深度伪造是指逼真的、由计算机生成的、并不存在的人物照片，它们正越来越多地被用于营销以及恶意目的。
新研究表明，人们难以分辨真实人脸与计算机生成的人脸，一位心理学教授警告道。
虚假个人资料和其他人工在线内容的增多，最终可能侵蚀社会信任，他表示。
嵌入社交媒体网站的改进算法未来可能帮助我们区分真实人脸与虚假人脸。
即使你认为自己擅长分析人脸，研究表明，许多人无法可靠地区分真实人脸照片与计算机生成的图像。随着计算机系统能够生成看起来逼真的、并不存在的人物照片，这一问题尤为严重。
最近，一个使用计算机生成头像的虚假LinkedIn账号登上新闻，因为它成功与美国官员及其他有影响力的人士建立了联系。例如，在该职业社交平台上。反情报专家甚至表示，间谍经常使用此类照片制造虚假档案，以通过社交媒体锁定外国目标。
这些深度伪造正在日常文化中广泛传播，这意味着人们应更加留意它们在营销、广告和社交媒体中的使用方式。这些图像还被用于恶意目的，例如政治宣传、间谍活动和信息战。
制作这些图像需要一种称为深度神经网络的技术，即模仿大脑学习方式的计算机系统。通过向其输入越来越大规模的真实人脸数据集，对其进行“训练”。
事实上，两个深度神经网络相互对抗，竞争生成最逼真的图像。因此，最终产物被称为GAN图像，其中GAN代表生成对抗网络。该过程生成的新图像在统计上与训练图像无法区分。
在我们发表于iScience的研究中，我们发现，无法将这些人工生成的人脸与真实人脸区分开来，会对我们的网络行为产生影响。我们的研究表明，这些虚假图像可能会侵蚀我们对他人的信任，并深刻改变我们在线交流的方式。
我和同事发现，人们认为GAN人脸比真实人物的照片看起来更真实。虽然目前尚不清楚原因，但这一发现确实凸显了生成人工图像所用技术的最新进展。
我们还发现了一个有趣的与吸引力相关的联系：被评为较不具吸引力的人脸也被评为更真实。较不具吸引力的人脸可能被视为更具典型性，而典型人脸可能被用作参照，所有人脸都以此为标准进行评估。因此，这些GAN人脸看起来会更真实，因为它们更接近人们在日常生活中形成的心理模板。
但是，将这些人工人脸视为真实，也可能对我们对一群陌生人所给予的普遍信任水平产生影响——这一概念被称为“社会信任”。
我们常常过度解读所看到的人脸，而我们形成的第一印象会引导我们的社交互动。在我们最新研究的第二项实验中，我们发现，人们更倾向于相信那些此前被判定为真实的人脸所传达的信息，即使这些人脸是人工生成的。
人们更信任自己认为真实的人脸，这并不令人意外。但我们发现，一旦人们得知在线互动中可能存在人工人脸，信任便会减弱。此后，总体而言，他们表现出的信任水平更低——无论这些人脸是否真实。
从某些方面看，这一结果可能是有益的，因为它使人们在虚假用户可能活动的环境中更加警惕。然而，从另一个角度看，它可能会逐渐侵蚀我们交流的根本性质。
总体而言，我们往往基于一种默认假设，即他人基本上是诚实可信的。虚假个人资料和其他人工在线内容的增多引发了一个问题：它们的存在以及我们对其的了解，在多大程度上会改变这种“真实默认”状态，并最终侵蚀社会信任。
改变我们的默认设定
向一个真实与非真实难以区分的世界转变，也可能使文化格局从以真实为主转变为以人工和欺骗为主。
如果我们经常质疑在线所体验内容的真实性，我们可能需要将心理努力从处理信息本身转向处理信息发布者的身份。换言之，高度逼真却又人工合成的在线内容的广泛使用，可能要求我们以意想不到的方式进行思考。
在心理学中，我们用“现实监测”一词来描述我们如何正确判断某物是来自外部世界还是源于大脑内部。能够生成虚假却高度逼真的人脸、图像和视频通话的技术进步意味着，现实监测必须基于我们自身判断之外的信息。这也需要更广泛地讨论人类是否仍能承受默认相信事实的代价。
人们在评估数字人脸时更加审慎至关重要。这可以包括使用反向图片搜索来核实照片是否真实，对个人信息很少却拥有大量粉丝的社交媒体账号保持警惕，并意识到深度伪造技术可能被用于不良目的。
该领域的下一个前沿应是改进用于检测虚假数字人脸的算法。这些算法随后可嵌入社交媒体平台，帮助我们在面对新连接的人脸时区分真假。
