开始之前
你需要一张拿不准的图片、一个浏览器和大约十分钟。不用安装任何东西。想先练一遍的话，存两张图，一张是你自己拍的，一张是 AI 绘图工具替你生成的，两张都把每个检查做一遍。
对一张存疑的图片做五个检查
- 查清楚是谁、什么时候发的。一张没有作者、日期和地点的图片，只是一个没有依据的说法。打开发图的账号，读一读它的其他帖子。
- 用 Google 图片或 Lens、TinEye、Bing 或 Yandex 图片做一次反向图片搜索。维基百科说，Google 的以图搜图可以上传图片或复制图片地址。把每一个出现这张图的页面都打开，记下最早的那个。
- 放大，看手、标牌上的文字、阴影、皮肤和头发。下面的表就是你的清单。
- 找找有没有签名凭证或水印。有些 AI 工具会附上，第 3 课教你怎么读。没有的话，什么也说明不了。
- 把发现的东西加起来看。更早的副本出现在另一个故事里、账号没有任何历史、凭证里写着某个 AI 工具，这些是强信号。一根奇怪的手指只是弱信号。几项检查还是定不下来，就把这张图当作未经证实。
人有多容易看错
一篇 2023 年的论文直接测了人的眼睛。作者给 50 位志愿者每人 100 张图，一半是真的，一半用 Midjourney V5 生成，让他们判断哪些是 AI 做的。志愿者平均答对 61.3%，也就是 38.7% 的答案是错的。另一组 1,085 份众包问卷的平均正确率是 49.9%，相当于抛硬币。作者还请标注员筛掉了第一眼就能看出是假的低质量 AI 图片，所以这些 AI 图片是挑选过的，不是这个工具随机生成的样本。
图片的类型有影响。多人合影最容易分辨，日常物品最难，志愿者在物品上的正确率只有 50.8%。
作者还训练了一个检测模型，在同类测试上只错了 13%，看起来是软件赢了。Deepfake-Eval-2024 基准测试把问题搬出了实验室。作者在 2024 年从社交媒体和一个深度伪造检测平台的用户那里收集了伪造内容，结果开源检测器在图片上的 AUC 比早期基准测试下降了 45%。AUC 是衡量检测器能否把假的和真的分开的分数，掉这么多不是小事。它评估过的商用检测器，没有一个的准确率达到 90%。
对你来说，这意味着在线检测器给出的百分比只是五条线索里的一条，不能当作结论。
来源：Hugging Face 论文页：人和模型对 AI 生成图片的辨别（HPBench），表 5 (2026年11月6日 查阅)
人们找过的破绽，以及它们为什么在消失
2023 年的志愿者说出了他们用的破绽，每个答案可以勾选不止一个理由。在答对之后勾选的所有理由里，28% 是细节问题，17% 是皮肤过于光滑。论文列出了九类缺陷，下表是其中六类。
把它当作 2023 年那批图片的记录来读。那次测试里所有 AI 图片都来自同一个生成器，Midjourney V5，之后又出现了新的生成器。我们读过的页面里没有找到针对今天这些工具的新的人工测试，所以这些破绽只算线索，手画得正常也说明不了什么。
| 看哪里 | 论文算作破绽的情况 | 怎么做 |
|---|---|---|
| 手 | 手指重叠或形状不合理 | 放大，数手指和关节 |
| 文字 | 标牌和文字不正确 | 把每块招牌、标签和徽章一个字一个字读出来 |
| 光和影 | 光源和阴影不自然 | 看每个影子是否都背向同一个光源 |
| 皮肤和表情 | 皮肤过于光滑，表情不真实 | 找毛孔和皱纹，看脸是否配得上当时的情境 |
| 涂抹感 | 颜色和纹理粗糙、不均匀，细节丢失 | 找看起来像涂上去的色块，拿同一种表面对比画面里的两个位置 |
| 细节 | 皱纹和头发的细节有问题 | 顺着单根头发和皱纹看它们到哪里结束 |
反向图片搜索能告诉你什么
反向图片搜索是一种基于内容的图像检索技术。你把一张图交给系统，它去找相符的图片，而不是匹配关键词。维基百科把 Google 图片和 Lens、TinEye、Bing 和 Yandex 图片列为这类服务。
它适合查出处。维基百科说它能找到图片的来源、更高分辨率的版本、出现这张图的页面和创作者，也能发现被改动过的版本和衍生作品。一张新闻照片如果几年前就以另一个说明出现过，说明它被挪用了，这不用分析像素就能下结论。
不要把它当作 AI 检测。结果为空，意思是引擎没有找到匹配，而一张全新的 AI 图和一张全新的照片都会得到这个结果。TinEye 能匹配被大幅修改过的副本，但同一篇文章说它“通常不会返回相似的图片”。
一个同主题的视频
下面的视频来自 New Scientist 的 YouTube 频道，标题是“How to spot deepfakes and AI-generated images”。我们只核对了它的标题和频道，没有核对视频里演示的内容，所以把它当作额外的观看材料，判断仍以上面的五个检查为准。
常见错误
- 因为手画得完美，就认定图片是真的。2023 年的破绽只是一个生成器留下的线索，真正能定论的是图片的出处和更早的副本。
- 相信“是不是 AI”网站给的百分比。在老基准测试里表现不错的检测器，面对 2024 年在网上收集来的假货差了很多，所以图片的出处和更早的副本仍然是最好的线索。
- 把空的反向搜索结果读成“所以是 AI”。它只表示没有找到匹配，一张新照片也是同样的结果。
- 只盯着像素。图片附带的帖子、发图的账号和日期，包含的信息不比图像本身少。
- 忘了真实照片也可能被 AI 修改。抹掉一个物体或一个人，其余部分仍然是真的，图片编辑那一课展示了这类工具能做什么。
自己试一试
- 从你的信息流里挑三张让你停下来的图片，对每张做检查 1 和 2，写下你能找到的最早日期。
- 用你选的 AI 绘图工具生成一张图。放大到原尺寸，对照表里的六行，数一数你能找到几处破绽。然后请朋友在它和一张真实照片之间挑出哪张是 AI 的。
- 拿一张你从没发布过的照片，做一次反向图片搜索，记下返回的结果，这样你就知道“没有结果”是什么样子。
下一课：深度伪造视频和克隆声音
图片是最容易核查的一种假货，因为你可以放大，也可以搜索。动态画面和声音能让你抓住的东西更少。第 2 课讲这两类里仍然管用的检查，其中一个根本不靠你的眼睛和耳朵。
自测一下
2023 年的研究里，志愿者给真实照片和 Midjourney V5 图片分类，错的比例大约是多少？
查看答案
B. 每 100 个答案错约 39 个 志愿者平均答对 61.3%，所以有 38.7% 的答案是错的。
反向图片搜索主要能告诉你什么？
查看答案
A. 这张图还在别处出现过吗，它是从哪里来的 维基百科说，它能找到图片的来源、其他版本和出现这张图的页面。
对一张疯传的照片做反向图片搜索，什么结果也没有。这说明什么？
查看答案
C. 只说明搜索引擎没有找到匹配 空结果只表示没有匹配，一张全新的真照片和一张全新的 AI 图得到的结果一样。
某个在线检测器说一张图有 97% 的可能是 AI 做的。这个数字最好怎么用？
查看答案
D. 把它当作一条线索，和图片的出处、更早的副本放在一起看 Deepfake-Eval-2024 基准测试发现，它评估的商用检测器没有一个的准确率达到 90%，所以单凭一个分数定不了任何事。
常见问题
看几秒钟，就能认出一张 AI 图片吗？
很少。2023 年的志愿者没有时间限制，在某些类型的图片上正确率仍接近抛硬币。这几秒钟不如拿去找图片出自哪个帖子、最早的副本在哪里，因为搜索能查清这些，扫一眼不能。
反向图片搜索能显示一张图是不是 AI 做的吗？
不能。按维基百科的说法，它找的是相符或被修改过的副本，以及出现这张图的页面，所以它告诉你图片去过哪里，而不是它是怎么做出来的。在几年前就找到同一张图，才是揭穿被挪用照片的办法。
AI 图片检测器准确吗？
不够准，不能单独依赖。在 Deepfake-Eval-2024 收集的这批假货上，作者微调出的最好图片模型准确率是 63%，他们评估的商用检测器没有一个达到 90%。
AI 图片现在还会多出手指吗？
有时会，但别指望它。手是 2023 年那项 Midjourney V5 图片研究里志愿者说出的破绽之一，而我们没有找到更新的测量。手画得正常，不能证明是真照片。
照片是真的，但被 AI 修改过，怎么办？
那就是一部分真、一部分假，这五个检查可能漏掉它。如果反向图片搜索能找到原图，你就能把两张放在一起对比，看看改了哪里。
资料来源
- Hugging Face Papers: human and model perception of AI-generated images (Fake2M and HPBench), paper 2304.13023 https://huggingface.co/papers/2304.13023
- Hugging Face Papers: Deepfake-Eval-2024, a multi-modal in-the-wild benchmark of deepfakes circulated in 2024 https://huggingface.co/papers/2503.02857
- Wikipedia: Reverse image search https://en.wikipedia.org/wiki/Reverse_image_search
- YouTube: New Scientist, How to spot deepfakes and AI-generated images https://www.youtube.com/watch?v=7akzhpx0EIU