬，有了 Deepfake 相關的技術，也使得許多只能抱憾放棄的事情出現了彌補的空間。最有名的應用應是好萊塢電影《玩命關頭7》與《星際大戰》系列。《玩命關頭7》拍攝期間主角保羅・沃克（Paul William Walker IV）意外身亡，剩下的戲份後來由弟弟擔綱演出，劇組再以 Deepfake 的技術讓哥哥弟弟連戲，整部電影才得以殺青上映。

Deepfake 讓「變臉」變得太容易了？

想想過去的電影如《魔戒》中的咕嚕、或是 2008 年布萊德・彼特主演的《班傑明的奇幻旅程》，將影片或照片中人物「換臉」「變老」的修圖或 CG 技術，在 Deepfake 出世之前就已經存在了。Deepfake 受到關注的核心關鍵在於，應用 AI 的深度學習的演算法，加上越來越強大的電腦與手機運算能力，讓「影片換臉」這件事情變得越來越隨手可得、並且天衣無縫。

過往電影中採用的 CG 技術要花好幾個月由專業人士進行後製，才能取得難辨真偽的影像效果，而應用了 AI 演算法，只需要一台桌上型電腦甚或是手機，上網就可以取得軟體、有機會獲得差強人意的結果了。

進一步，傳統軟體演算法主要依靠工程師的持續修改調整，而如 Deepfake 這類技術，內部的演算法會經過訓練持續進化。有許多技術被應用於提高 Deepfake 的偽造效果，其中最常見的一個作法被稱為「生成對抗網路（Generative Adversarial Network, GAN）」，這裡面包含了兩組神經網路「生成器（Generator）」和「辨識器（Discriminator）」。

在投入訓練資料之後，這兩組神經網路會相互學習訓練，有點像是坐在主人頭上的小天使與小惡魔會互相吐槽、口才越來越好、想出更好的點子；在練習的過程中，「生成器」會持續生成偽造的影像，而「辨識器」則負責評分，反覆訓練下來，偽造生成的技術進步，辨識偽造的技術也得以進步。

舉例來說，This Person Does Not Exist 這個網站就充滿了使用 GAN 架構建構的人臉，這個網站中的人臉看上去非常真實，實際上都是 AI 製造出來的「假臉」。

Deepfake 影片不一定是問題，不知道是 Deepfake 才是問題

現今的 Deepfake 技術得以持續進步、騙過人眼是許多人努力的成果，也不見得都是壞事。像是《星際大戰：俠盜一號》片尾，年輕的萊婭公主出面驚鴻一瞥，就帶給許多老粉絲驚喜。這項技術應用癥結在於，相關演算法輕易就能取得，除了讓有心人可以藉以產製色情影片（這類影片佔了Deepfake濫用的半數以上），Deepfake 製造的影片在人們不知情的情況下，很有可能成為虛假訊息的載體、心理戰的武器，甚至於影響選戰與輿情。

因此，Deepfake 弄假似真不是問題，閱聽者因此「不辨真假」才將是最大的問題所在。

相關的研究人員歸納了幾個這類「變臉」影片常見的特徵，可以用來初步辨識眼前的影片是不是偽造的。

首先，由於 AI 尚無法非常細緻的處理一些動作細節，因此其眨眼、視線變化或臉部抽蓄的動作會較不自然。其次，通常在邊緣處，如髮絲、臉的邊緣線、耳環等區域會出現不連貫的狀況。最後，在一些結構細節會出現不合理的陰影瑕疵，像是嘴角的角度位置等。

由於現階段的 Deepfake 通常需要大量的訓練資料（影像或影片）才能達到理想的偽造成果，因此會遭到「換臉」的受害者，主要集中在影像資源豐富的名人，如電影明星、Youtuber、政治人物等。需要注意的是，如果有人意圖使用 Deepfake 技術製造假消息，其所製造的影片不見得需要非常完美，有可能反而降低解析度、非常粗糙，一般人如用手機瀏覽往往難辨真假。

人眼已經難辨真假，那麼以子之矛攻彼之盾，以 AI 技術辨識找出 Deepfake 的成品，有沒有機會呢？隨著 Deepfake 逐漸成為熱門的議題，有許多團隊也開始試圖藉由深度學習技術，辨識偽造影像。2020 年臉書與微軟開始舉辦的「換臉偵測大賽」（Deepfake Detection Challenge）就提供高額獎金，徵求能夠辨識造假影片的技術。然而成果只能說是差強人意，面對從未接觸過的影片，第一名辨識的準確率僅為 65.18%。

對於 Deepfake 可能遭到的濫用，某部分我們可以寄望技術的發展未來終將「道高一尺」，讓社群平台上的影像不致於毫無遮攔、照單全收；然而技術持續「魔高一丈」讓防範的科技追著跑，也是顯而易見的。

社群網路 FB 在 2020 年宣布全面禁止 Deepfake 產生的影片，一旦有確認者立即刪除，twitter 則強制註記影片為造假影片。Deepfake 僅僅是未來面對 AI 浪潮，科技社會所需要應對的其中一項議題，法律、社會規範如何跟上？如何解決箇中的著作權與倫理問題？這些都將是需要經過層層討論與驗證的重要課題。

至少大家應該心知肚明，過往的網路流行語：「有圖有真相」已經過去，接下來即將面臨的，是一個「有影片也難有真相」的網路世界了。

• 註解：推出 FaceApp 與「去演」的兩家公司其軟體皆要求註冊，且對於上傳資料之後續處理交代不清，被認為有侵犯使用者隱私權之疑慮。

參考資料

1. Deepfakes and the New AI-Generated Fake Media Creation-Detection Arms Race – Scientific American
2. What To Do About Deepfakes | March 2021 | Communications of the ACM
3. Tolosana, R., Vera-Rodriguez, R., Fierrez, J., Morales, A., & Ortega-Garcia, J. (2020). Deepfakes and beyond: A survey of face manipulation and fake detection. Information Fusion, 64, 131-148.
4. Deepfake 深偽技術的技術濫用與道德困境，大眾正要開始面對 | TechNews 科技新報
5. 台灣團隊研究辨識Deep Fake影片　深偽技術的正邪之戰開打 | 台灣事實查核中心 (tfc-taiwan.org.tw)