一、AI进入真实业务，第一步不是“看懂”

生成式AI正在快速降低内容生产和内容修改的门槛。AI图片、AI视频和大模型生成文本已经大量进入社交平台、电商交易和日常办公场景，普通用户只需输入提示词，便可以生成较为逼真的人物、商品、票据和文案。过去，修改转账截图、伪造商品破损图或制作换脸视频，需要掌握一定的软件操作能力；现在，借助图像生成、局部重绘、视频驱动和大模型写作工具，普通用户也能在较短时间内完成。更麻烦的是，这些内容往往会经过截图、压缩、裁剪和二次转发，原有的生成痕迹进一步被削弱，仅靠肉眼是很难判断的。

当AI生成内容从娱乐创作进入交易、审核和证据提交等环节后，真假判断就不再只是一个内容识别问题，而会直接影响资金安全、平台治理和业务决策。因此，市场需要的不只是“看起来像不像AI”的经验判断，而是一套可以检测生成痕迹、识别局部篡改并输出风险结果的工具。

这对真实业务提出了两个基础问题：

• 内容是否由AI生成或经过篡改；

• 图像是否因反光、倒影等干扰而丢失信息。

前者影响金融审核、保险理赔、电商风控和内容治理，后者则会降低证件、票据、白板和展品图像的识别质量。对大模型和Agent来说，后端推理能力再强，也无法弥补错误或残缺的输入。

2026世界人工智能大会期间，合合信息展示了AI跨模态鉴伪技术，以及旗下扫描全能王“智能高清·去反光”技术。前者负责判断内容真假，后者负责恢复被反光遮挡的信息。

AI鉴伪已经不再停留在实验室模型或后台接口，而是被做成了普通参观者可以直接体验的交互功能。用户上传或选择样本后，系统即可给出真实性判断及相关分析结果。

二、为什么越来越难判断AI伪造

很多人判断AI图片，仍然习惯寻找多余手指、乱码文字、扭曲边缘等明显错误。但更难识别的，往往不是整张生成图片，而是在真实图片上修改少量关键内容。

一张支付截图可能只替换金额和时间，一张退款图片可能只修改商品污损区域。整张图的大部分像素、界面布局和视觉风格仍然是真实的，人眼很容易因为“整体看起来没问题”而忽略局部异常。

在现场展示的“AI较真大赛”中，用户需要从多张转账、退款或商品图片中找出真实内容。这类题目并不依赖明显破绽，而是考察图片是否存在局部编辑、字段替换或生成痕迹。

在“电商仅退款”关卡中，我根据衣服污渍和拍摄环境做出判断，但最终选择错误。系统将该图片判定为伪造，并给出91.90%的置信度。

这并不代表模型在所有情况下都优于人类，但能说明双方使用的判断信号不同。

人更依赖高层语义，例如场景是否合理、界面是否熟悉、事件是否符合生活经验；鉴伪模型还会分析更底层的信息，包括局部纹理连续性、噪声分布、压缩残差、边缘融合和光影一致性。

例如，一张真实截图中的金额区域经过局部重绘后，内容语义可能完全合理，但该区域的噪声和压缩特征可能与周围区域不同。人眼关注的是“1000元是否合理”，模型关注的则可能是“这几个数字是否来自同一条成像和编码链路”。

这也是现代鉴伪从“找明显错误”走向“检测统计异常”的关键变化。这种变化在真实业务中非常关键。以电商退款为例，如果平台无法识别经过局部修改的商品破损图，可能会把伪造材料当成真实凭证，影响商家责任认定；在金融和保险场景中，被修改的转账截图、事故照片或理赔材料，则可能直接干扰审核结果。对于内容平台而言，一段经过换脸或剪辑的视频还可能被用于虚假宣传、身份冒用和舆情操纵。

因此，鉴伪系统的作用并不是简单给内容贴上真假的标签，而是在人工审核之前筛出高风险样本，提示可能被修改的区域和异常类型。它更像一道前置风控环节，判断越准确，后续的决策就越可靠。

三、实测“扫描全能王AI鉴伪"

前面的AI较真大赛更多展示了人眼面对局部伪造时的判断局限，接下来则通过扫描全能王AI鉴伪小程序，进一步观察这套能力在实际检测中的使用方式和结果呈现：

扫描全能王AI鉴伪小程序提供图片、视频和文本三个检测入口。图片支持JPG、PNG等常见格式，视频支持MP4、MOV，文本可以直接输入，也支持上传PDF文档。

这次我重点测试了图片鉴伪，上传的是一张由ChatGPT生成的“狼、羊、白菜过河”信息图。图片中不仅包含卡通人物和场景，还包括中文文字、箭头、步骤说明和逻辑关系，相比单一人像，内容结构更复杂。

检测过程中，小程序依次完成内容来源分析、AI生成分析和篡改检测，最终给出：检测到AI生成痕迹，AI可能性100%，检测耗时2.43秒。

这张图没有典型的手部畸形或人脸错误，主要由插画、文字和排版构成。系统仍然能够识别出AI生成痕迹，说明判断并不只是依赖某一个显眼缺陷，而是对整幅图像的多类特征进行联合分析。

报告中还区分了两类任务：

• AI生成检测：判断图像是否由生成模型创建或编辑；

• 图片篡改检测：判断图像是否经过PS、局部涂改、模板贴图等人工修改。

两者并不等价。一张图可能全部由AI生成，也可能是真实照片经过AI局部重绘，还可能只修改了金额、时间或人物区域。因此，实际系统通常需要同时处理“全局生成”和“局部篡改”。

从技术流程看，图片鉴伪通常不会只输出一次普通分类结果，而是先提取多层特征，再完成融合判断：

单个样本当然不能代表模型的整体准确率。更严格的测试还需要覆盖真实照片、AI局部编辑图、传统PS合成图，以及截图、压缩和缩放后的样本。但这次体验至少说明，复杂的鉴伪流程已经被封装成普通用户可直接使用的产品能力。

随后，我又上传了一段AI生成的人像视频进行测试：

从视频中看人物面部非常自然，肉眼很难分辨真假，但视频检测不能只看某一帧，还要结合前后画面，判断人物轮廓、表情、光影和背景细节在连续变化中是否稳定。也就是说，单帧看起来真实，并不代表整段视频都没有异常。

当然，这只是一次体验，不能据此判断系统在不同生成模型、清晰度和压缩条件下的整体表现。不过，图片和视频两个测试放在一起，也能看出跨模态鉴伪的差异：图片主要判断一张画面是否存在生成或修改痕迹，视频则还要进一步分析时间维度上的连续性。这也引出了下面要讨论的问题，不同模态的数据结构不同，鉴伪时依赖的证据和检测方法也并不一样。

四、跨模态鉴伪难点

真正的跨模态鉴伪，不是简单增加图片、视频和文本上传入口，而是针对不同信息介质建立不同的检测路径。

图片主要是二维空间信号，视频多了一条时间轴，文本则由离散Token和语义关系组成。三者的数据结构不同，可用的证据也不同。

图片、视频和文本分别提取语义、频域、噪声、时序和逻辑特征，再通过多模态证据融合输出真实性概率、伪造类型、可疑区域及人工复核建议。从流程上看，三类模态并不是先后串行处理，而是分别进入对应的特征提取分支。图片侧更关注语义异常、频域伪影、噪声残差和局部编辑痕迹；视频侧增加帧间一致性、运动轨迹和时空频域分析；文本侧则侧重语义连贯性、句法结构、表达概率和逻辑表征。不同证据完成对齐和加权后，系统再给出统一判断。

1.图片：语义之外，还要看频域和噪声

图片鉴伪通常会同时关注高层语义和底层成像特征。

高层语义包括人体结构、透视、文字排版和光影关系；底层特征则包括频率分布、噪声残差、压缩痕迹和局部纹理异常。

频域可以理解为换一个角度观察图像。空间域关注“某个像素是什么颜色”，频域关注“图像中不同尺度的变化如何分布”。生成模型中的上采样、去噪和重建过程，可能在高频区域留下不同于真实相机的统计特征。

噪声残差则更接近成像来源。真实照片通常经历镜头、传感器、ISP处理和压缩编码；AI图片由神经网络直接合成，两者的噪声形成机制不同。如果一张真实图只有局部经过重绘，该区域的噪声和压缩纹理也可能与背景不连续。

公开研究AIDE采用多专家思路，同时分析视觉伪影和噪声模式，避免把判断完全建立在画面内容是否自然上。FakeShield则进一步尝试把真假判断、篡改区域定位和解释结合起来。

2.视频：单帧真实，不代表整段真实

很多生成视频在单帧上已经足够自然，人物面部、服装和背景都可能看不出明显问题。但连续播放后，一些细微异常才会暴露出来，例如人物耳朵和脸部轮廓轻微变化、首饰忽隐忽现、头发边缘抖动、背景文字发生漂移，或者口型与声音节奏无法完全对应。

这意味着视频检测至少需要同时观察两个维度：

• 空间维度：单帧中的面部结构、纹理、光影和生成痕迹；

• 时间维度：前后帧之间的身份、动作、细节和光照是否连续。

从实际场景看，一段视频可能并不是全部由AI生成，而是只替换了人物面部、修改了其中几秒，或者将一段伪造画面插入真实视频。此时，仅检测少量关键帧可能会漏掉异常，系统还需要判断问题出现在哪个时间区间。

例如在身份核验、视频客服和远程面签场景中，如果换脸区域只在人物转头或说话时出现异常，单独截取正面静止画面可能很难发现。可以把它理解为两条检测线并行工作，一条看每一帧是否存在生成或篡改痕迹，另一条看连续帧之间的变化是否自然。只有把空间信息和时间信息结合起来，才能覆盖更复杂的Deepfake和局部视频篡改。

3.文本：不能只靠词频和句长

文本鉴伪同样已经不能停留在表层统计。

早期方法常看词频、句长、标点数量和困惑度，但这些特征很容易受到人工修改的影响。一段大模型生成文本经过删减或语序调整后，原有的统计特征就可能发生明显变化。因此，只凭句子是否工整、表达是否流畅判断AI文本，可靠性并不高。

更深入的检测通常会从多个层面分析文本：

• 词汇层：用词分布、重复表达和词语选择概率；

• 句法层：句式结构、语法模式和句子之间的连接方式；

• 语义层：信息是否持续推进，论点与证据是否匹配；

• 篇章层：段落结构、逻辑关系和长距离上下文是否自然；

• 来源层：文本是否存在特定模型或生成方式留下的统计特征。

大模型生成文本往往结构完整、表达平稳，但部分内容可能存在信息密度过于均匀、段落展开方式相似或者表述正确但缺乏具体来源等问题。检测模型需要综合分析这些高维特征，而不是简单判断文章写得像不像。

文本鉴伪在实际应用中还面临一个难点，同一篇文章可能同时包含人工撰写、AI生成和人工改写的内容。因此，系统除了输出整篇文本的生成概率，还需要进一步识别可疑段落，区分完全生成和局部续写等不同情况。

合合信息AI跨模态体系已经覆盖图片、视频和文本，并针对不同介质建立差异化检测路径。虽然三类任务最终都在判断内容真假，但底层使用的证据并不相同。

五、去反光不是修图，而是分离叠加在一起的两个图层

与AI鉴伪相比，WAIC现场展示的AI去反光解决的是图像采集质量问题。

现场演示采用大尺寸屏幕展示处理画面，参观者可以直接观察玻璃反射被削弱前后的差异。隔着玻璃拍摄时，相机同时接收到两部分信息：

• 玻璃后方目标的透射内容，可记为T；

• 玻璃表面环境的反射内容，可记为R。

最终拍到的图像，可以近似理解为T与R的叠加：

但真实情况更加复杂，反射强度会随角度、玻璃材质、覆膜、曝光和环境光发生变化，不能通过简单降低亮度解决。

从对比图可以看到，左侧存在多条灯带反射，部分反光横跨人物头饰、面部、服饰和背景。算法不仅要识别R，还要避免破坏T中原本存在的浅色衣纹、仙鹤羽毛和人物轮廓。

这类任务主要有三个难点。

第一，反射和原图的边缘可能重叠。灯带穿过人物衣服时，模型不能简单删除整条高亮区域，否则会把真实纹理一起抹掉。

第二，真实高光和玻璃反光很难区分。丝绸、金属、白纸和颜料本身就可能存在亮部，模型需要判断高亮来自物体材质，还是来自玻璃表面的环境反射。

第三，强反光可能已经造成像素饱和。此时原始信息并不是被半透明遮挡，而是部分丢失。模型需要控制恢复范围，避免根据语义凭空生成不存在的线条和细节。

右侧处理结果中，灯带和环境倒影被明显削弱，同时保留了人物服饰、仙鹤羽毛和画面原有色调。真正值得关注的不是画面“更干净”，而是处理后没有出现明显涂抹、过度锐化或生成式重绘感。

因此，扫描全能王强调的是“高保真还原”，核心是去除反射的同时约束结构、纹理和颜色变化，而不是重新生成一张视觉上更漂亮的图片。

**合合信息团队获得了CVPR 2026 NTIRE“自然场景下的单图像去反射”赛道冠军。**该挑战更关注真实环境中的复杂反射，而不是只在人工合成数据上测试，这对玻璃展柜、橱窗、白板和证件等场景更有参考意义。

六、从个人工具到企业风控，价值在完整数据链路

AI鉴伪和去反光并不是两个孤立功能，它们分别位于可信数据链路的不同位置。

在金融、电商和保险场景中，AI鉴伪可以用于转账截图、退款材料、商品图片和理赔照片的前置筛查。系统不一定直接做最终裁决，而是先给出真实性概率和可疑区域，再将高风险样本交给人工复核。

比较合理的业务流程是：

这样可以避免只依赖人工抽样，也能减少单一模型误判直接影响业务结果。在内容平台中，跨模态鉴伪可以统一处理图片、短视频和文本。不同检测引擎输出的结果还可以与账号行为、发布时间、来源信息结合，形成更完整的风险评分。去反光则更适合放在OCR和文档解析之前。塑封证件、会议白板、玻璃展柜和相框照片都容易受到炫光影响。如果直接识别，可能出现字符缺失、数字误判和笔画断裂。先完成反光抑制，再做透视校正、图像增强和文字识别，能提高后续处理质量。

合合信息AIGC鉴伪技术已经应用于金融、保险和电商等场景，图文鉴伪可实现日均数十万条内容核验；扫描全能王“智能高清·去反光”则覆盖玻璃、白板、证件和自然拍摄等场景。未来AI能力的竞争，不会只发生在模型参数、生成效果和推理速度上，也会发生在数据进入模型之前。谁能更准确地识别虚假内容、更完整地恢复真实信息，谁就能为后续的大模型、Agent和业务系统提供更可靠的起点。从这个角度看，AI鉴伪负责守住信息真实性，去反光负责守住信息完整性。它们共同构成的，不只是一个检测工具或图像增强功能，而是一层面向真实业务的“可信输入基础设施”。

当AI越来越多地参与审核、风控、知识生产和业务决策时，真正重要的已经不只是它能否给出答案，而是这个答案是否建立在真实、完整、可追溯的信息之上。只有先让AI看见真实世界，AI才有可能对真实世界负责。