KeyFrame內部研究專用

Truly Terrifying: When AI Learns to Lie, Where Do We Go From Here? | Zhuang Ye’s Talk 249

莊也雜談·7月5日週日·45 min中文

三句話摘要

AI 語音克隆與深度偽造技術如何被用於精準詐騙,以及普通人該如何防範。 在 AI 時代,真實已成最稀缺的奢侈品,防禦詐騙需要政府嚴刑峻法、科技公司道德鎖定、社會層面的經濟托底,更需要每個家庭用暗號與智慧守護親人。 AI 幻覺的三層根源:大語言模型本質上猜測下一個詞而非查資料;訓練評分機制獎勵它瞎猜而非承認不知道;AI 缺乏可靠的「我不知道」開關,導致它自信地編造答案。

重點整理

重點
  • 1

    AI 幻覺的三層根源:大語言模型本質上猜測下一個詞而非查資料;訓練評分機制獎勵它瞎猜而非承認不知道;AI 缺乏可靠的「我不知道」開關,導致它自信地編造答案。

  • 2

    Deepfake 已超越語音進化:從 2023 年美國律師被 ChatGPT 編造的假判例坑害,到 2024 年香港跨國公司被實時多人視訊會議中的 AI 數位人物詐騙 2500 萬美元,Deepfake 已能在多人場景中同步完美偽造多個真人。

  • 3

    個人資訊外洩的四大管道:數據泄露(如 2019 年加拿大 LifeLabs 事件波及 1500 萬人)、社交媒體無意洩露家庭關係、合法數據經紀商的買賣、以及詐騙者透過讓老人自己報名字的誘導法。

  • 4

    法律與技術防護的雙重缺口:Anthropic 新模型 Fable 5 發布三天遭美國禁令,但加拿大至今缺乏完整的 Deepfake 專法,僅在 2026 年 6 月通過 C-16 法案將合成私密影像入刑,C-34 法案才在草案階段對聊天機械人進行監管。

實用技巧與重點

乾貨
  • 真實詐騙案例:
  • 安省案件(2026年6月):父親 Neil 被克隆的兒子聲音騙走 6,000 加幣
  • 玛丽莲案件(2021年):銀行員工攔截 9,000 加幣詐騙
  • 香港 Arup 公司案(2024年2月):跨國工程公司被多人視訊會議詐騙 2,500 萬美元
  • 法律與政策進展:
  • C-16 法案(2026年6月18日生效):將 Deepfake 生成的私密影像入刑
  • C-34 安全社交媒體法(2026年6月10日提交):要求平台對 AI 聊天機械人負責、標記合成內容
  • Anthropic Fable 5(2026年6月發布):安全分類器將高風險問題自動降級至上一代模型 Opus 4.8
  • 美國商務部管制(2026年6月12日-7月1日):暫停外籍人士訪問新模型共 19 天
  • 防騙三鐵律:
  • 跟家人定暗號(獨特詞彙或繞口令只有家人懂)
  • 聽到求救要錢立即掛電話,翻通訊錄回撥本人
  • 要求現金或加密貨幣 = 100% 詐騙(加拿大刑事司法不允許現金保釋)
  • 數據損失統計:
  • 加拿大 2021 年起累計報案損失:2,300 萬加幣
  • 實際損失估計:真實數字的 5-20 倍(因舉報率僅 5-10%)
  • LifeLabs 數據泄露(2019):1,500 萬加拿大人受波及(當時全國人口 40%)

結論

結論

在 AI 時代,真實已成最稀缺的奢侈品,防禦詐騙需要政府嚴刑峻法、科技公司道德鎖定、社會層面的經濟托底,更需要每個家庭用暗號與智慧守護親人。

完整解析

詳細

AI 詐騙的威脅不在於技術本身有多神祕,而在於它如何將三個層面的缺陷結合成完美風暴。首先是 AI 幻覺的根本原理。大語言模型並不查詢資料庫,而是統計性地預測下一個最可能出現的詞。在此邏輯下,編造一句流暢的假話和說一句真話在底層運算上完全相同。評分機制則加劇了這個問題:當考試只有對錯二元分,答錯和不知道都是零分時,模型被優化成了「應試油條」,傾向於瞎猜而非承認不確定性。最關鍵的是,現有 AI 根本不知道自己不知道,導致它自信地胡編答案。美國律師施瓦茨 2023 年就因此被 ChatGPT 編造的假判例坑害,被法庭罰款 5,000 美元並強制向被冒名法官道歉。

但 AI 幻覺只是第一層威脅。真正恐怖的是 Deepfake 技術的進化。2024 年 2 月,香港跨國工程公司 Arup 發生有史以來最大規模的 Deepfake 詐騙案,詐騙團伙在一場多人視訊會議中同時完美偽造了英國 CFO 與多名同事,騙走員工 2,500 萬美元。這不是簡單的聲音克隆,而是實時生成的數位人物。加拿大也未能倖免。2026 年 6 月,安省老人 Neil 因為兒子聲音「一模一樣」的電話而被騙 6,000 加幣。詐騙者需要的聲音素材只要幾秒就夠了——從社交媒體的短視訊截取即可。

個人資訊外洩是精準詐騙的前置條件。數據泄露(如 2019 年 LifeLabs 事件波及 1,500 萬加人)、社交媒體的無意洩露(親戚互動公開家庭關係網)、以及合法的數據經紀商買賣(美國至今缺乏全面隱私法,數據掮客在法律空檔中運作)都是管道。詐騙者甚至不需要事先掌握資訊,只要在電話裡帶哭腔說「奶奶是我」,老人在慌張中會自動報出名字。

防禦的關鍵其實極其簡樸:定家庭暗號(只有自己家人懂的詞彙或繞口令),聽到求救錢就掛電話回撥本人號碼,以及銘記在心加拿大刑事司法根本不允許現金或加密貨幣保釋——凡是這樣要求的就是 100% 詐騙。加拿大從 2021 年起累計報案損失 2,300 萬加幣,但根據反詐中心評估,實際損失可能是這個數字的 10 倍乃至 20 倍,因為許多老人因羞恥感而不報案。

法律與技術的防護層面仍在摸索。Anthropic 在 2026 年 6 月發布了最強模型 Fable 5,內建安全分類器會將高風險問題自動降級至上一代模型。但美國政府隨即以國家安全為由發動出口管制,暫停全球訪問 19 天,直到業界達成統一的漏洞評分框架後才解禁。加拿大則在 2026 年 6 月通過了 C-16 法案,將 Deepfake 生成的私密影像入刑,同時推進 C-34 法案要求平台標記合成內容與即時下架,但針對語音詐騙的專法仍未出台。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。