你會因為名人推薦而買書嗎？為什麼？｜【科科齊打交】

本文由 Amway 委託，泛科學企劃執行。

到底怎樣才算是「乾淨」？這不是什麼靈魂拷問，而是一個價值上億的商業命題。

在半導體產業的無塵室中，「乾淨」的定義極其殘酷：一粒肉眼看不見的灰塵，就足以讓造價數百萬美元的晶圓直接報廢。空氣品質的好壞，甚至能成為台積電（TSMC）決定是否在當地設廠的關鍵性指標。回到你的家中，雖然不需要生產精密晶片，但我們呼吸系統中的肺泡同樣精密，卻長期暴露在充滿 PM2.5、病毒以及各種揮發性氣體的環境中。為了守護健康，你可能還要付費購買「乾淨的空氣」來用。

因此，空氣議題早已超越單純的環保範疇，成為同時影響國家經濟與個人健康的重要問題。

很多人可能沒想到，無論是家用的空氣清淨機，還是造價動輒百億的頂尖晶圓廠，它們對抗污染的核心武器並非什麼複雜的雷射防護罩，而是同一件看起來平凡無奇的東西：一片外觀像紙一樣的 HEPA 濾網。但你真的相信，就憑這層厚度不到幾公分的板子，能擋住那些足以毀滅精密晶片、滲透人體細胞的「奈米級刺客」嗎？

這片大家都聽過的 HEPA 濾網，裡面到底是什麼？

首先，我們必須打破一個直覺上的誤解：HEPA 濾網（High Efficiency Particulate Air filter）在本質上其實並不是一張「網」。

細懸浮微粒 PM2.5，是指粒徑在 2.5 微米以下的污染物，它們能穿過呼吸道直達肺泡，並穿過血管引發全身性發炎。但這只是基本，在工廠與汽車尾氣中，還存在粒徑僅有 1 微米的 PM1，甚至是小於 0.1 微米的「超細懸浮微粒」（UFP，即 PM0.1）。 UFP 不僅能輕易進入血液，甚至能繞過血腦屏障（BBB），進入大腦與胎盤，其破壞力十分可怕。

如果 HEPA 濾網像水槽濾網或麵粉篩一樣，單靠孔目大小來「過濾」粒子，那麼為了攔截奈米微粒，濾網的孔目只能無限縮小到幾乎不透氣的程度。更別說在台積電或 Intel 的製程工程師眼裡，一般人認為的「乾淨」，在工程師眼裡簡直像沙塵暴一樣。對於線寬僅有 2 奈米或 3 奈米（相當於頭髮直徑萬分之一）的晶片而言，空氣中一顆微小的塵埃，就是一顆足以毀滅世界的隕石。

因此，傳統的過濾思維並非治本之道，我們需要的是原理截然不同的過濾方案。這套技術的雛形，最早可追溯至二戰時期的「曼哈頓計畫」。

HEPA 的前身，誕生於曼哈頓計畫！

1940 年代，製造濃縮鈾是發展原子彈的關鍵。然而，若將排氣直接排向大氣，會導致致命的放射性微粒擴散。負責解決這問題的是 1932 年諾貝爾化學獎得主歐文·朗繆爾（Irving Langmuir），他是薄膜和表面吸附現象的專家。他開發了「絕對過濾器」（Absolute Filter），其內部並非有孔的篩網，而是石綿纖維。

有趣的來了，如果把過濾器放到顯微鏡下，你會發現纖維之間的空隙，其實比某些被攔截的粒子還要大。那為什麼粒子穿不過去呢？這是因為在奈米尺度下，物理規則與宏觀世界完全不同。極微小的粒子在空氣中飛行時，並非走直線，而是會受到空氣分子撞擊，而產生「布朗運動」（Brownian Motion），像個醉漢一樣東倒西歪。

當粒子通過由緻密纖維構成的混亂迷宮時，布朗運動會迫使它們不斷轉彎、移動，最終撞擊到帶有靜電的纖維上。這時，靜電的吸附力會讓纖維就像蜘蛛網般死死黏住微粒。那些狂亂移動的奈米刺客，就這樣被永久禁錮迷宮中。

現在最常見的 HEPA 材料，是硼矽酸鹽玻璃纖維。

現代 HEPA 濾網最常見的核心材料為硼矽酸鹽玻璃纖維。這些玻璃纖維的直徑通常介於 0.5 至 2 微米之間，它們在濾網內隨機交織，像是一座茂密「黑森林」。微粒進入這片森林後，並非僅僅面對一層薄紙，而是得穿越一個具有厚度且排列混亂的纖維層，微粒極有可能在布朗運動的影響下撞擊並黏附在某根玻璃絲上。

除此之外，HEPA 濾網在外觀上還有一個極具辨識度的特徵，那就是像手風琴般的摺紙結構。濾材會被反覆摺疊、摺成手風琴的形狀，中間則用鋁箔或特殊的防潮紙進行結構支撐，目的是增加表面積。這不僅為了捕獲更多微粒，而是要「降低過濾風速」。這聽起來可能有點反直覺：過濾不是越快越好嗎？

其實，這與物理學中的流速控制有關。想像一條水管，如果你捏住出口，水流會變得湍急；若將出口放開並擴大，雖然總出水量不變，但出水處的流速會變得緩慢。對於 HEPA 濾網而言，當表面積越大，單位面積所需承載的空氣量就越少，空氣穿透濾網的速度也就越低。

低流速代表微粒停留在濾網內的時間也更久，增加被捕捉的機會。此外，越大的表面積也為 HEPA 濾網帶來了高「容塵量」，延長了使用壽命，這正是它能夠稱霸空氣清淨領域多年的主因。

然而，即便都叫做 HEPA 高效率空氣微粒子過濾網 (High Efficiency Particulate Air filter)，但每個 HEPA 的成分與結構還是會不一樣。例如 安麗逸新空氣清淨機 SKY ，其標榜「可過濾粒徑最小至 0.0024 微米」的污染物，去除率高達 99.99%。

0.0024 微米是什麼概念？塵蟎、花粉、皮屑或黴菌孢子，大小約在 2 至 200 微米；細懸浮微粒  PM2.5 大小約 2.5 微米，細菌也大概這麼大。最小的其實是粒徑小於 0.1 微米的「超細懸浮微粒」，大多數的病毒（如流感、新冠病毒）都落在此區間。對安麗逸新 的HEPA濾網來說，基本上通通都是可被攔截的榜上名單。

在過敏防護上，它更獲得英國過敏協會（Allergy UK）認證，能有效處理 19 大類、102 種過敏原，濾除空氣中超過 300 種氣態與固態污染物。

然而，同樣的過濾邏輯一旦進入半導體無塵室，就必須換一條更為嚴苛的技術路線。因為硼矽酸鹽玻璃纖維對晶圓來說有個致命傷，就是「硼 (Boron)」。

在半導體製程中，硼是常見的 P 型摻雜物，用來精準改變矽晶圓的電性。如果濾網有任何微小的破損、老化或化學侵蝕，進而釋放出極微量的硼離子，就可能直接污染晶圓，改變其導電特性，導致晶片報廢。

此外，無塵室要求的是比 HEPA 更極致的 ULPA（超低穿透率空氣濾網） 等級的潔淨度。ULPA 的標準通常要求對 0.12 微米 的粒子達到 99.999% 甚至 99.9999% 的超高攔截率。在奈米級的競爭中，任何多穿透的一顆微塵，都代表著一筆不小的經濟損失。

為了解決「硼」的問題並追求極限的過濾效率，材料學家搬出了塑膠界的王者，PTFE 也鐵氟龍。鐵氟龍不僅耐酸鹼、耐腐蝕，還能透過拉伸製成直徑僅 0.05 至 0.1 微米 的極細纖維，其細度遠勝玻璃纖維。雖然 PTFE 耐化學腐蝕，但它既昂貴且物理上也很脆弱，安裝時若不小心稍微觸碰，數萬元的濾網就可能報銷。因此，你只會在晶圓廠而非一般家庭環境看到它。

即便如此，在空氣濾淨系統中，還有一樣是無塵室和你家空氣清淨器上面都有的另一張濾網，就是活性碳濾網。

活性碳如何從物理攔截跨越到分子吸附？

好不容易將微塵擋在門外時，危機卻還沒有解除。因為空氣中還隱藏著另一類更難纏的大魔王：AMC（氣態分子污染物）。

HEPA 或 ULPA 這類物理濾網雖然能攔截固體微粒，但面對氣態分子時，就像是用網球拍想撈起水一樣徒勞。這些氣態分子如同「幽靈」一般，能輕易穿過物理濾網的縫隙，其中包括氮氧化物、二氧化硫，以及來自人體的氨氣與各種揮發性有機物（VOCs）。

為了對付這些幽靈，我們必須在物理防線之外，加裝一道「化學濾網」。

這道防線的核心就是我們熟知的活性碳。但這與烤肉用的木炭不同，這裡使用的是經過特殊改造的「浸漬處理（Impregnation）」活性碳。材料科學家會根據敵人的不同性質，在活性碳上添加不同的化學藥劑：

• 酸鹼中和：對付氮氧化物、二氧化硫等酸性氣體，會在活性碳上添加碳酸鉀、氫氧化鉀等鹼性藥劑，透過酸鹼中和反應將有害氣體轉化為固體鹽類。反之，如果添加了磷酸、檸檬酸等酸性藥劑，就能中和空氣中的氨氣等鹼類。
• 物理吸附與凡德瓦力：對於最麻煩的有機揮發物（VOCs，如甲醛、甲苯），因為它們不具酸鹼性，科學家會精密調控活性碳的孔徑大小，利用龐大的「比表面積」與分子間的吸引力（凡德瓦力），像海綿吸水般將特定的有機分子牢牢鎖在孔隙中。

空氣濾淨的終極邏輯：物理與化學防線的雙重合圍

在晶圓廠這種對空氣品質斤斤計較的極端環境，活性碳的運用並非「亂槍打鳥」，而是一場極其精密的對戰策略。

工程師會根據不同製程區域的空氣分析報告，像玩 RPG 遊戲時根據怪物屬性更換裝備一樣——「打火屬性怪要穿防火裝，打冰屬性則換上防寒裝」。在最關鍵的黃光微影區（Photolithography），晶圓最怕的是人體呼出的氨氣，此時便會配置經過酸性藥劑處理的活性碳進行精準中和；而在蝕刻區（Etching），若偵測到酸性廢氣，則會改用鹼性配方的濾網。這種「對症下藥」的客製化邏輯，是確保晶片良率的唯一準則。

而在你的家中，雖然我們無法像晶圓廠那樣天天進行空氣成分分析，但你的肺部同樣需要這種等級的保護。安麗逸新空氣清淨機 SKY 的設計邏輯，正是將這種工業級的精密防護帶入家庭。它不僅擁有前述的高規 HEPA 濾網，更搭載了獲得美國專利的活性碳氣味濾網。

關於活性碳，科學界有個關鍵指標：「比表面積（Specific Surface Area）」。活性碳的孔隙越多、表面積越大，其吸附能力就越強。逸新氣味濾網選用高品質椰殼製成的活性碳，並經過高溫與蒸氣的特殊活化處理，打造出多孔且極致高密度的結構。

這片濾網內的活性碳配重達 1,020 克，但其展開後的總吸附表面積竟然高達 1,260,000 平方公尺——這是一個令人難以想像的數字，相當於 10.5 個台北大巨蛋 的面積。這種超高的比表面積，是市面上常見濾網的百倍之多。更重要的是，它還添加了雙重觸媒技術，能特別針對甲醛、戴奧辛、臭氧以及各種細微的異味分子進行捕捉。這道專利塗層防線，能將你從裝潢家具散發的有機揮發氣體，或是路邊繁忙車流的廢氣中拯救出來，成為全家人的專屬空氣守護者。

總結來說，無論是造價百億的半導體無塵室，還是守護家人的空氣清淨機，其背後的科學邏輯如出一轍：「物理濾網攔截微粒，化學濾網捕捉氣體」。只有當這兩道防線同時運作，空氣才稱得上是真正的「乾淨」。

進一步了解商品：https://shop.amway.com.tw/products/2071?navigationType=brand&

• 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。

參考資料

• 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)