AI生成图像是如何被用于虚假信息宣传活动的

一张病毒式传播的照片，显示某位政客出现在他从未参加过的抗议活动中。一张带有通讯社水印、描绘从未发生过的灾难性事件的图像。一张“目击者”拍下的名人犯罪照片，在被认定为合成图像之前就已被转发数万次。AI生成图像如今已成为虚假信息行动中的标准工具，被国家行为体、政治团体和个人不法分子广泛用来为彻头彻尾虚假的说法炮制“证据”。理解这类行动的运作方式——以及如何识别伪造图像——正日益成为一项核心的媒介素养技能。

虚假信息图像行动是如何搭建起来的

生成： AI图像工具负责生成合成照片。Midjourney、DALL-E、Stable Diffusion，以及一些专为虚假信息制作打造的工具（部分并未公开发售）可以按需生成特定人物在特定情境下的照片级逼真图像。提示词工程已成为虚假信息社群中的一项技能——如何写出能绕过安全过滤、又能生成逼真纪实风格图像的提示词，是一门可以学习掌握的手艺。

做旧与劣化处理： 未经处理的AI原始图像往往看起来过于精致。虚假信息操作者常常会对图像进行后期处理，让其看起来更像真实拍摄的照片——添加颗粒感、压缩痕迹、来自真实相机的EXIF元数据，以及模仿特定设备或平台风格的调色。这让自动化工具和人工观察者都更难识破。

网络传播： 图像通常先在审核宽松的平台上发布，再通过网络扩散以积累浏览量。一种常见手法是：先在边缘小众平台发布一条“种子”帖子，然后被截图转发到主流平台，因此主流传播看到的往往是截图而非原图——这让基于图像哈希的检测手段更难奏效。协同运作的账号矩阵会集中放大内容，在平台审核介入之前就将其推上热门。

语境洗白： 最有效的虚假信息图像，往往不是凭空捏造的，而是搭配了虚假的语境。真实图像被用在错误的语境中，或者真实图像配上了捏造的说明文字，通常比完全合成的图像更有效，因为它们更难被彻底证伪。合成图像的威力最大之处，在于它“印证”了此前已通过其他方式植入人心的某种说法。

值得关注的已记录案例

2023年五角大楼爆炸事件： 2023年5月，一张描绘五角大楼附近发生大爆炸的合成图像在网上疯传，在被证伪之前一度引发股市短暂波动。这张图像由AI图像工具生成，缺乏任何能将其定位在真实地点的背景细节——这个细微之处被许多转发者忽略了。

2024年多国选举中的政治深度伪造： 在多个国家的2024年选举中，描绘候选人处于尴尬或涉嫌犯罪情境的AI生成图像在社交媒体上广泛传播。选后分析在至少八个国家的选举中识别出了协同运作的合成图像行动。

合成人道主义图像： AI生成的冲突和灾难地区图像，既被用来夸大、也被用来压低公众对真实事件的关注度——一方面生成合成的苦难图像，为诈骗性质的慈善机构骗取捐款；另一方面制造声称显示冲突的合成图像，试图证明局势“并没有报道中那么严重”。

如何识别AI生成的虚假信息图像

检测应从分享之前的审慎态度开始。最重要的一个习惯，是在转发任何能激起强烈情绪反应、或恰好印证你既有看法的图像之前先停下来——因为这类图像恰恰正是虚假信息行动刻意制造出来的。

反向图像搜索（谷歌图片、TinEye、Yandex）是第一道检测手段。如果一张图像在网络上此前从未出现过，那它要么是真实的突发新闻，要么是刚刚生成的。如果它出现的语境与所声称的语境不符，那就说明它正被用来误导他人。

仔细检查细节。 2026年的AI图像生成在整体连贯性上表现出色——乍看之下场景显得很“对”——但在仔细审视具体细节时仍有破绽。手部和手指对大多数模型来说仍是弱项。背景文字往往是无意义的乱码，或有微妙的错误。仔细观察阴影和反光，常能发现光照不一致的地方。机构徽标、徽章和标牌经常存在细微的错误。背景中的人物可能是模糊的，或存在解剖结构上的问题。

核查元数据。 真实的纪实照片通常带有EXIF数据：相机型号、GPS坐标、时间戳、镜头信息。AI生成的图像通常没有EXIF数据，或者其元数据与所声称的拍摄语境不符。使用Jeffrey's Exif Viewer或ExifTool这类工具，可以轻松完成这项检查。需要注意的是，元数据是可以被伪造或剥离的——没有可疑元数据并不能证明图像真实，但存在不一致的元数据则是一个危险信号。

使用AI检测工具。 SUS IT及类似工具会分析图像的频谱和统计特征，以识别AI生成的痕迹。这类工具会检查包括频域特征（AI图像在傅里叶变换中呈现出特有的模式）、纹理合成痕迹，以及特定生成模型的“指纹”在内的多项特征。对于生成后经过压缩、裁剪或其他处理的图像，检测难度会更高——但一个较强的检测信号仍具有重要的证据价值。

核查来源链条。 这张图像最初是在哪里发布的？截图的截图会模糊掉原始来源。你与最初来源之间隔得越远，能够核实的东西就越少。对于新闻图像，要核查是否有正规的通讯社（美联社AP、路透社Reuters、法新社AFP）以经过编辑核实的方式发布过该图像。如果一张图像只能以一条无法核实的社交媒体帖子的截图形式存在，就应把它当作未经证实的内容来对待。

取证的视角

数字取证工具的检验手段远不止肉眼观察。错误级别分析（ELA） 会高亮出图像中压缩程度不同的区域，这可能提示图像被人为篡改过——不过这项技术对现代AI生成图像有其局限，因为这类图像在整体上往往呈现出一致的压缩特征。频域分析 检查图像的傅里叶变换，寻找与AI生成相关的模式——相比像素层面的分析，这种方法更难被后期处理所规避。噪点模式分析 能识别不同相机传感器特有的噪点特征，从而验证或反驳关于图像来源的说法。专业新闻机构会结合使用这些技术，并配合训练有素的分析人员。

平台层面的应对

各大平台已在AI图像检测上投入巨大，但采取的方式各不相同。Meta已部署基于C2PA元数据（一项技术标准，允许在图像生成之时就以加密方式标注AI生成信息）的自动“AI生成”标签，以及自研的检测模型。YouTube对含图像内容采用了类似的检测手段。TikTok则将自动检测与强制性的创作者披露结合起来。由Adobe、微软等公司支持的C2PA标准，是目前最有前景的长期解决方案——它将图像来源和编辑历史以防篡改的方式嵌入文件本身。这项标准的采用正在加速，但尚未普及。

读者和观众能做些什么

实用的建议其实很简单，关键在于持之以恒地执行。分享前先停一停。 让你想立刻转发的那种情绪冲动，恰恰正是虚假信息行动所利用的东西。核查来源。 对任何非同寻常的说法，至少要有两个可靠且相互独立的信息来源。留意缺失的东西。 虚假信息图像通常缺乏真实纪实摄影所具备的佐证性语境——没有原始来源、没有被通讯社采用、拍摄地当地媒体也没有相关报道。善用现有工具。 反向图像搜索、元数据检查和AI检测工具都是免费的，使用起来也用不了一分钟。举报可疑的虚假信息 给平台，并在相关情况下提交给事实核查机构。合成内容被标记得越快，造成的危害就越小。