新火種
2024-09-08 
太火了！我在外灘大會玩Deepfake，想騙過機器人結(jié)果……
我在外灘大會上生成Deepfake，結(jié)果沒騙過機器人……
反倒啪的一下，秒秒鐘就被找出？！
而機器人手中的神兵利器，僅僅只是我們?nèi)粘６荚谑褂玫氖謾C攝像頭。
Deepfake攻防，成為整個外灘大會現(xiàn)場最受關(guān)注的展區(qū)之一；相關(guān)討論也成為整個外灘大會最火熱的論壇，現(xiàn)場可以說是人山人海人擠人。
之所以如此受關(guān)注，也有大眾已知的原因。
這不最近DeepFake可以說是來勢洶洶，用這項AI技術(shù)犯罪的嚴重程度被網(wǎng)友直呼是「韓國N號房再現(xiàn)」。
剛提到的這場“全球Deepfake攻防挑戰(zhàn)賽”，吸引了全球26個國家和地區(qū)，2200+技術(shù)研究者對抗Deepfake威脅。在這期間，大賽隊伍中科院自動化所表示，將開源AI模型供大家免費使用，一時間引發(fā)全網(wǎng)朋友共鳴。
如今在外灘大會，終于有機會親自體驗這個Deepfake從生成到對抗的流程是什么樣，看AI如何幫助普通人識別偽造風(fēng)險。
這背后究竟還有哪些細節(jié)？除此之外還有哪些亮點，我們一起來看看。
探展螞蟻數(shù)科那么首先就來看螞蟻數(shù)科里這個超火的展區(qū)：Deepfake攻防。
整個過程你唯一需要做的，就是站在一個定點，由iPad拍攝人臉。
然后，就由現(xiàn)有AI模型來生成的換臉圖or視頻。
Deepfake就由機械臂來從三組圖+一個視頻中找出真照片。可以看到視頻還是很逼真的，這下誰能證明“我不是我”。
由于是現(xiàn)場實時物理采集，機械臂手持智能手機打開相機拍照來收集數(shù)據(jù)，然后再進行一個識別的操作。
短短幾秒鐘的時間，bingo~機器人就識別出來了正確答案。
據(jù)現(xiàn)場工作人員介紹，在他們?nèi)粘９ぷ髦校羁烊刖涂梢宰R別出來。
這背后是由天璣實驗室以及安全品牌ZOLOZ提供技術(shù)支持。
前者主要專注在可信數(shù)字身份這塊，自研了一套自動化生物識別測評體系。當(dāng)前市面上70%的安卓手機，都要來到天璣實驗室經(jīng)歷一番“毒打”。它也是谷歌全球唯一官方合作”安卓生物識別安全”檢測實驗室。
而后者，則是螞蟻數(shù)科旗下安全科技品牌ZOLOZ，現(xiàn)在在為中國、印尼、馬來西亞、菲律賓等14個國家和地區(qū)的70余家合作伙伴提供技術(shù)服務(wù)，包括像端到端身份驗證、在線欺詐檢測以及持續(xù)風(fēng)險監(jiān)控服務(wù)等。
今年4月，他們推出了反Deepfake產(chǎn)品ZOLOZ Deeper。外灘大會展示的，正好是他們?nèi)粘５恼鎸崢I(yè)務(wù)場景——
幾十萬測試樣本，每月超20000次的攻防測評，模擬上百種偽造攻擊情況·····
同樣以直觀可感的方式展示出來的，還有他們的AI標注場景。
AI大模型生產(chǎn)流程通常包括三個步驟：采集-標注-合成。
首先是采集過程。
現(xiàn)場準備了一個模擬真實環(huán)境的沙盤，我們通過控制機械臂來對沙盤中任意位置or場景，進行實時拍照。
這時候圖像數(shù)據(jù)也就被傳輸?shù)较到y(tǒng)當(dāng)中去，這也就完成了數(shù)據(jù)生產(chǎn)的起點。
隨后就是標注這一步驟，不再是傳統(tǒng)依靠純?nèi)斯さ姆绞剑且揽孔匝械亩嗄B(tài)大模型來AIGD（AI生成數(shù)據(jù)）。
模型會自動完成目標檢測并標注、語義分割、文本描述、深度檢測、3D建模等任務(wù)。
人類主打一個協(xié)助審核的作用，比如在文本描述階段，需要靠人工來審核識別目標的細節(jié)，比如物體的顏色、形狀等等。
最后就來到數(shù)據(jù)合成。核心特點就是可控。既可以對單個物體編輯，也可以對整體場景把關(guān)。
這樣一來無需采集，打破原有真實條件限制，可持續(xù)地生產(chǎn)全新的數(shù)據(jù)。
而除了實景標注，旁邊還有個視頻標注的模塊，只需對任意視頻中的任意一幀進行采集，同樣也可以完成接下來的標注和合成操作。
這樣一套全鏈路生產(chǎn)體系，實測顯示，在同類結(jié)構(gòu)和同類規(guī)模數(shù)據(jù)量的情況下，會讓標注效率提升40%以上。
除了智能化標注產(chǎn)品，螞蟻數(shù)科還配備了萬人的人工標注團隊，垂直專業(yè)領(lǐng)域同高階標注人才超過90%。
提到數(shù)據(jù)標注，當(dāng)前市面上最具代表的莫過于Scale AI，科技圈當(dāng)紅獨角獸，他最新完成近 10 億美元融資，估值升至 138 億美元。
不過同Scale AI不同的是，此次可以看到螞蟻數(shù)科還提供數(shù)據(jù)加工、合成服務(wù)。
比如在一些企業(yè)私域或者垂直領(lǐng)域，大量數(shù)據(jù)尚未公開沒有被充分挖掘。
結(jié)合螞蟻數(shù)科多年來場景和技術(shù)優(yōu)勢，這時候除了幫助企業(yè)實現(xiàn)數(shù)據(jù)服務(wù)的“就地取材”，還可以針對性地數(shù)據(jù)泛化，比如像交通、政務(wù)、金融等垂直場景，合成更多高質(zhì)量數(shù)據(jù)。
好了，以上Deepfake攻防與智能標注是此次螞蟻數(shù)科最具代表性的展區(qū)內(nèi)容。
值得注意的是，這正好是當(dāng)前業(yè)界正在熱議也是最受關(guān)注的兩個問題：
當(dāng)AI應(yīng)用泛濫，如何應(yīng)對造假問題；大模型加速落地，高質(zhì)量數(shù)據(jù)缺失又應(yīng)該如何解決？
如今大模型時代來到應(yīng)用時期，更多風(fēng)險和問題由此暴露出來，給企業(yè)帶來了不少挑戰(zhàn)。
對于本身在產(chǎn)業(yè)深耕多年的螞蟻數(shù)科，其實這次也帶來了他們的解決方案。
這藏在外灘大會上，藏在這兩個最受關(guān)注的產(chǎn)品之中。
他們整個業(yè)務(wù)布局，可以這樣總結(jié)：從AI For Data到Data for AI。
從AI For Data到Data for AI什么是從AI For Data到Data for AI？要回答這個問題，需要從整個產(chǎn)業(yè)現(xiàn)狀開始看。
AI發(fā)展到現(xiàn)在，從模型驅(qū)動來到了數(shù)據(jù)驅(qū)動，而隨著數(shù)字化轉(zhuǎn)型的深入，企業(yè)生產(chǎn)經(jīng)營實際上是數(shù)據(jù)的流通。技術(shù)與場景，AI與Data，從未像今天這樣如此契合。業(yè)務(wù)場景需要AI來提效，而高質(zhì)量數(shù)據(jù)需要充分利用為給AI。
一邊是AI for data，利用AI來充分挖掘數(shù)據(jù)的價值，進行數(shù)據(jù)分析、判別等。
以風(fēng)控場景為例，這是每個企業(yè)經(jīng)營生產(chǎn)時都會面對的場景。
螞蟻數(shù)科搭建了一套決策式AI驅(qū)動的風(fēng)控算法模型。引入像工商司法數(shù)據(jù)、財報數(shù)據(jù)、產(chǎn)業(yè)鏈數(shù)據(jù)、發(fā)票稅務(wù)數(shù)據(jù)、輿情數(shù)據(jù)等，來幫助企業(yè)做出高效準確的決策。
以往需要大量人力進行人肉風(fēng)控，對于他們來說，理解管理訴求和快速決策布控非常具有挑戰(zhàn)性。而現(xiàn)在只需要AI這個決策輔助在手，運營新手面對再復(fù)雜的場景也能hold住了。
比如螞蟻數(shù)科與中鐵建的合作中，他們共建了一套“產(chǎn)業(yè)數(shù)據(jù)+AI模型”的產(chǎn)業(yè)風(fēng)控平臺，讓產(chǎn)業(yè)鏈的客商準入效率提升了至少50%。
一邊data for AI，高質(zhì)量數(shù)據(jù)是訓(xùn)練AI模型的基礎(chǔ)。AI驅(qū)動的數(shù)據(jù)服務(wù)-數(shù)據(jù)加工-數(shù)據(jù)標注于一體的方案，加速企業(yè)大量原始非結(jié)構(gòu)化數(shù)據(jù)朝著高質(zhì)量結(jié)構(gòu)化數(shù)據(jù)的轉(zhuǎn)化。
除此之外，還有像蟻天鑒這樣的大模型安全產(chǎn)品，來保障大模型在訓(xùn)練生產(chǎn)和使用過程中的安全可控可靠。
我們注意到，螞蟻數(shù)科已經(jīng)形成ABC三大業(yè)務(wù)板塊：
首先是云服務(wù)（Cloud+），幫助企業(yè)邁入數(shù)字化「上云」階段，打造更強大的科技引擎；
第二塊是AI服務(wù)（AI+），以AI技術(shù)重構(gòu)升級風(fēng)控、營銷等場景效率，助力企業(yè)在大模型時代建立競爭優(yōu)勢。
第三塊是區(qū)塊鏈服務(wù)（Blockchain+），通過科技構(gòu)建產(chǎn)業(yè)信任，提升數(shù)字化協(xié)作效率，加速數(shù)據(jù)資產(chǎn)流通。
對于螞蟻數(shù)科來說，ABC中的“A”很重要，很明顯的指向是，此次螞蟻數(shù)科呈現(xiàn)出來的業(yè)務(wù)布局“從AI For Data到Data for AI”，有三個特點：
產(chǎn)業(yè)、產(chǎn)業(yè)還是產(chǎn)業(yè)。用AI真實創(chuàng)造產(chǎn)業(yè)價值，解決實際問題。這同樣也是大模型應(yīng)用最緊要的命題。
產(chǎn)業(yè)需要什么樣的AI？大模型發(fā)展到現(xiàn)在，人們對大模型的看法已經(jīng)變了。
比如就從最近諸多行業(yè)問題與思考開始，圖像視頻生成模型頻頻開卷，人們的目光不再聚焦于效果多么驚艷，而是因為效果過于逼真，開始擔(dān)心背后的潛在隱憂；被「緩解高質(zhì)量數(shù)據(jù)荒」的數(shù)據(jù)合成，結(jié)果Nature封面一個：Garbage in Garbage out，數(shù)據(jù)合成越多會導(dǎo)致語言模型崩潰，給這個新興行業(yè)趨勢澆了冷水……
以及關(guān)于ScallingLaws的討論，在行業(yè)應(yīng)用的大模型，參數(shù)量到底在多少合適？真的是越來愈多，模型性能就會好嗎？
種種問題，甚至還導(dǎo)向了另一種傾向：大模型，是不是真的存在泡沫？
之所以能引起這樣的思考，其實也不難理解。
隨著大模型技術(shù)的發(fā)展和應(yīng)用的深入，一方面人們逐漸意識到了大模型能力的邊界。模型的參數(shù)量不再作為模型能力的核心指標，高質(zhì)量的數(shù)據(jù)流入才能保證模型高性能。
另一方面，大模型進入應(yīng)用深水區(qū)。產(chǎn)業(yè)界對AI的需求，已經(jīng)不僅僅是單純的技術(shù)追求，解決實際問題才是衡量大模型的唯一標準。
隨之而來的，就是場景中的諸多挑戰(zhàn)。
以數(shù)據(jù)問題為例，當(dāng)前市面上通用大模型都是基于互聯(lián)網(wǎng)公開的數(shù)據(jù)集。他們雖然數(shù)量眾多、類別廣泛，但是無法保質(zhì)保量，甚至大部分都是“臟”數(shù)據(jù)。
對于專業(yè)嚴肅的應(yīng)用場景來說，一來更多高質(zhì)量的行業(yè)數(shù)據(jù)是非公開的，又或者是企業(yè)內(nèi)部自身的，這需要系統(tǒng)來統(tǒng)一調(diào)度和管理，還有一些非結(jié)構(gòu)數(shù)據(jù)需要轉(zhuǎn)化；二來，對于大量公開的數(shù)據(jù)需要工程級別的清洗、標注，才能達到能使用訓(xùn)練的水平。
因此看大模型落地千行百業(yè)，不能簡單看大模型的性能展示，而是說怎么同產(chǎn)業(yè)的深度融合。
而本身就在產(chǎn)業(yè)有著長期投入的企業(yè)，他們有著天然的場景優(yōu)勢，也最有可能將AI能力和影響力才能滲透進行業(yè)之中。
螞蟻數(shù)科，就是一個。
— 完 —
相關(guān)推薦
- 免責(zé)聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應(yīng)被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風(fēng)險，讀者在采取與本文內(nèi)容相關(guān)的任何行動之前，請務(wù)必進行充分的盡職調(diào)查。最終的決策應(yīng)該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產(chǎn)生的任何金錢損失負任何責(zé)任。
