如今，AI生成的人脸随处可见，有的甚至让人真假难辨。一方面，这可以在很大程度上替代真实人脸，用于面部识别研究、隐私保护，以及各类创作，但另一方面，也可能加剧各类基于人脸的欺诈行为，给全世界的人们带来更大的安全风险。
不过，随着AI技术研究的进步，识别AI脸的方式也在优化。最近，一项新研究发现，如果经过训练，人们可以更准确地区分AI脸与真人脸。而关键就在于从整体上识别AI脸的几个典型特征，它们比真人脸更对称，五官比例更协调，不过也更难记住。
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
在提高人们对AI脸的判断力方面，以往相关生成技术水平较低时，主要是训练人们识别AI图像中的瑕疵，比如，耳环不成对、解剖结构异常等。这些线索在一定程度上能帮助识别AI脸，但总体效果不尽如人意，甚至还会导致误判。而且，随着AI生成人脸技术水平的发展，现在很多视觉瑕疵已比较少见，因此，只能通过其他方式来更好地识别。
在这方面，此前已有证据表明，AI生成的人脸与真实人类面孔之间存在着系统性差异，而人们在潜意识里对这些面孔的整体差异其实很敏感。最新研究正利用人类在这些整体印象方面的敏感性，进一步引导、训练人们利用这种直觉，关注AI脸的典型特征，从而使识别AI脸的平均准确率近乎翻倍。这一研究2026年6月发表在《美国科学院院刊》（PNAS）上，为改进人类识别AI脸的方法提供了新的证据。
“AI脸的特征是，它们的所有特征都同时趋近于平均值，这也能部分解释为什么AI脸最后看起来比真人脸更加相似。”开展这项研究的澳大利亚国立大学临床与认知心理学家艾米·达维尔（Amy Dawel）向南方周末介绍，目前常见比较逼真的AI脸是由生成对抗网络模型生成的。它在数以万计的真实人脸图像上训练，学习像素在该数据集中相互关系的统计模式，生成的脸反映了训练数据中最常见的模式，从而使输出趋近于平均值。反过来，有些异常特征，像明显的大耳朵，或者非常长的鼻子，在AI脸中出现的频率远低于真人脸。
“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。”艾米·达维尔解释，如果未经训练，人们通常会把这些特征解读为人类的标志，而不是AI的标志。但经过训练，从整体上有效识别AI脸仍然是有可能的，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。”人类是高度社会化的动物，视觉系统已经进化出了专门的整体面孔加工能力。也就是说，人类通常以整体的角度去看一张脸，并非逐个看局部的细节。最新研究正是顺势而为，教人们去关注整体层面的差异，识别出AI脸的不同之处。
识别不熟悉的脸本就困难
从人的感知层面看，区分、处理AI脸和真人脸并不容易。2025年，瑞士的一项研究就发现，人类在处理AI脸和真人脸的信息时，其实是共享一套识别机制的。研究人员利用两组匹配过的照片，来了解人们如何感知这两类相似但不同的人脸视觉信息。
结果表明，在判断真实人脸和AI假脸的身份时，人们的判断都受图像的客观相似程度和自身识别能力影响。具体而言，参与者辨别面孔的表现，会随着他们个人能力的变化而变化，却不会因为AI假脸或真人脸的差异而改变。无论是真脸还是AI假脸，当两张脸长得越像，人们的判断表现就会越差。那些平时认人脸就很厉害的人，则一贯地表现出更高的水平。这说明，人在感知、处理AI脸的信息时，使用的方式与看真实人脸相同。
开展这项研究的伯尔尼应用科技大学认知神经科学家梅克·拉蒙教授（Meike Ramon）向南方周末介绍，区分不熟悉的面孔对人类来说，本来就非常困难。每个人的大脑都会根据面部所有可用的信息，尽可能地处理它们。不同的人会优先考虑不同的面部特征，有人看眼，有人看嘴。每个人的水平也都不太一样，有些人很擅长，有些人却不行，而大多数人其实都处于中间位置。对于那些认脸能力特别糟糕的人，比如有脸盲症的人，就很难将所有信息整合起来。他们往往会过度强调单个特征，就像特定位置的痣这类细节。“这种靠特征判断的做法不是特别可靠。之所以说它不是一种非常有效的策略，是因为它要求你使用的信息真实存在，能清晰看到，而且分辨率高，等等。”梅克·拉蒙教授分析，如果可以处理更多整体信息，识别效果通常也会更好。
需要注意的是，人脸识别能力强，并不意味着更擅长识别AI伪造。2024年，一项研究在考察了人们判断深度伪造视频的表现后就发现，个人识别面孔的能力，与自身识别深度伪造的能力，并不存在关联。也就是说，这两种能力可能是相互独立的，识别AI脸仍然需要付出额外的努力。
直接或间接指出AI脸特征都有用
要将独属于AI脸的抽象特质进一步转化为方便掌握的实操技能，需要更加具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曾利用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。在这项实验中，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。
首先，研究人员直白地告诉参与者，AI脸具有一些关键特征。与真人脸相比，它们往往比例更加协调，给人更熟悉的感觉，但也更难被记住。其次，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。最后，研究人员还提醒参与者避免关注无效线索，比如，不要老盯着皮肤是否有瑕疵或者皱纹，也不要只关注面部微笑看起来是否真的感到快乐，以此帮助参与者在判断时减少对这些无效特征的依赖。
最终，接受过训练的参与者，在任务中的表现远优于未接受过训练的。他们的辨别准确率明显高于随机水平。即便是训练结束20天后，这种改善依然存在，说明效果具有持久性。
相比之下，最新研究的干预方式更隐蔽也更简单。研究人员仅仅引导实验参与者，关注AI脸在独特性、易记性、比例性、对称性等方面潜在的独特感知特质，但并非直接指导他们如何使用这些差异，而是训练参与者体验人脸在这些方面的不同状态，自行发现其中的差异规律，从而有效地利用自身潜意识里对人脸整体差异的感知，提高对AI脸的识别率。
从训练数据看，经过训练，参与者从三张人脸中识别出AI脸的表现进步极为显著，平均准确率从约40%上升到约80%，识别单张人脸的准确性也从50%左右提升到80%左右。而如果未经训练，人们经常会将AI脸误认为真实人脸，有时甚至认为AI脸更加真实。
关于这背后的原因，艾米·达维尔认为，主要有两点。第一是感知层面的因素。一张脸越大众，人们就越倾向于认为它有吸引力、熟悉且值得信赖。“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。”第二则是人类普遍倾向于拟人化。“我们倾向于把人类的特质归因于与我们相似的事物。”所以，当一张脸看起来可以信任时，我们默认它属于真实的人，而不是机器。
尽管目前的研究已经总结出多种感知特质，来帮助人们区分两者，但科学家还无法确定这些特质中哪些在帮助识别AI脸时更有分量，当然也不清楚相关排序是否适用于其他模型生成的人脸图片。“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·达维尔解释，这是这些模型的训练方式所决定的，但具体特性可能会随着模型的改进而发生变化。
AI脸的特征并非一成不变
这些来自AI人脸生成技术的变化，预计也将给接触到的人们带来新的社会问题。以AI脸的表情为例，当AI脸还没有特别逼真时，社交媒体上有不少人认为生成的AI脸面部表情夸张，让人觉得不自然，甚至有些生理不适，会产生似人非人的恐怖谷效应。而随着AI能生成更逼真的人脸，这种似人非人的恐怖感会减少，相反，各类被AI脸欺骗的问题却可能增加。大多数人面对AI脸并不会感到不安，而是很自然地觉得自己看到的就是真人，特别是对于不善于识别AI脸的人。
此前，艾米·达维尔就曾研究发现，在AI脸的识别测试中，存在“越无知就越自信”的邓宁-克鲁格效应。那些最常把AI脸误认为真人脸的人，反而对自己的判断最自信。这可能使他们更容易被AI生成的内容欺骗，从而做出错误的判断。此外，由于AI生成人脸的模型，不成比例地依赖白人脸进行训练，也导致白人面容的AI脸更加逼真。在现实应用中，这既可能会影响人们对不同社会群体的认知，也可能会影响不同群体识别AI脸的难度，导致一些人训练效果不佳。
值得注意的是，由于模型训练所依据的数据集存在差异，一些目前识别出的AI脸的特征，未必都是普遍适用的。比如，有研究表明，一些基于互联网图像数据集进行训练的模型，生成的AI脸面部表情比人类更强烈，情绪更鲜明。这可能是因为相关内容创作者在网络平台上发布图片时，为了营造效果，会刻意摆拍，导致更频繁地呈现出夸张化的人脸表情。
而一旦网络内容的流行趋势或数据集发生变化，AI脸呈现出来的特征可能会很不一样。类似模型的差异和变化也提醒人们，虽然目前AI脸可能具有“更对称、比例更协调、更难记住”等特点，但如何识别AI脸这件事本身，也需要不断迭代，跟上生成规律的节奏。
南方周末特约撰稿 林曦
责编 王江涛
