用AI工具自動抓出網紅惡意散布的假圖片，推薦預警系統與技術
作者：陳亦凡（數位信任實驗室資深研究員、前事實查核組織技術顧問）
你有沒有過這種經歷？晚上滑手機，看到一位追蹤數十萬的網紅發了一張聳動圖片：「某政治人物私下與黑道大哥見面」、「知名食品廠使用發霉原料」，照片看起來毫無破綻，留言區已經燒成一片。你立刻轉發給朋友，還補上一句「太扯了！」。三天後，新聞報導這是惡意合成的假圖，但傷害已經造成，那張圖片早就在數十個群組流傳。
這就是當代資訊戰最可怕的地方：一個有影響力的人，只要一張幾可亂真的假圖片，就能在幾小時內摧毀一個人、一個品牌，甚至動搖社會信任。 而傳統的事實查核，根本追不上網紅發文的速度。
那我們有沒有可能，在假圖片爆發的第一時間，就用 AI 自動攔截、發出警報，甚至溯源找出誰在惡意散布？答案是肯定的。不只可能，這些技術與系統已經在部分國防、媒體與平台內部實際運作。接下來我就要把整套「AI 假圖片預警系統」的技術、工具、架構與落地方法，一次說清楚。
一、那張假圖片是怎麼「養」出來的？
要偵測假圖片，必須先理解它怎麼被製造、怎麼被惡意使用。網紅惡意散布的假圖片，早已不是粗糙的小畫家剪貼，而是高度特化的產物。
1. 假圖片的四種常見形態
- 移花接木（Cheapfake）
把真實照片裡的人物、物件置換到另一個場景。例如把 A 候選人放進一場從未出席的飯局。技術門檻低，但配上聳動文字，殺傷力極大。這類圖片通常有光影不一致、邊緣鋸齒的痕跡。 - 語境錯置（Out-of-context image）
圖片本身完全真實，但被配上假的時間、地點或事件說明。例如把三年前的災難現場照片，說成是「剛剛發生」。純用圖像技術很難偵測，需要結合文字與時間軸分析。 - 深度偽造（Deepfake）
利用生成對抗網路（GAN）或自動編碼器，將人臉替換、表情操控，甚至憑空生成不存在的人物照片。2023 年後，Stable Diffusion、Midjourney 等擴散模型讓生成式假照片品質躍升，手指細節、背景融合度大幅改善，肉眼幾乎無法分辨。 - 生成式造假（AI-generated fake）
完全由 AI 產生的圖片，例如「某政治人物被逮捕」的畫面。因為沒經過任何真實拍攝過程，傳統的 EXIF 分析或光源比對會失效，必須仰賴生成模型的「指紋」來辨識。
2. 網紅「惡意散布」的運作腳本
我在協助調查單位分析案件時，觀察到惡意散布很少是偶然。它通常有一套 SOP：
- 素材製造：金主委託或自行用 AI 產生假圖，或從境外內容農場取得。
- 網紅包裝：由具備某種光環的網紅（生活類、政治評論類、陰謀論頻道）發文，配上情緒強烈的文案，但不直接說「這是事實」，而是用疑問句「聽說這是真的？」來規避責任。
- 群組擴散：粉絲將圖片截圖後，丟進 LINE 群組、Facebook 社團，形成資訊屏蔽效應——群組內的人不斷看到同一張圖，就會信以為真。
- 媒體跟風：部分媒體為了流量，用「網傳：…」的形式轉載，變相幫假圖片背書。
- 刪文滅證：當查核單位介入，網紅迅速刪文，截圖卻永遠留在無數手機裡。
這種模式下，時間是最大的敵人。假圖片在發布後 2 到 6 小時內會達到傳播高峰，而傳統人工查核平均需要 8 到 24 小時才能發布闢謠。等到闢謠出來，受眾早已形成第一印象，甚至認為「官方又在掩蓋真相」。這正是我們為什麼需要一套「分鐘級」的 AI 預警系統。
二、AI 如何自動抓出假圖片？核心技術全覽
這裡我把目前最有效的偵測技術分成五大類，每一類都有它的強項與盲點，真正落地時必須多管齊下。
1. 圖像鑑識分析：不放過任何像素破綻
這是最傳統但也持續演進的技術，不依賴大量訓練資料，直接分析圖像的物理特性。
➤ 錯誤等級分析（Error Level Analysis, ELA）
原理是將圖片重新儲存成 JPEG，比對原始圖片與重新壓縮圖片的差異。如果某個區域的壓縮錯誤率明顯高於其他區域，代表該處可能經過多次修改，是後天合成上去的。許多入門級移花接木用 ELA 就能看出輪廓。
➤ 光源與色溫一致性
計算圖片中各物體表面的光照方向、色溫，檢驗是否一致。例如人物臉上光從左來，背景樹影卻從右來，就有合成嫌疑。這類分析已可透過開源庫（如 Sun 等團隊的照明估算模型）自動化。
➤ 噪點分佈分析
不同相機感光元件會產生獨特的噪點模式（PRNU, Photo Response Non-Uniformity）。若圖片中某區域的噪點特徵與其他區域不同，代表該區域來自其他相機或生成來源。可用來揪出「把別人照片的臉貼到自己身體上」這類偽造。
➤ 元數據（Metadata）與縮圖一致性
許多社群平台會剝離 EXIF，但部分 App 轉傳時仍會殘留。可檢查拍攝時間、GPS、裝置型號是否自相矛盾。另外，JPEG 內嵌的縮圖有時會露出修改前的原始畫面，這是實戰中相當好用的線索。
2. 深度學習偽造檢測：讓 AI 對抗 AI
面對 Deepfake 和生成式 AI 圖片，必須動用同樣以神經網路為基礎的偵測模型。
➤ 臉部置換檢測模型
經典模型如 MesoNet（專為 Deepfake 設計的輕量級 CNN），以及基於 Xception、EfficientNet 的檢測架構。它們會捕捉臉部邊界融合處的微小瑕疵、不自然的眨眼頻率、血流量變化（光電容積描記訊號）等。Meta 在 2024 年公開的 Deepfake 檢測挑戰賽中，頂尖模型在特定資料集準確率可達 95% 以上，但跨資料集泛化仍是一大難題。
➤ 生成對抗網路痕跡偵測
GAN 生成的圖片會在像素域留下獨特的「指紋」，類似於數位浮水印。研究團隊（如 DARPA 的 MediFor 計畫）訓練分類器直接判斷圖片是否由特定 GAN 架構（如 StyleGAN）生成。近年擴散模型（Diffusion Model）的偵測則更複雜，因為生成過程每一步都加入隨機噪點，指紋較弱，目前學界正往頻域分析（如 DCT 係數分佈）方向突破。
➤ 開源模型資源
- DeepFake Detection Challenge (DFDC) 資料集與基準模型：由 Meta 釋出，內含超過 10 萬段真假影片，可用於遷移學習。
- Sensity AI 的偵測 API：商業化服務，提供即時圖像／影片 Deepfake 偵測，許多企業資安團隊採用。
- Reality Defender：獲得多國政府合約，專門針對政治人物、公眾人物的深偽攻擊做即時掃描。
- WeVerify / InVID 外掛：歐洲事實查核組織開發的瀏覽器外掛，內建多種鑑識模組（含 ELA、元數據、關鍵影格分析），記者可直接使用。
3. 反向圖片搜尋與來源追蹤
這招看似基本，但搭配自動化腳本可大幅提升效率。當網紅發布一張圖片，系統立刻將圖片丟進 Google、Yandex、TinEye、Bing 反向搜尋，同時抓取百度、Pinterest 等平台。若能找到更早出現的版本，而且是在不相關的語境下，就能標記為「語境錯置」風險。若最早來源是知名迷因網站或內容農場，則加強警示。
4. 多模態分析：圖文不對的陷阱
文字說「這是剛剛發生的高雄氣爆」，圖片卻是一張 2014 年高雄氣爆的歷史照片。這不是圖像偽造，而是圖文配對的欺騙。多模態 AI（如 CLIP、BLIP-2）能計算圖片與文字的語義相似度。若圖片內容與宣稱內容相似度過低，系統自動觸發警報，並附上該圖片被偵測到的最早發布時間與出處。
5. 數位來源驗證：C2PA 內容憑證
這不是偽造偵測，而是事前預防。C2PA（Coalition for Content Provenance and Authenticity）標準讓拍攝裝置在生成照片時就嵌入可驗證的來源資訊（時間、地點、裝置、編輯歷程）。Adobe、Sony、Intel、Microsoft 都已加入。未來如果平台要求上傳圖片需帶有 C2PA 憑證，無憑證的圖片將自動被標示「來源不明」。這是對抗生成式 AI 假圖的長遠解方。
實戰技巧：上述技術很少單獨使用。專業預警系統的決策邏輯是「積分制」——圖片在 ELA、光照、噪點、模型判別、反向搜尋、圖文不一致等多個維度都有異常，風險分數直接拉到 90 分以上，觸發即時警報。
三、從零到一：假圖片預警系統的完整架構
講完技術元件，接下來要把它們串成一套能自動化運轉的系統。下圖是我們實驗室協助媒體建置的架構藍圖（此處以文字描述）：
text
[社群監聽層] → [訊息佇列] → [AI 分析引擎] → [風險評分與規則層] → [警報與通報層] → [儀表板]
↑ ↑ ↑
FB/IG/YT/TikTok 圖片快取DB 外部查核API/反向搜尋
3.1 資料收集層：社群平台的耳朵
首先要大規模監聽特定網紅的公開貼文。方法分為：
- 官方 API 串接：Facebook Graph API、Instagram Basic Display API（限制較多）、YouTube Data API、TikTok Research API（需申請）。可即時獲取公開粉專的最新圖文。
- RSS 與爬蟲：部分新聞聚合平台、論壇（如 PTT、Dcard）提供 RSS，或需編寫合規爬蟲。
- 群眾協力：開發瀏覽器擴充套件，讓可信賴的志工能在看到疑似假圖片時一鍵回報，系統立即擷取截圖與原文連結。
由於社群 API 多有頻率限制，實務上會先以網紅名單為基礎，建立監測清單，只監聽粉絲數超過 5 萬且過去有散布爭議紀錄的帳號，以控制流量與成本。
3.2 訊息佇列與圖片快取
所有捕獲的貼文（含圖片 URL、文字、時間戳、作者 ID）會送進 Apache Kafka 或 AWS Kinesis 這類串流平台，確保尖峰流量不丟失。圖片則下載儲存至 S3 相容物件儲存，並產生 SHA-256 哈希值，用於去重——同一張圖即便被 20 個粉專轉發，我們只分析一次，後續直接引用風險標記。
3.3 AI 分析引擎：核心大腦
這裡使用微服務架構，每種偵測技術封裝成獨立容器。
- 鑑識分析服務：內建 ELA、噪點、元數據抽取模組。使用 Python 搭配 Pillow、OpenCV、exiftool。
- Deepfake 檢測服務：部署 ONNX 格式的 Xception 模型，使用 Triton Inference Server 提供 GPU 加速推論。針對影片會抽幀分析，統計異常幀比例。
- 生成式 AI 指紋服務：跑 SynthID（Google 的生成圖片浮水印檢測）或自研分類器。
- 反向搜尋服務：透過 SERP API（如 SerpApi）自動化提交圖片，解析回傳的相似圖片列表與來源時間。
- 多模態語義服務：將圖片與貼文文字餵入多模態模型，計算圖文相關性分數，並擷取關鍵實體（人名、地名、事件）。
每個服務的分析結果會寫回訊息佇列，最終由風險評分引擎彙整。
3.4 風險評分與警報規則
我們設計了一套動態評分機制，範例規則如下：
| 偵測維度 | 發現異常 | 加分權重 | 備註 |
|---|---|---|---|
| ELA 異常區域 > 15% | +25 | 高 | |
| 光源方向不一致 | +20 | 中 | |
| Deepfake 模型信心 > 0.85 | +35 | 極高 | 僅針對人臉區域 |
| 反向搜尋找到更早版本，且出處為內容農場 | +20 | 高 | |
| 圖文語義相似度 < 0.3（CLIP 分數） | +15 | 中 | |
| 發布者過去 30 天有 2 次以上假訊息標記 | +15 | 依可信度動態調整 | |
| 元數據顯示拍攝時間與發布時間差距 > 3 年 | +10 | 低，因元數據易偽造 |
總分達 60 分以上：系統發送黃色警報（疑似有問題，需人工複核）。
總分達 80 分以上：觸發紅色警報，自動通知查核團隊、並在儀表板高亮該貼文，同時可選擇自動發布反制推文（預警性質，非直接斷言造假，以免法律風險）。
3.5 通報與行動層
當紅色警報觸發，系統自動：
- 將圖片、原文、分析摘要推送至 Telegram / Slack 專屬頻道。
- 呼叫外部事實查核組織的 API（如台灣事實查核中心內部通報管道），建立案件單。
- 若與平台有合作（如 Facebook 第三方查證夥伴），可透過 API 將該內容標記為「待審查」，降低其演算法推薦權重。
- 生成「預警卡」：一張自動產出的資訊圖，包含「圖片最早出現於 2021 年，並非近期事件」等重點，供社群小編快速製作澄清圖文。
3.6 可視化儀表板
使用 Grafana 或自訂 Web 後台，呈現即時數據：
- 當前監測網紅人數、今日掃描圖片量。
- 高風險貼文列表，點擊可展開各項分析細節（鑑識影像疊加層、分數趨勢）。
- 傳播鏈圖：該圖片被哪些粉專、群組轉發，以時間軸呈現。
- 預警準確率回報：查核員審核後的結果回寫系統，供模型在線學習調權重（需注意標籤雜訊）。
四、現成工具箱：開源與商用方案大評比
不是每個團隊都有能力從頭訓練模型。以下為我實際測試或評估過的資源，分為「免費開源」、「可自建整合」、「商業 API」三類。
開源專案與模型
| 工具/模型 | 用途 | 優點 | 限制 |
|---|---|---|---|
| Forensically (FotoForensics) | 網頁版 ELA、噪點、克隆檢測 | 免安裝，適合初階快速檢查 | 無法批次，自動化需自建 |
| MesoNet / Xception 檢測模型 | Deepfake 臉部偵測 | 輕量，可部署於邊緣裝置 | 需微調以因應最新生成模型 |
| WeVerify 外掛 | 瀏覽器內建多種鑑識工具 | 新聞室愛用，整合反向搜尋 | 單機操作，無法監聽大量貼文 |
| DeepFake-o-meter | 線上多模型綜合檢測平台 | 學術機構維護，可比較不同演算法 | 研究用途，無 SLA 保證 |
| Sherloq | 開源圖像鑑識桌面軟體 | 模組化，支援 ELA、DCT、字串分析 | 需自行編譯與整合 |
| Fawkes | 保護個人照片免於被 Deepfake 訓練 | 對抗性擾動工具（非偵測） | 可作為被動防護 |
商用 API 與平台
| 服務名稱 | 提供功能 | 計價方式 | 適合對象 |
|---|---|---|---|
| Sensity AI | Deepfake 圖片/影片即時偵測、威脅情資 | 年約授權，價格不菲 | 政府、大型企業資安 |
| Reality Defender | 深偽偵測、生成式 AI 圖片偵測 | 依使用量計費 | 選舉機構、媒體平台 |
| Microsoft Video Authenticator | 影片深偽分析，提供信心分數 | 可整合 Azure 服務 | 有 Azure 基礎的開發團隊 |
| Hive Moderation | 影像、文字多模態內容審查，含 AI 生成偵測 | 依 API 呼叫量 | 社群平台、品牌安全團隊 |
| Truepic | 基於 C2PA 的真實影像拍攝與驗證 SDK | 授權制 | App 開發者、新聞媒體 |
*實務上，我常推薦中小型媒體採用「自建開源核心 + 選配一項商用 API」的混合策略。例如用 WeVerify 的程式庫處理傳統鑑識，再對人臉區域呼叫 Reality Defender API，一年成本能控制在 30 萬元台幣以內（不含人事）。*
五、自己動手：打造一個簡易版 Telegram 預警機器人
如果要快速驗證概念，以下是 200 行程式碼就能實現的雛形。我們使用 Python，並假定要監聽特定網紅的公開 Telegram 頻道（技術上最方便，無需破解 API）。
環境：Python 3.10+、Docker（選用）
關鍵套件：telethon（Telegram 客戶端）、Pillow、opencv-python、requests、elasticsearch（可選）
步驟 1：擷取目標頻道圖片
python
from telethon import TelegramClient, events
api_id = '你的API_ID'
api_hash = '你的API_HASH'
client = TelegramClient('session', api_id, api_hash)
target_channels = ['rumor_channel_1', 'political_ influencer']
@client.on(events.NewMessage(chats=target_channels))
async def handler(event):
if event.photo:
# 下載圖片
path = await event.download_media(file='images/')
# 送入分析隊列
analyze_image(path, event.message.text, event.chat.username)
client.start()
client.run_until_disconnected()
步驟 2：實作簡易 ELA 分析
python
from PIL import Image, ImageChops, ImageFilter
import io
def ela(image_path, quality=90):
original = Image.open(image_path).convert('RGB')
# 重新儲存以產生壓縮版本
buffer = io.BytesIO()
original.save(buffer, 'JPEG', quality=quality)
buffer.seek(0)
compressed = Image.open(buffer)
diff = ImageChops.difference(original, compressed)
extrema = diff.getextrema()
max_diff = max([ex[1] for ex in extrema])
scale = 255.0 / max_diff if max_diff != 0 else 1
ela_image = ImageEnhance.Brightness(diff).enhance(scale)
return ela_image, max_diff
若 max_diff 高於閾值，且集中在特定區塊（需額外邊界偵測），則發出警報。
步驟 3：呼叫 Deepfake 偵測 API
python
def check_deepfake(image_path):
url = "https://api.realitydefender.com/v1/detect"
headers = {"Authorization": "Bearer YOUR_KEY"}
files = {"image": open(image_path, 'rb')}
resp = requests.post(url, headers=headers, files=files).json()
return resp['score'] # 0 到 1 的偽造機率
步驟 4：透過 Telegram Bot 發送警報
python
from telebot import TeleBot
bot = TeleBot("YOUR_BOT_TOKEN")
def send_alert(channel, text, ela_score, deepfake_score):
msg = f"⚠️ 高風險圖片警報\n頻道: {channel}\nELA異常: {ela_score}\nDeepfake機率: {deepfake_score}\n原文: {text[:200]}"
bot.send_message("ADMIN_CHAT_ID", msg)
將以上組件整合，便能在幾分鐘內收到網紅張貼可疑圖片的通知。雖非工業級，但已足以在選舉期間保護自家社群或客戶名譽。
六、踩過的坑：系統限制與倫理紅線
AI 預警系統不是銀彈，過度信賴會惹出大麻煩。以下幾個教訓是實戰中血淚換來的。
1. 偏誤與誤報
2022 年，某國際選舉監測團隊曾大量使用 Deepfake 偵測器，結果將多位膚色較深的候選人真實照片誤判為偽造，引發種族歧視爭議。訓練資料集若缺乏多元人種、光線條件，模型會產生系統性偏誤。任何自動化標記都必須標明「機器判定，待人工確認」，絕不能直接作為定罪證據。
2. 對抗性攻擊與偵測躲避
惡意攻擊者只需對假圖片加一層肉眼看不見的雜訊，就能讓分類器完全失效，這就是「對抗性樣本」。新一代造假者甚至會在生成圖片時，故意導入對抗性擾動，規避主流偵測模型。防禦對策是使用「模型集成」與「輸入變換」（如輕微裁切、壓縮後再分析），但攻防永遠在動態升級。
3. 隱私與監控的界線
監聽網紅公開貼文看似合法，但若系統同時截取留言區中一般網友的發言、頭像進行分析，就可能踩到個資保護的紅線（如 GDPR、台灣個資法）。系統設計務必只蒐集「公開且具新聞價值之公眾人物貼文」，避免無差別掃描。
4. 言論自由與「預警」的爭議
當系統標記某篇貼文為「高風險」，即使尚未確認是假訊息，也可能遭平台降觸及。這是否構成變相審查？歐盟《數位服務法》（DSA）鼓勵平台在危機時期採取「即時風險緩解措施」，但同時要求透明度。我們的作法是：所有風險標記都附上公開的技術說明連結，並保留申訴管道，絕不黑箱。
常見問答（FAQ）
Q1：AI 偵測假圖片的準確率到底有多高？
目前頂尖團隊在特定測試集的準確率可達 90% 以上，但在開放網路的真實場景中，綜合準確率約落在 75% 到 85%。因為造假手法日新月異，且社群圖片經多次壓縮、截圖，痕跡被抹除。所以預警系統「只能輔助人類，無法取代人類」。
Q2：LINE 群組傳的圖片也能監控嗎？
LINE 屬於私密通訊，除非你是群組成員並使用合規的 chatbot 帳號（如 LINE Official API 只能收發該帳號收到的訊息），否則監控群組對話極可能觸犯妨害秘密罪。目前合法範圍限於公開粉絲頁、公開社團、Telegram 頻道、公開推文等。
Q3：如果網紅刪文了，系統還能抓到嗎？
我們的系統會在下載圖片的當下立即存檔並哈希上鏈（或儲存於 WORM 裝置），並記錄所有 metadata 與時間戳。刪文不影響已入庫的證據，必要時可提供司法單位作為數位鑑識材料。
Q4：有沒有免費的工具可以馬上使用？
有，記者或個人可以先從瀏覽器外掛 InVID-WeVerify 開始，它內建關鍵影格分析、放大鏡、反向圖片搜尋、元數據分析，完全免費。如果想要自動化批次處理，可研究 Sherloq 的開源程式庫，並用 Python 編寫腳本。
Q5：這套系統能檢測 AI 生成的短影音嗎？
可以，但技術更複雜。影片需先拆解為影格，逐幀分析人臉區域，同時提取音軌比對語音特徵（如 Deepfake 語音往往缺乏自然呼吸聲或唇形同步誤差）。目前 Microsoft Video Authenticator 和 Sensity AI 都有即時影片分析 API。成本約為圖片的 5 到 10 倍。
Q6：如何避免被指控「誹謗」或「干預言論自由」？
系統產生的是「風險警報」而非「造假確認」。在警報文字上必須聲明「此為自動化系統初步判定，尚待人工查核，僅供參考，不代表最終事實」。同時提供查核進度頁面，讓被標記者也可申訴。
Q7：我們公司想保護品牌不被網紅假圖攻擊，該如何起步？
先建立「品牌關鍵詞監聽」，鎖定與公司名稱、產品、高層長相相關的社群內容。採購商用 AI 圖片分析 API 搭配自訂關鍵字觸發。當系統偵測到圖片中的品牌 Logo 或高層頭像，自動進行真偽掃描。初期可委由資安監控業者（如 Cyble、ZeroFox）代管，成本約每月台幣 5 萬到 15 萬。
Q8：C2PA 標準普及後，是不是就不需要偵測系統了？
C2PA 能解決「來源可信」問題，但無法阻止翻拍螢幕後重製、或直接對圖片進行局部修改再發布。此外，並非所有拍攝裝置都支援 C2PA，轉傳過程中可能丟失憑證。因此偵測系統仍需要作為「雙重防線」，驗證憑證完整性並分析無憑證內容的風險。
Q9：有沒有可能將這套系統用在選舉維安？
台灣在 2024 年大選期間，事實查核機構與民間團隊就已使用類似的 AI 輔助監測流程。重點在於建立「候選人形象資產庫」（頭像、身體特徵向量），當候選人出現在不尋常情境的圖片中，系統能快速召回比對，並分析生成機率。
Q10：AI 偵測工具會不會被駭客利用來研究如何繞過？
會。因此，高敏感單位使用的偵測模型不會公開其內部權重，而是部署在隔離的內部伺服器，並經常替換模型架構。部分系統更採用「欺敵技術」：故意釋出易被對抗的弱偵測器，觀察攻擊者行為，再將真正強韌的模型用於防禦。
未來：一場永無止境的軍備競賽
當生成式 AI 能在 3 秒內產生一張完美的假護照照片，而偵測模型需要 5 秒才能判定，這代表我們永遠處於被動。接下來的戰場會從「事後偵測」轉向「源頭認證」與「傳播鏈分析」。
- 源頭認證：C2PA 2.0 將整合硬體安全模組（HSM），讓每張影像一出生就帶有不可竄改的出生證明。
- 傳播鏈分析：利用圖形資料庫與社交網路分析，即時找出假圖片擴散的關鍵節點（超級傳播者），平台可直接對該節點實施降速傳播，而不必刪文引發爭議。
- 公眾防禦力升級：將偵測技術簡化成手機 App，讓普羅大眾在收到可疑圖片時，可一鍵掃描，自己就成為預警系統的最末梢感測器。
我很清楚，技術永遠無法完美。但在假圖片海嘯中，能多爭取一小時的預警時間、多攔截一個群組的傳播，就可能挽救一條被誣陷的名譽、一場被操弄的選舉、一家被謠言淹沒的小店。這不只是工程師的程式碼，而是這個時代的數位防災系統。立即刪除 AI 造假圖片
作者簡介
陳亦凡，國立台灣大學資訊工程碩士，曾任職於國際事實查核聯盟（IFCN）認證組織，擔任技術顧問五年，協助導入 AI 輔助查核流程，參與多起跨國假訊息防制專案。目前為「數位信任實驗室」資深研究員，專注於深度偽造檢測、開源情報（OSINT）與預警系統開發。業餘時間在社群分享數位素養知識，堅信透明與科技可以並行。