人類來源預設的崩解：合成媒體滲透、感知證據降級與後真實介面的形成

——從數字人、合成語音到日常媒體環境的靜默相變

作者：Neo.K（EveMissLab）
版本：Public v1.0
日期：2026 年 7 月 29 日

AI 協作揭露：本文的核心問題、理論方向、概念命名與主要判斷由作者提出，並使用生成式 AI 協助重新檢索公開資料、整理研究結果、建立形式模型、撰寫初稿與進行結構校對。本文不主張所有人已無法辨識所有 AI 影音，也不將合成內容直接等同於欺騙。文中判斷、來源選擇、版本發布與公開責任由人類作者承擔。

摘要

生成式人工智慧對媒體環境的影響，經常被想像成一場可被明確辨認的巨大衝擊：高度逼真的政治深偽、完全取代真人的虛擬明星，或某個全民突然意識到「眼見不再為憑」的歷史時刻。然而，合成媒體的實際擴散更可能以安靜、日常且低戲劇性的形式發生。數字人主持商品介紹，合成語音朗讀科普內容，自動生成的角色講解健康知識，無真人拍攝的短影音大量進入平台推薦系統。每一項內容單獨看來都不足以構成重大事件，但它們共同改變了人類日常接觸的媒體來源結構。

本文將人類長期使用的一項隱含認知規則稱為「人類來源預設」：當影像呈現自然的人臉、身體、聲音與互動時，觀看者通常預設其背後存在一個真實人類，而不會主動進行來源驗證。隨合成媒體品質提高，這項由外觀推論來源的規則開始失效。人類可能把 AI 生成的人物當作真人，也可能因為知道深偽存在，而把真實影音誤判為 AI。由此形成的不是單向欺騙，而是「雙向真實性錯誤」與整體媒體信任的重新分配。

本文提出來源認知滯後、感知證據降級、靜默滲透、表象—來源解耦及後真實介面等概念，並區分人物存在、事件發生、語句來源與命題正確性。本文主張，AI 生成不等於欺騙；真正的治理問題在於是否冒充、是否揭露、內容是否正確、來源是否可追溯及發布者是否可問責。未來的信任機制也不能只依賴肉眼辨識或單一偵測器，而必須由可見揭露、機器可讀來源紀錄、平台脈絡、交叉證據與責任制度共同構成。

本文最後指出，所謂「後真實介面」並非真實完全消失，而是媒體表象不再能單獨透露其生成來源。AI 衝擊最早發生之處，可能不是人類公開承認自己正在與 AI 互動，而是大量人類已在不知情的情況下，把非人類生成的表象當作普通的人類現實。

關鍵詞： 合成媒體、數字人、深偽、AI 語音、人類來源預設、感知證據、來源溯源、後真實介面、媒體信任

一、問題提出：AI 衝擊為何看起來沒有發生？

人工智慧的社會衝擊經常被描述為一個未來事件。人們期待看到：

一名無法分辨真假的虛擬政治人物；
一場大規模深偽選舉攻擊；
一位完全由 AI 營運的世界級明星；
一次讓所有人同時意識到媒體證據失效的危機；
或一個明確宣告「合成媒體時代已經開始」的日期。

但技術滲透通常不以這種方式發生。

合成影音可能先出現在：

短影音科普；
商品介紹；
遊戲及娛樂角色；
多語言配音；
虛擬客服；
教學旁白；
低成本新聞摘要；
自動化社群帳號；
大量風格一致的故事或知識頻道。

英國資訊專員辦公室在 2025 年的技術展望中，已將合成影像、影音與語音視為娛樂、廣告及個人化內容中的現實應用，而非單純的未來風險。[1]

因此，真正的轉變不是：

\text{AI 媒體不存在} \rightarrow \text{AI 媒體突然全面存在}

而更接近：

S(t) = \sum_{i=1}^{n} s_i(t)

其中每一個 $s_i(t)$ 都只是一次局部、普通且不顯眼的合成內容使用。當累積量 $S(t)$ 超過某個社會閾值時，媒體環境已經改變，但多數人未必知道相變何時發生。

本文將此稱為：

合成媒體的靜默相變。

二、人類來源預設

在傳統媒體環境中，一段自然的人類影音通常來自：

真實的人類存在；
某個攝影或錄音裝置；
一段實際表演或談話；
後續剪輯與發布。

因此，人類形成了一項有效率的捷徑：

\text{具有人類表象} \Rightarrow \text{具有人類來源}

本文將其稱為「人類來源預設」。

設一段媒體內容為 $m$ 。使用者在缺乏警訊時，可能具有：

P(H\mid m)\approx1

其中 $H$ 表示「內容背後存在與表象對應的真人來源」。

這項預設在過去大多數日常場景中具有足夠高的成功率，因此人類沒有必要對每一段影音重新驗證來源。觀看者也通常不會主動問：

這個人是否存在？
這個聲音是否屬於畫面中的人？
這些表情是否由人類實際表演？
這段話是否真的被說過？
這個帳號是否由真人持續經營？

合成媒體改變的不是人類是否擁有辨識能力，而是使這項預設的統計基礎逐漸失效。

新的關係是：

\text{具有人類表象} \not\Rightarrow \text{具有人類來源}

當社會仍依賴舊推論時，就會產生來源認知滯後。

三、來源認知滯後

設某一媒體環境中，實際由 AI 全部或部分生成的內容比例為：

P_A(t)

而一般使用者主觀估計的 AI 內容比例為：

\widehat{P}_A(t)

則來源認知滯後可以表示為：

L_S(t) = P_A(t)-\widehat{P}_A(t)

當：

L_S(t)>0

使用者會系統性低估自己遇到合成內容的機率。

從貝葉斯角度看，使用者判斷內容是否為 AI 的後驗機率為：

P(AI\mid E) = \frac{ P(E\mid AI)P(AI) }{ P(E) }

其中 $E$ 是嘴型、表情、光線、語調、停頓、字幕與剪輯風格等線索。

即使某個線索偏向 AI，只要使用者的先驗值 $P(AI)$ 極低，他仍可能把異常解釋成：

影片壓縮；
美顏濾鏡；
不自然的真人演技；
特殊配音；
剪輯問題；
非母語者的口音；
主播個人風格。

因此，有些人把數字人當真人，未必是因為內容完全沒有缺陷，而是因為他們根本沒有啟動「來源可能不是人類」這項判斷。

四、人類辨識能力沒有單一答案

討論合成媒體時，容易出現兩種過度簡化：

人類已經完全無法辨識 AI。

或：

只要仔細看，仍然很容易發現。

現有研究顯示，兩者都過於絕對。

2026 年一項涵蓋 1,664 名參與者的 AI 人像辨識研究，使用 2025 年中期的生成模型，得到整體平均約 $85.2\%$ 的辨識率；但結果受到年齡、裝置、AI 接觸經驗與自信程度影響，在手機上和較高年齡群體中的表現較差，不同生成模型的難度也不同。[2]

另一項 2026 年的 PNAS 研究指出，AI 人臉已逼真到一般觀看者不能穩定可靠地辨別，但經過針對性訓練後，辨識表現可以明顯改善。[3]

這說明：

D_H = f( M,G,Q,C,T,U )

其中：

$M$ ：媒介類型；
$G$ ：生成模型；
$Q$ ：內容品質；
$C$ ：觀看情境；
$T$ ：辨識訓練；
$U$ ：使用者因素。

所以不能把某一個百分比推廣到所有數字人、影片與族群。

真正可以較穩健地成立的命題是：

人類不能只依賴表象品質，穩定地推斷所有合成媒體的來源。

五、語音中的真人感也已可以被合成

語音長期被視為具有高度人格性。音色、呼吸、停頓、猶豫、情緒與填充詞，都被人類當作真人存在的線索。

但語音模型正在複製這些線索。

2025 年的 PLOS ONE 研究發現，受測的語音複製在實驗條件下已能達到與真人聲音難以區分的程度，意味著合成聲音可能引發與真人聲音相近的社會感知效果。[4]

2026 年一項小型語音詐騙情境研究讓 22 名參與者判斷 16 段真人及 AI 語音，平均正確率為 $37.5\%$ 。其中多數 AI 片段被判定為真人，同時多數真人片段也曾被判定為 AI。研究規模很小，不能代表全部人口，但它展示了停頓、填充詞、節奏與情緒等傳統真人線索已可能被合成，且受試者即使判斷錯誤也常具有中高信心。[5]

更大規模的 2026 年預印本蒐集了 1,768 名參與者的 35,532 次判斷，發現與 2021 年基準相比，人們辨識假語音的正確率變化不大，但辨識真人語音的正確率下降。研究者將其解釋為懷疑方向的轉移：人們不只是會相信假聲音，也開始不相信真聲音。[6]

因此，語音問題已從：

\text{AI 能否模仿真人}

逐漸轉向：

\text{人類還能否把真人感當作來源證據}

六、雙向真實性錯誤

合成媒體的風險通常被描述成單向錯誤：

AI\rightarrow Human

也就是把 AI 內容當成人類內容。

但當社會知道 AI 可以製造逼真影音後，會產生反方向的錯誤：

Human\rightarrow AI

也就是把真實影音當作 AI。

令：

$E_{AH}$ ：AI 內容被判定為真人；
$E_{HA}$ ：真人內容被判定為 AI。

則總真實性錯誤為：

E_T = E_{AH}+E_{HA}

第一種錯誤有利於冒充、詐騙與虛構權威；第二種錯誤則讓真實證據更容易被否認。

這也說明，深偽造成的傷害不只是「讓假的看起來像真的」，而是：

破壞人類對真與假的兩側校準。

當 $E_{AH}$ 與 $E_{HA}$ 同時上升時，社會可能不再擁有一個穩定的感知型證據基準。

七、感知證據降級

照片、錄音與影片之所以具有特殊的證據力量，是因為它們被視為事件留下的物理痕跡。

傳統推論近似於：

\text{存在影音} \Rightarrow \text{存在對應事件}

但生成技術使影音可以在缺乏對應事件時被建立：

\text{存在影音} \not\Rightarrow \text{存在對應事件}

本文將這種變化稱為「感知證據降級」。

降級不是指所有影音都失去證據價值，而是指：

W_{\mathrm{media\ alone}}\downarrow

其中 $W_{\mathrm{media\ alone}}$ 是單一媒體工件獨立證明來源與事件的權重。

可信判斷需要加入：

W_T = W_M + W_P + W_C + W_A

其中：

$W_M$ ：媒體內容本身；
$W_P$ ：來源與編輯歷程；
$W_C$ ：其他證據與脈絡一致性；
$W_A$ ：發布者與責任主體。

這意味著未來的證據文化將逐漸從：

我看見了，所以發生過。

轉向：

我看見了，而且來源鏈、交叉證據及責任主體共同支持它曾發生。

八、人物存在、事件存在與命題正確必須分離

面對合成媒體，不能只問「這是真的還是假的」。

至少應拆成四個不同問題：

8.1 人物存在

R_P(m)

畫面中的人物是否存在於現實世界？

8.2 事件存在

R_E(m)

畫面所呈現的事件是否真的發生？

8.3 語句歸屬

R_S(m)

這段話是否真的由該人物說出？

8.4 命題正確

R_C(m)

內容所表達的知識或主張是否正確？

四者彼此不能直接推出：

R_P \not\Rightarrow R_E \not\Rightarrow R_S \not\Rightarrow R_C

例如：

不存在的數字人可以說出正確科普；
真實人物的影像可以被合成為其從未做過的行為；
真人可以在真實影片中說出錯誤內容；
AI 旁白可以準確朗讀經過審核的正式教材。

因此：

\text{Synthetic} \not\Rightarrow \text{False}

同樣：

\text{Human-made} \not\Rightarrow \text{True}

治理的真正焦點不應只是內容是否由 AI 生成，而應包括：

是否冒充；
是否清楚揭露；
是否具有知識錯誤；
是否侵犯人格與生物識別權益；
是否能追溯來源；
是否有責任主體。

九、合成媒體的靜默滲透

社會衝擊通常在出現明顯損害後才被命名。但合成媒體的主要滲透可能發生於低風險、低注意力和高頻率的內容中。

令每項合成內容造成的即時可見衝擊為：

I_i

若每一項都很小：

I_i<\epsilon

人們不會把它視為重大技術事件。

但整體結構變化取決於：

I_{\mathrm{total}} = \sum_{i=1}^{n} I_i

以及：

P_{\mathrm{exposure}} = 1-\prod_{i=1}^{n}(1-p_i)

其中 $p_i$ 是個人接觸第 $i$ 類合成內容的機率。

當內容類型與平台供給增加，即使每項接觸機率不高，個人至少接觸一種合成媒體的總機率仍會快速提高。

這就是「靜默滲透」：

每一次接觸都很普通，但整體媒體生態已不再以人類生產為預設。

十、後真實介面的形成

本文所稱的「後真實介面」，不是指客觀真實已經消失，也不是主張所有內容都不可相信。

它指的是：

媒體介面所呈現的外觀，已不足以告知使用者內容由何種主體、何種流程和何種事件產生。

設媒體表象為：

A(m)

實際生成來源為：

O(m)

傳統環境中，兩者具有較強關係：

A(m)\approx O(m)

在合成媒體環境中：

A(m)\perp O(m)

其中 $\perp$ 表示表象和來源可以大幅解耦。

相同的真人表象，可以來自：

真人拍攝；
真人加濾鏡；
臉部替換；
數字人驅動；
完整文生影片；
人類和 AI 的多層混合流程。

所以使用者面對的是一個「來源不可直接見」的介面。

後真實介面的核心不是虛假，而是來源不透明性。

十一、說謊者紅利與真實性否認

當公眾普遍知道深偽存在，真實事件的當事人也可能聲稱：

那是 AI 生成的。

這種利用媒體懷疑來否認真實證據的現象，通常被稱為「說謊者紅利」。

但現有研究對其強度並非完全一致。一些實驗顯示，單純宣稱影音是深偽未必足以讓所有人否認自己看到的內容；效果會受到政治認同、來源、既有態度及否認方式影響。因此，不能假設任何人只要說「這是 AI」就必然成功逃避責任。

更合理的表述是：

P(\text{否認成功}) = f( D,S,I,C,M )

其中：

$D$ ：否認敘事；
$S$ ：否認者與媒體來源；
$I$ ：受眾既有立場；
$C$ ：交叉證據；
$M$ ：媒體本身的可信程度。

即使單次否認不一定成功，合成媒體普及仍增加了否認真實證據的可用話語資源。長期風險不是每一次否認都有效，而是公共討論更容易從「事件是否發生」滑向無止境的來源爭議。

十二、人類與 AI 風格的相互收斂

合成媒體不只模仿人類；人類也會反過來適應平台與生成工具所偏好的形式。

可能形成以下循環：

\text{人類內容} \rightarrow \text{AI 學習} \rightarrow \text{平台大量分發} \rightarrow \text{人類模仿高效生成風格}

真人創作者可能逐漸採用：

規律語速；
平整語調；
高密度字幕；
制式化開場；
固定鏡位；
高頻剪輯；
可批次生產的腳本結構。

結果是：

D(\text{Human style},\text{AI style})\downarrow

當風格距離下降，「這看起來很像 AI」將更難作為來源判斷。

真人內容可能被誤認為 AI，AI 內容也可能因採用人類的不完美特徵而更具真人感。人與 AI 的媒體風格將形成相互適應，而非單向模仿。

十三、為何肉眼辨識不能成為主要治理制度？

教育人類辨識合成媒體仍有價值。PNAS 的訓練研究顯示，針對性回饋可以提高人臉辨識準確率。[3]

但肉眼辨識無法成為唯一制度，原因包括：

生成模型會持續更新；
可疑特徵可能很快被修正；
不同媒介使用不同線索；
壓縮、剪輯與低畫質會破壞偵測線索；
年齡、裝置及經驗造成顯著差異；
真人也可能具有被誤認為 AI 的風格；
高信心不代表判斷正確。

自動偵測器同樣不是完整答案。2025 年針對真實政治深偽的研究指出，許多在實驗資料上表現良好的偵測器，面對社群平台上的真實案例及簡單變形時，泛化能力仍有限。[7]

因此：

\text{Human Detection} + \text{Machine Detection} \neq \text{Complete Authenticity}

兩者都只能提供風險訊號，而不是單獨證明來源。

十四、來源溯源的價值與限制

C2PA 建立了一套開放技術標準，用於記錄數位內容的來源與編輯歷程。其方向是讓媒體攜帶可機讀的內容憑證，使使用者與平台能檢查內容由何種裝置或工具產生、是否被修改及由誰簽署。[8]

歐盟《人工智慧法》也要求生成合成影音的系統提供者，使輸出能以機器可讀方式被辨識；對構成深偽的影像、聲音與影片，部署者原則上應揭露內容經人工生成或操縱。[9]

這代表治理正在從：

\text{猜測像素是否異常}

轉向：

\text{檢查內容生產履歷}

但來源紀錄不等於真實。

\operatorname{Provenance}(m) \not\Rightarrow \operatorname{Truth}(m)

一段具有完整來源紀錄的真人影片仍可能說謊；一段沒有 C2PA 資料的影片也不必然是偽造。

2026 年一項對 C2PA 的獨立安全分析更認為，現行規格尚不足以單獨滿足部分高風險來源驗證目標，不宜在新聞、金融及法律證據場景中被視為充分保證。該研究肯定來源技術方向，但警告過早依賴可能製造錯誤安全感。[10]

所以，來源溯源是必要基礎設施之一，而不是最終真理機器。

十五、合成媒體信任堆疊

本文提出五層合成媒體信任堆疊：

\mathcal{T}_M = \langle D,P,C,A,L \rangle

其中：

$D$ ：Disclosure，可見揭露；
$P$ ：Provenance，來源與編輯歷程；
$C$ ：Context，平台與發布脈絡；
$A$ ：Accountability，責任主體；
$L$ ：Lateral evidence，橫向交叉證據。

15.1 可見揭露

普通使用者應能立即知道：

是否為完整生成；
是否使用數字人；
是否為聲音複製；
是否對真人進行臉部或語音替換。

15.2 機器可讀來源

內容憑證應保留：

生成工具；
模型或裝置；
時間；
編輯歷程；
簽署者。

15.3 平台脈絡

平台應顯示：

帳號性質；
發布者歷史；
是否大量自動生成；
是否涉及健康、金融、政治等高風險領域。

15.4 責任主體

即使畫面人物不存在，也必須存在一個可追責的發布者、機構或操作者。

15.5 交叉證據

高風險事件不能只依賴單一影片，而應尋找：

多角度影像；
原始發布；
現場紀錄；
裝置簽章；
可信機構確認；
可驗證的時間與位置證據。

十六、七項通用命題

命題一：人類來源預設崩解命題

人類表象不再能充分推出人類來源。

A_H(m) \not\Rightarrow O_H(m)

命題二：來源認知滯後命題

合成媒體在實際環境中的滲透速度，可能高於普通使用者更新來源先驗的速度。

P_A(t)>\widehat{P}_A(t)

命題三：感知證據降級命題

影像與聲音仍可構成證據，但不再能僅憑表象獨立證明來源與事件。

命題四：雙向真實性錯誤命題

合成媒體不只使 AI 內容被當成真人，也使真實內容更容易被懷疑為 AI。

E_T=E_{AH}+E_{HA}

命題五：生成—欺騙分離命題

合成來源不是虛假或欺騙的充分條件；冒充、錯誤、隱匿及不可問責才是主要風險變數。

命題六：後真實介面命題

當媒體表象與生成來源高度解耦時，使用者無法只從介面判斷背後存在何種主體與事件。

命題七：來源型信任遷移命題

可信度將逐漸由感官逼真度，遷移至揭露、來源、脈絡、責任與交叉證據的組合。

十七、結論

合成媒體時代未必會以一場明確的大事件開始。

它可能已經透過數字人、合成語音、AI 科普、虛擬主播、廣告角色與自動化短影音，安靜地進入日常生活。部分人仍能辨認某些數字人，部分人已經無法分辨特定影像或語音；更關鍵的是，許多人根本沒有意識到自己需要進行來源判斷。

因此，真正開始崩解的不是人類所有辨識能力，而是這項舊規則：

\text{像人} \Rightarrow \text{是人}

在新的媒體環境中，更合理的規則是：

\text{像人} \Rightarrow \text{可能來自真人、AI 或混合流程}

這項改變會使照片、錄音與影片的證據地位下降，但不會讓真實本身消失。未來的社會必須以更複雜的方式建立信任：不只觀看表象，也檢查來源；不只詢問內容由誰說，也判斷所說內容是否正確；不只標記 AI，也確保有人能為內容負責。

這個時代真正諷刺的地方，不只是 AI 終於能模仿人類，而是：

人類仍然把「具有人的樣子」當作「背後一定存在真人」的證明。

當合成媒體已經進入日常資訊環境，而社會認知仍停留在舊媒體時代，AI 衝擊便會呈現一種奇特狀態：

技術相變已經發生，文化相變尚未被普遍承認。

所以，AI 衝擊最先發生之處，不一定是人類公開承認自己正在與 AI 互動，而是大量人類在不知情的情況下，已經開始把 AI 生成的表象當作普通的人類現實。

參考文獻

Information Commissioner’s Office. Tech Horizons Report 2025: Synthetic Media and Its Identification and Detection. 2025.
Kim, S., & Kim, S. Human Factors in Detecting AI-Generated Portraits: Age, Sex, Device, and Confidence. arXiv:2603.24048, 2026.
Dawel, A., George, T., Mah, E. Y., et al. “Training Humans to Detect AI-Generated Faces.” Proceedings of the National Academy of Sciences, 2026. DOI: 10.1073/pnas.2602122123.
Barrington, L., Cooper, E., & Farid, H. “Voice Clones Sound Realistic but Not (Yet) Hyperrealistic.” PLOS ONE, 20(9), e0332692, 2025.
Bhatti, Z. H., et al. Can You Tell It’s AI? Human Perception of Synthetic Voices in Vishing Scenarios. arXiv:2602.20061, 2026.
Müller, N. M., & Choong, W. H. Eroding Trust in Real Speech: A Large-Scale Study of Human Audio Deepfake Perception. arXiv:2605.26136, 2026.
Lin, G., Lin, L., Walker, C. P., Schiff, D. S., & Hu, S. Fit for Purpose? Deepfake Detection in the Real World. arXiv:2510.16556, 2025.
Coalition for Content Provenance and Authenticity. C2PA Technical Specification, Version 2.4.
European Union. Regulation (EU) 2024/1689: Artificial Intelligence Act, Article 50.
Golaszewski, E., et al. Verifying Provenance of Digital Media: Why the C2PA Specifications Fall Short. arXiv:2604.24890, 2026.
Köbis, N., Doležalová, B., & Soraperra, I. “Fooled Twice: People Cannot Detect Deepfakes but Think They Can.” iScience, 2021.
Hancock, J. T., & Bailenson, J. N. “The Social Impact of Deepfakes.” Cyberpsychology, Behavior, and Social Networking, 2021.

建議引用格式

Neo.K（2026）。〈人類來源預設的崩解：合成媒體滲透、感知證據降級與後真實介面的形成——從數字人、合成語音到日常媒體環境的靜默相變〉。EveMissLab，Public v1.0。

人類來源預設的崩解_合成媒體滲透感知證據降級與後真實介面_公開版