你會因為名人推薦而買書嗎？為什麼？｜【科科齊打交】

本文與 研華科技 合作，泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言，總能牽動整個 AI 產業的神經。然而，我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線，那如果哪天「網路斷了」，會發生什麼事？

想像你正在自駕車打個盹，系統突然警示：「網路連線中斷」，車輛開始偏離路線，而前方竟是萬丈深谷。又或者家庭機器人被駭，開始暴走跳舞，甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎？當然不是！也因為如此，「邊緣 AI」成為業界關注重點。不靠雲端，AI 就能在現場即時反應，不只更安全、低延遲，還能讓數據當場變現，不再淪為沉沒成本。

什麼是邊緣 AI ？

邊緣 AI，乍聽之下，好像是「孤單站在角落的人工智慧」，但事實上，它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前，像是企業、醫院、學校內部的伺服器，個人電腦，甚至手機等裝置，都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算，稱為邊緣運算；而在邊緣節點上運行 AI ，就被稱為邊緣 AI。簡單來說，就是將原本集中在遠端資料中心的運算能力，「搬家」到更靠近數據源頭的地方。

那麼，為什麼需要這樣做？資料放在雲端，集中管理不是更方便嗎？對，就是不好。

第一個不好是物理限制：「延遲」。
即使光速已經非常快，數據從你家旁邊的路口傳到幾千公里外的雲端機房，再把分析結果傳回來，中間還要經過各種網路節點轉來轉去…這樣一來一回，就算只是幾十毫秒的延遲，對於需要「即刻反應」的 AI 應用，比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時，每一毫秒都攸關安全與精度，這點延遲都是無法接受的！這是物理距離與網路架構先天上的限制，無法繞過去。

第二個挑戰，是資訊科學跟工程上的考量：「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送，湧入的資料數據量就像超級大的水流，一下子就把水管塞爆！要避免流量爆炸，你就要一直擴充水管，也就是擴增頻寬，然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理，把重要資訊「濃縮」過後再傳回雲端，是不是就能減輕頻寬負擔，也能節省大量費用呢？

第三個挑戰：系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時，一旦網路不穩、甚至斷線，那怎麼辦？很多關鍵應用，像是公共安全監控或是重要設備的預警系統，可不能這樣「看天吃飯」啊！邊緣處理讓系統更獨立，就算暫時斷線，本地的 AI 還是能繼續運作與即時反應，這在工程上是非常重要的考量。

所以你看，邊緣運算不是科學家們沒事找事做，它是順應數據特性和實際應用需求，一個非常合理的科學與工程上的最佳化選擇，是我們想要抓住即時數據價值，非走不可的一條路！

邊緣 AI 的實戰魅力：從工廠到倉儲，再到你的工作桌

知道要把 AI 算力搬到邊緣了，接下來的問題就是─邊緣 AI 究竟強在哪裡呢？它強就強在能夠做到「深度感知（Deep Perception）」！

所謂深度感知，並非僅僅是對數據進行簡單的加加減減，而是透過如深度神經網路這類複雜的 AI 模型，從原始數據裡面，去「理解」出更高層次、更具意義的資訊。

以研華科技為例，旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例，利用物件偵測模型，快速將工業產品中的瑕疵挑出來，而且由於 AI 模型可以使用同一套參數去檢測，因此品管上能達到一致性，減少人為疏漏。尤其在高產能工廠中，檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品，替工廠節省大量人力，同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

此外，在智慧倉儲場域，研華與威剛合作，研華與威剛聯手合作，在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台，打造倉儲系統的 AMR（Autonomous Mobile Robot） 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣，AMR 不需要事先規劃好路線，靠著感測器偵測，就能輕鬆避開障礙物，識別路線，並且將貨物載到指定地點存放。

當然，還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning )，除了可以做備忘錄跟排程規劃以外，還能將實務上碰到的問題記錄下來，等到之後碰到類似的問題時，就能詢問 AI 並得到解答。

你或許會問，那為什麼不直接使用 ChatGPT 就好了？其實，對許多企業來說，內部資料往往具有高度機密性與商業價值，有些場域甚至連手機都禁止員工帶入，自然無法將資料上傳雲端。對於重視資安，又希望運用 AI 提升效率的企業與工廠而言，自行部署大型語言模型（self-hosted LLM）才是理想選擇。而這樣的應用，並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器，體積僅如後背包大小，卻能輕鬆支援語言模型的運作，實現高效又安全的 AI 解決方案。

但問題也接著浮現：要在這麼小的設備上跑大型 AI 模型，會不會太吃資源？這正是目前 AI 領域最前沿、最火熱的研究方向之一：如何幫 AI 模型進行「科學瘦身」，又不減智慧。接下來，我們就來看看科學家是怎麼幫 AI 減重的。

語言模型瘦身術之一：量化（Quantization）—用更精簡的數位方式來表示知識

當硬體資源有限，大模型卻越來越龐大，「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像：有些畫面細節我們肉眼根本看不出來，刪掉也不影響整體感覺，卻能大幅減少檔案大小。

模型量化的原理也是如此，只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示，什麼是浮點數？其實就是你我都熟知的小數。舉例來說，圓周率是個無窮不循環小數，唸下去就會是3.141592653…但實際運算時，我們常常用 3.14 或甚至直接用 3，也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思！ 

然而，量化並不是那麼容易的事情。而且實際上，降低精度多少還是會影響到模型表現的。因此在設計時，工程師會精密調整，確保效能在可接受範圍內，達成「瘦身不減智」的目標。

模型剪枝（Model Pruning）—基於重要性的結構精簡

建立一個 AI 模型，其實就是在搭建一整套類神經網路系統，並訓練類神經元中彼此關聯的參數。然而，在這麼多參數中，總會有一些參數明明佔了一個位置，卻對整體模型沒有貢獻。既然如此，不如果斷將這些「冗餘」移除。

這就像種植作物的時候，總會雜草叢生，但這些雜草並不是我們想要的作物，這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在，而動手去清理這些不需要的連結參數或神經元的技術，就稱為 AI 模型的模型剪枝（Model Pruning）。

模型剪枝的效果，大概能把100變成70這樣的程度，說多也不是太多。雖然這樣的縮減對於提升效率已具幫助，但若我們要的是一個更小幾個數量級的模型，僅靠剪枝仍不足以應對。最後還是需要從源頭著手，採取更治本的方法：一開始就打造一個很小的模型，並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」，是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾（Knowledge Distillation）—讓小模型學習大師的「精髓」

想像一下，一位經驗豐富、見多識廣的老師傅，就是那個龐大而強悍的 AI 模型。現在，他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案，老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」，例如「為什麼我會這樣想？」、「其他選項的可能性有多少？」。這樣一來，小小的學徒模型，用它有限的「腦容量」，也能學到老師傅的「智慧精髓」，表現就能大幅提升！這是一種很高級的訓練技巧，跟遷移學習有關。

舉個例子，當大型語言模型在收到「晚餐：鳳梨」這組輸入時，它下一個會接的詞語跟機率分別為「炒飯：50%，蝦球：30%，披薩：15%，汁：5%」。在知識蒸餾的過程中，它可以把這套機率表一起教給小語言模型，讓小語言模型不必透過自己訓練，也能輕鬆得到這個推理過程。如今，許多高效的小型語言模型正是透過這項技術訓練而成，讓我們得以在資源有限的邊緣設備上，也能部署愈來愈強大的小模型 AI。

但是！即使模型經過了這些科學方法的優化，變得比較「苗條」了，要真正在邊緣環境中處理如潮水般湧現的資料，並且高速、即時、穩定地運作，仍然需要一個夠強的「引擎」來驅動它們。也就是說，要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型，真正放到邊緣的現場去發揮作用，就需要一個強大的「硬體平台」來承載。

邊緣 AI 的強心臟：SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器，就是扮演「邊緣 AI 引擎」的關鍵角色！那麼，它到底厲害在哪？

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要？因為 GPU 的設計，天生就擅長做「平行計算」，這正好就是 AI 模型裡面那種海量數學運算最需要的！

你想想看，那麼多數據要同時處理，就像要請一大堆人同時算數學一樣，GPU 就是那個最有效率的工具人！而且，有多張 GPU，代表可以同時跑更多不同的 AI 任務，或者處理更大流量的數據。這是確保那些科學研究成果，在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎！

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房，有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計，體積相對緊湊，散熱空間也比較好（這對高功耗的 GPU 很重要！），部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算，進行「工程化」，讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格，背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場，系統穩定壓倒一切！你總不希望 AI 分析跑到一半就掛掉吧？這些設計確保了部署在現場的 AI 系統，能夠長時間、穩定地運作，把實驗室裡的科學成果，可靠地轉化成實際的應用價值。

台灣製造 × 在地智慧：打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能，能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署，及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析，還是其他 AI 相關的服務，都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務，讓企業在啟動 AI 專案前，大幅降低前期投入門檻，靈活又實用。

台灣有著獨特的產業結構，從精密製造、城市交通管理，到因應高齡化社會的智慧醫療與公共安全，都是邊緣 AI 的理想應用場域。更重要的是，這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示，這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果，往往已經錯失最佳反應時機。這也是為什麼邊緣 AI，不只是一項技術創新，更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場，就能被有效的「理解」與「利用」，是將數據垃圾變成數據黃金的賢者之石！

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

• 採訪編輯｜陳儀珈

關於「臺灣學生閱讀能力退步」的說法，早已不是新聞了，但這現象真的存在嗎？就算存在，怪罪社群媒體、影音平台，然後多讓學生們多讀幾本經典名著就能解決問題嗎？如果不是，還能怎麼做？

現代問題要有現代手段，國立臺灣師範大學教育心理與輔導學系講座教授，同時也是該校副校長的宋曜廷帶領研究團隊，先用科學方法研究學生的閱讀能力，接著透過評量，逐步找出解方。

「考試領導教學」一直是臺灣教育的硬傷，在當今臺灣「應試教育」的體制下，無論是什麼內容或教學方式，只要你是名師，在補習界永遠都可以有一席之地，然而，閱讀習慣這件事，沒有辦法透過應試導向的「補習」補起來。

在「應試」體制下的臺灣教育

針對臺灣學生的閱讀能力，宋曜廷的研究團隊發現，臺灣學生整體閱讀能力的確退步得很顯著，但學校端遲遲無法提出積極、有效改善閱讀教育的作為，家長也無法得到外界的有效支援。

以應試導向作為教育主軸，或許在臺灣和部分亞洲國家是可行的、能創造亮眼成績的，但這只是現在，而不是未來，更不是全球的趨勢。這個資訊爆炸的時代，應試取向的教育並非長久之計，新的學習觀念和教育研究都顯示，應試教育將會被「素養教育」所取代。

為了解決上述問題，宋曜廷藉由語言學、心理學、人工智慧技術，成功研發出「適性閱讀系統 SmartReading」平台，不僅能夠診斷學生的閱讀能力、客觀分析文本的難易度，也可以推薦適合學生程度的書籍，結合適性測驗、文本難度測驗，達到最好的學習和教學效果。

找到適合不同程度閱讀能力的文本

讓低年級的孩子讀《盲眼鐘錶匠：解讀生命史的奧祕》、《沙灘上的薛丁格，生活中的量子力學》等有一定難度的書籍，不是訓練，而是一種折磨。那要怎麼才可以選對書，讓學生讀到難度適中的文本呢？

以英語為例，「Lexile 藍思」是全世界最知名、最有公信力之一的英語閱讀程度指標，有無數的老師、家長和書商，甚至是美國教育部，都大力推廣使用 Lexile 藍思來增進孩子的英文閱讀能力，並追蹤學習的狀況。

那麼臺灣呢？宋曜廷表示，其實我們早就做出來了！畢竟臺灣學生的知識背景、典型的知識空間，是很簡單就可以整理出來的。

為了讓人們更精準、客觀地了解文本的難易度，宋曜廷結合閱讀心理學、語言學及機器學習，研發出「中文文本可讀性指標自動化分析技術」（Chinese Readability Index Explorer, CRIE），分析文本中的五大客觀指標（基本層次、字詞層次、句法層次、語意層次、以及凝聚類層次），以評估文章的用字遣詞及文章結構。

除了上述語言特徵外，宋曜廷的研究團隊更整合不同特定領域的知識，以評估文章中「專業知識」的難度，最終開發出通用型的文本可讀性模型，可用來量化不同領域書籍或文章的「SR 值」及「適讀年級」。

其中 SR 值為文本的難度值，若 SR 值愈大，則代表這篇文章或書籍的難度愈高。

若是好奇 CRIE 的分級成果，歡迎大家前往適性閱讀系統 SmartReading 的「閱讀分級書庫查詢系統」，該網站已收錄了「金鼎獎」、「中小學生讀物選介」、「兒童文學牧笛獎」等超過兩萬筆優良書目的得獎好書，並公布各個書籍的難度分級，提供大眾作為閱讀選書的參考依據。

踢走閱讀教育的絆腳石：太難懂、不適合和不深刻

除了書籍本身的難易程度，學生的閱讀能力，也會影響閱讀的成效和訓練。

因此，宋曜廷以閱讀心理學、閱讀能力發展歷程理論為基礎，參酌國際重要閱讀能力評量（PISA & PIRLS）與美國國家教育進步評量（NAEP）後，研發「中文閱讀能力診斷評量」（Diagnostic Assessment of Chinese Competence, DACC），藉由線上測驗，檢測出學生的閱讀能力。

根據認知發展理論，DACC 將學生的閱讀能力分為五大向度，分別為「字詞辨識」、「表層文意理解」、「文意統整」、「推論理解」以及「分析評鑑」。

適性閱讀系統 SmartReading 結合了能夠判斷書籍難易程度的 CRIE 技術，以及診斷學生五大向度閱讀能力的  DACC 評量，結合「書」與「人」的兩種指標，提供一組符合孩子閱讀能力的推薦書單，並讓學生自由選擇有興趣的書籍。

然而，匹配到適合的好書還不夠！研究團隊指出，臺灣學生缺乏的是「較高層次的知識整合與闡釋的能力」，因此一個培養閱讀習慣的好系統，還必須訓練學生「規劃閱讀計畫、評估閱讀成效、調整閱讀技巧」，讓孩子讀書讀得夠深刻。

適性閱讀系統 SmartReading 不僅有「讀後評量」、「閱讀計畫」的功能，更開發出評量學生摘要、心得的技術，並自動給予評分，是目前全世界第一且唯一的中文閱讀心得自動評分技術！

讀得多不等於讀得好，看 YouTuber 說書也不等於讀書

以往似乎會認為，只要孩子的閱讀量越大，就代表閱讀能力好、閱讀的效果也會好，但宋曜廷指出，這是很有爭議的說法，在教育學與心理學上，仍然無法證實閱讀量與閱讀力的有相關。

光是如何評估「閱讀量」，就有許多討論的空間。閱讀量等於文字量嗎？這些文字的品質如何？看了這麼多，究竟讀了什麼？有深入反省和批判嗎，抑或只是囫圇吞棗呢？

由於「認真讀」和「隨便讀」展現出來的成果、文字解構能力是完全不一樣，因此，在適性閱讀系統 SmartReading 中，會用相當嚴謹的平台互動、閱讀評量和讀後心得來檢驗閱讀的整體成效。

此外，若只單論閱讀能力的話，那就太「認知」了，在閱讀教育上，宋曜廷同樣看重的是閱讀的動機以及興趣。

孩子到底有沒有越來越喜歡閱讀？

宋曜廷指出，有許多人在進行閱讀教育時只在乎認知面，而忽略了情意面，尤其是「閱讀習慣」這一塊，更是難以被客觀測驗，而必須追蹤長達數年，才可以判斷孩子究竟有沒有持續的愛閱讀。

隨著時代數位化，除了紙本的閱讀，學生更多了電子書，甚至是有聲書、影片說書的選擇，然而，這到底算不算是一種「真正的閱讀」呢？

宋曜廷認為，「文字」的閱讀是不可取代的。除了文字是更深入、更有效率和效果的知識擷取外，在大腦處理資訊的過程，文字與影像進入記憶的機制是完全不一樣的，因此影像式的閱讀是另一個面向，無法真正取代傳統的文字式閱讀。

對於宋曜廷而言，YouTube 更適合作為一個引子，導引我們進入文字、發掘更深入的閱讀，也許當今影像的開發性、可能性比較高，也可以傳達更細膩的細節，但這幾千年來，人類對於文字的心領神會，是無可取代的。

在影視媒體的大舉進攻之下，若長篇文字（例如：書籍）的閱讀已經式微，像泛科學這種以「單篇文章」來乘載知識的方式，也許是值得推薦的。這種單篇、組合式的閱讀，只要足夠震撼、精煉，不僅維持文字原有的穿透性，也能「擾動」讀者去閱讀更多知識，作為一種閱讀的敲門磚。

從賣書的變成讀書的，再變成教書的！

宋曜廷感慨道，五十年前他小時候是個沒有書可以念的時代，在那個資源匱乏的社會，只有成績好的學生，才可以得到老師獎勵的一本書，考不到前三名，就沒有書可以看，《國語日報》更是許多人愛不釋手的寶藏。

回想起《國語日報》和當年的光景，宋曜廷也相當的懷念，「沒想到《萬能車》真的實現了！」

然而，隨著科技與網路技術的崛起，對於現在的學生而言，不僅書本唾手可得，還有著其他無限多的內容：遊戲、電影、動漫畫、網路影音等在搶奪人們的注意力，曾經輝煌、風光無限的出版業，如今卻變得灰頭土臉。

在科技狂潮下，數位化時代對出版業帶來巨大的衝擊，讀者閱讀習慣的轉變，更讓出版業面臨轉型的危機。

面對出版環境的驟變，傳統的大型出版社和書商，究竟該如何因應？中游的電商、科技學習或線上學習公司，可以怎麼協助相關的電商工作並擴展市場？在茫茫書海中，學生到底要怎麼選到正確的好書？

宋曜廷的研究團隊靠智慧型閱讀系統 SmartReading 平台打造「智慧型閱讀小聯盟」，集結了志同道合、願意推廣閱讀教育的聯盟會員，一起讓孩子喜歡讀書。加入聯盟後，作為上游的出版社與圖書銷售業，可以獲得前文所提及的  CRIE 自動分級技術，隨後由中游的電商與行銷單位利用 SmartReading 平台，將上游會員的書籍和文本推廣給有需求的下游會員，營造適性化閱讀的環境，讓家長和老師協助培養學生的自主閱讀習慣和能力。

「將出版業從賣書的，變成讀書的，再變成教書的！教書不是教真正的內容和知識，而是讓孩子對閱讀有興趣，因讀書而滿足。」宋曜廷這麼說道。

透過聯盟將閱讀的上中下游串連了起來，讓出版社不只是出版社、學生也不僅僅是只能接收知識的讀者，如此一來也才有機會讓「閱讀的生態系」能夠生生不息。

• SmartReading 適性閱讀
• 智慧型閱讀小聯盟
• 文本可讀性指標自動化分析系統 CRIE 3.0
• 中文閱讀能力適性診斷評量
• 「基本能力指標」之發展與概念分析

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)