谁来检测那些连检测系统都束手无策的深度伪造内容？
这是微软上周抛出的尴尬问题。4月10日，微软、西北大学和非营利组织Witness联合发布了MNW深度伪造检测基准数据集，发表在IEEE Intelligent Systems上。与其说是打造更好的检测器，不如说是建立更好的检测器测试方法。这一区分至关重要——深度伪造检测的战役，在多数观察者看来，已经败局已定。
微软首席研究科学家托马斯·罗卡说得直白：「检测系统还没有准备好应对这一挑战。」问题不在于检测技术本身存在根本性缺陷，而在于生成式人工智能已经达到一个临界点：伪造内容在肉眼看来与真实无异，而创作这些内容的工具已经普及到任何拥有手机的人都能操作。
核心问题在于评估方法论。研究人员通常用少数几个生成器的内容来训练检测模型，这导致系统在各路生成工具混战的现实环境中表现急剧下滑。罗卡指出：「实验室里的人工智能，不是野外的人工智能。」MNW数据集正是为弥合这一差距而生。它不针对单一检测器进行训练，而是聚合多种痕迹——噪声分布、像素不一致、音频信号缺口——来揭示跨多个生成管道的AI合成媒体。
但众包防御本身也值得追问：谁来定义「多样化」？谁来决定哪些痕迹才算数？微软不是中立的裁判，它同时也是生成式模型的缔造者，而这些模型正是检测需求产生的根源。将解决方案众包出去，实际上是把行业自己造成的问题外包给了公众。
MNW基准是对该领域的真实贡献，但它也暴露了AI行业处理合成媒体问题上的结构性失败。检测从来就是滞后的策略——用来捕获生成已经产出的内容。军备竞赛的动态规律保证了生成器始终领先。我们正在目睹的，是威胁制造者向用户求助管理这一威胁的逻辑终点。
开篇的问题没有令人满意的答案。基准无法阻止检测器无法捕获的东西。但它至少可以更诚实地告诉我们：在这场军备竞赛中，我们已经落后多远了。