让光来判真假：一次过十五条视频的深度伪造筛查

识别深度伪造视频，现在的主流办法是跑深度神经网络。问题不在准不准，在规模：最好的检测模型单次推理要几千亿次浮点运算，而且只能一条一条视频地看。内容越多，延迟和能耗就线性往上走。平台每天要过的内容量，和这套成本结构对不上。

加州大学洛杉矶分校的团队给了一个不同的答案：把检测流程里最重的一段交给光。他们在 eLight 上发表了题为 "Scalable, Energy-Efficient Optical-Neural Architecture for Multiplexed Deepfake Video Detection" 的论文，展示了一套数字—光学混合架构，可以在一次光传播过程中同时判别至少 15 路视频。

数字编码，光学解码

整套系统分成前后两段。前端是一个轻量的数字编码器，从每段视频抽若干帧人脸图像，分别提取空间域和傅里叶域的特征，再把多帧信息压缩成一个相位图，加载到可编程空间光调制器上。后端是一套自由空间的被动光学解码器：编码后的光波前直接传播过去，末端的成对光学探测器给出这段视频的真伪分数。

关键在"被动"两个字。原本需要一个计算量很大的数字解码网络，现在由一次并行的物理过程取代。衍射层是静态的、不需要供电的结构，推理时不额外耗电。

轻量化数字前端把视频压成相位图，经空间光调制器后在被动衍射层中并行传播，末端探测器直接输出真伪分数

实测数字

在可见光波段的实验装置上，系统单次光传播同时处理 15 条 Celeb-DF 视频，平均检测准确率 97.79%，灵敏度 99.86%，特异度 95.72%。灵敏度接近满值意味着假阴性率约 0.14%——对一道"第一道筛查"来说，这个方向很重要，它的职责是尽量不让伪造内容漏过去。

把复用能力提到每次 18 条视频时，平均准确率仍有 96.13%。团队还发现，增加被动光学解码器的物理深度可以提升性能，而能耗和推理延迟基本不变。在更难的伪造手法上，加两层经过优化的纯相位衍射层，准确率提高了约 6.8%。

15 路并行 97.79%、18 路 96.13%、对从未见过的 VEO-3 生成视频 94.80%；物理衍射让模型参数难以逆向

真正考验新检测器的是没见过的生成器。团队用谷歌 VEO-3 模型生成的视频做了测试——这类视频缺少早期深度伪造常见的那些伪影。只做极少量微调后，光学处理器在从未见过的 VEO-3 视频上拿到 94.80% 的准确率和 97.61% 的灵敏度。这说明这套框架有机会跟上新的生成式流水线，而不是只认得训练时见过的那几种破绽。

为什么物理过程更难被攻击

数字检测器有个公开的弱点：对抗攻击。攻击者可以构造人眼几乎看不出的扰动，让预训练的检测器彻底失效。研究者测试了这套光学处理器对黑盒对抗攻击的抵抗能力，结果稳健；对白盒攻击，它还有一层天然保护。

原因是有一部分推理是物理地由衍射完成的，模型的关键参数嵌在硬件里，很难测量、复制或逆向工程。攻击者想重建这个检测器、再针对它设计对抗扰动，难度大幅上升。此外，系统对图像噪声、模糊、JPEG 压缩以及实验中的对准偏差都保持稳定。

它的位置是筛查，不是终审

团队对这个系统的定位很清楚：高灵敏度的第一道筛查。大量视频先由并行的光学处理器快速过一遍，被标记出来的再交给计算更重的数字模型做最终判定。并行度、低解码能耗、高灵敏度、对新生成模型的适应能力、较强的抗攻击性——这五件事在纯数字系统里很难同时拿到，而这个架构把它们凑到了一起。

背景值得提一句：已有研究发现，人类识别 AI 生成图像的敏感度只有约 52% 到 55%，差不多是抛硬币。自动化筛查不是锦上添花，而是必需品。而要让筛查覆盖平台每天的真实内容量，算力和能耗必须换一种方式给。用光来算，是其中一种正在被认真验证的答案。

论文作者为 Parnian Ghapandar Kashani 和 Shiqi Chen（共同第一作者）以及 Aydogan Ozcan 教授，均来自 UCLA 电气与计算机工程系、生物工程系和加州纳米系统研究所。

#### 参考来源

• Researchers harness light to detect deepfake videos at scale, EurekAlert / UCLA
• Scalable, Energy-Efficient Optical-Neural Architecture for Multiplexed Deepfake Video Detection, arXiv:2605.19360
• 论文发表于光学期刊 eLight

#### 关联推荐

• 光里有个"洞"跑赢了光：一条 1970 年代的预言，2026 年第一次被测出来 — 光的行为比直觉复杂得多
• 把器件倾斜 0.3 度，光的转换效率涨了 7.2 万倍 — 光学器件里的非线性回报
• AI 共同科学家：科研从"人做"到"人机共创" — AI 介入知识生产的另一面