蚂蚁集团双冠CVPR 2026，AI伪造检测迎来实战突破

在刚刚落幕的CVPR 2026 NTIRE图像检测挑战赛中，蚂蚁集团一举拿下两项冠军——“复杂真实场景鲁棒性样本测试”和“人脸增强异常检测”赛道。这场汇聚全球500多支顶尖团队的赛事，被业内称为“AI伪造检测的奥运会”。而蚂蚁的胜利，不是实验室里的漂亮数字，而是真刀真枪从支付、金融、内容审核一线打出来的实战成果。

如今，你刷到的一张“明星代言”图片、一段“高管讲话”视频，可能全是AI生成的。肉眼根本看不出破绽，而过去那些靠特征分析的检测工具，面对新模型一上手就“失灵”。数据表明，2024年以来，新型AIGC伪造内容的逃检率提升了近70%。蚂蚁团队要解决的，不是“能不能识别”，而是“在朋友圈转发、短视频平台传播、银行开户上传的模糊照片里，怎么还能抓得住”。

不靠炫技，靠“真场景”训练

蚂蚁的方案没有堆砌复杂术语，而是回归本质：真实世界是什么样，模型就怎么学。

他们建了一个超过300万张图的训练库，不只用公开数据集，还自己采集了大量“被转发过、被拍过、被压缩过”的真实图片——比如用户用手机拍下电脑屏幕里的AI生成图，再发到微信；比如银行审核时上传的、光线差、有反光、分辨率低的身份证照片。这些才是AI伪造者最常利用的“掩护”。

他们设计的双流架构，像给检测系统装了两双眼睛：一双盯细节——看皮肤纹理有没有AI生成的“塑料感”，头发边缘有没有不自然的毛刺；另一双看整体——判断光影方向、物体比例是否符合物理规律。两双眼睛互相印证，哪怕图像被多次转发、压缩、裁剪，也能稳住判断。

不只是判断真假，还能告诉你“哪里假”

过去检测模型像个黑箱：输入一张图，输出“真”或“假”。用户问：“为什么假？”没人说得清。

蚂蚁团队这次做了个叫“FakeXplained”的数据集，第一次让模型不仅能说“这是假的”，还能在图上标出可疑区域——比如“下巴边缘有重影”“瞳孔反光不符合光源位置”“背景中的影子方向矛盾”，并用自然语言解释：“该区域的皮肤纹理与周围不一致，符合Stable Diffusion 3的典型伪影特征。”

这在金融场景太关键了。银行审核人员不用再对着一张图发呆，系统直接圈出问题点，附上解释，审核效率提升40%以上，误判率下降近三成。一位参与测试的银行风控负责人说：“以前我们怕AI骗人，现在我们怕AI骗不过AI。”

跨境支付，AI伪造的最后防线

在东南亚、拉美等新兴市场，蚂蚁国际的AI检测技术已落地到EKYC（电子身份核验）系统。用户用手机拍一张自拍，系统不仅要比对证件照，还要判断这张自拍是不是AI换脸生成的——哪怕对方用了最新的FaceSwap工具，或是在美颜App里调了参数。

2025年，东南亚某国曾发生一起利用AI伪造护照照片的诈骗案，涉案金额超千万美元。当地银行上线蚂蚁的检测模块后，3个月内拦截了172起类似尝试，准确率高达98.6%。这不是理论值，是每天真实发生的交易拦截记录。

开源，不是秀肌肉，是真想解决问题

蚂蚁没有把技术锁在保险柜里。他们把整个检测框架、训练数据、评估工具，打包开源到GitHub，取名“AntiFake-Open”。这是目前全球规模最大、覆盖最全的AIGC图像检测开源库，包含200+种伪造模型的样本、10种常见退化模拟器，甚至附带了中文、英文、西班牙语的标注说明。

“我们不是要当唯一能检测的人，”蚂蚁AI安全实验室负责人说，“是希望让所有做风控、做内容审核、做平台安全的团队，都能用上靠谱的工具。AI伪造跑得快，我们就得让防御也跑得快。”

从支付宝的扫码支付，到今天的AI伪造对抗，蚂蚁用了20年沉淀出一套“真实世界优先”的安全哲学。这一次，他们没在论文里打擂台，而是把技术直接焊进了支付链、身份核验、内容审核的每一个环节——因为真正的安全，从来不在排行榜上，而在每一次用户点开的转账确认、每一张被审核的证件照里。