作者：默思編輯部 發布：2026-10-03
加州大學洛杉磯分校（UCLA）研究團隊打造出一套嶄新的深偽（deepfake）影片偵測系統，核心突破在於它不是單純依賴傳統數位運算的神經網路，而是讓部分偵測運算直接透過「光的物理傳播」來完成——這項技術發表於期刊《eLight》，論文名稱為《可擴展、節能的光學神經架構：多工深偽影片偵測》（Scalable, Energy-Efficient Optical-Neural Architecture for Multiplexed Deepfake Video Detection）。
關鍵差異：同時平行處理，而非逐一循序運算
傳統的深偽偵測系統，無論運算能力再強，本質上仍需要將每支影片依序送進數位運算管線逐一分析；UCLA這套系統最大的突破，在於它能在「單次光學運算過程」中，同時平行評估15支以上的影片串流——這代表運算瓶頸不再隨影片數量線性增加，而是透過光學系統原生的平行特性一次性處理完畢。在業界常用的Celeb-DF影片資料集上，這套系統以15支影片同時平行測試、單次光學運算推論的方式，達到平均97.79%的偵測準確率、99.86%的敏感度，以及95.72%的特異度。
低耗能與抗攻擊特性是另一項優勢
除了速度與平行處理能力，這套系統另一項受到關注的特性，是它的低耗能需求與對抗性攻擊的抵抗力。由於部分關鍵運算是透過光學元件而非傳統電子電路完成，整體系統的能耗需求遠低於同等規模的純數位深度學習模型，這對於需要大規模、即時篩選海量影片內容的應用場景（例如社群平台的內容審核系統）而言，是相當實際的營運成本優勢。
深偽內容氾濫下的技術軍備競賽
隨著生成式AI製作擬真影片的門檻持續降低，深偽內容在詐騙、政治操弄與名譽侵害等場景中的濫用案例也快速增加，這也讓深偽偵測技術本身，變成一場持續演進的技術軍備競賽——生成技術愈逼真，偵測技術就必須愈敏銳且運算效率愈高，才能應付愈來愈龐大的影片審核需求。UCLA這套光學神經網路架構提供的，正是一條透過物理運算原理而非純粹堆疊數位算力來突破效能瓶頸的另類路徑，對於需要大規模即時篩選影片內容的平台與機構而言，具備相當的應用潛力。
從實驗室原型到實際部署仍有距離
必須留意的是，這套系統目前仍停留在學術研究階段，距離真正整合進社群平台或新聞媒體的內容審核管線，還需要跨過硬體量產、系統整合與跨資料集泛化能力驗證等多重關卡。光學運算元件的製造與校準，相較於純軟體的數位神經網路，牽涉更多實體工程挑戰，這也是為什麼儘管光學運算在理論效能與耗能表現上展現出明顯優勢，實際商業化導入的速度往往比純數位方案更為緩慢。對於正在評估內容審核技術路線的平台而言，這類研究提供的是一個值得長期關注的技術方向，而非立即可用的現成解決方案。
對AI偵測技術與運算架構有興趣的讀者，歡迎參考Python課程，打好扎實的程式與資料分析基礎。