本發(fā)明涉及人工智能，特別是涉及一種生成式預(yù)測偽造的人工智能治理方法和機(jī)器人。

背景技術(shù)：

1、偽造的網(wǎng)絡(luò)內(nèi)容往往真假難辨。

2、在實(shí)現(xiàn)本發(fā)明過程中，發(fā)明人發(fā)現(xiàn)現(xiàn)有技術(shù)中至少存在如下問題：現(xiàn)有技術(shù)通過分類模型往往難以有效識別出偽造的網(wǎng)絡(luò)內(nèi)容。

3、因此，現(xiàn)有技術(shù)還有待于改進(jìn)和發(fā)展。

技術(shù)實(shí)現(xiàn)思路

1、基于此，有必要針對現(xiàn)有技術(shù)的缺陷或不足，提供生成式預(yù)測偽造的人工智能治理方法和機(jī)器人，通過生成模型學(xué)習(xí)真實(shí)內(nèi)容，進(jìn)而有效地鑒別偽造內(nèi)容。

2、第一方面，本發(fā)明實(shí)施例提供一種人工智能治理方法，所述方法包括：

3、待檢測對象深度學(xué)習(xí)模型訓(xùn)練步驟：初始化生成式深度學(xué)習(xí)模型或轉(zhuǎn)換器深度學(xué)習(xí)模型或gpt模型作為待檢測對象深度學(xué)習(xí)模型；在待檢測對象深度學(xué)習(xí)模型訓(xùn)練階段，獲取含有待檢測的對象的每一真實(shí)網(wǎng)絡(luò)內(nèi)容的每一部分作為輸入，將所述每一部分的下一部分作為預(yù)期輸出，訓(xùn)練待檢測對象深度學(xué)習(xí)模型；

4、待檢測對象深度學(xué)習(xí)模型測試步驟：在測試階段，獲取含有待檢測的對象的每一真實(shí)網(wǎng)絡(luò)內(nèi)容的每一部分作為輸入，將所述每一部分的下一部分作為預(yù)期輸出，測試待檢測對象深度學(xué)習(xí)模型；獲取測試準(zhǔn)確率，作為模型總體測試準(zhǔn)確率；獲取每一次測試的預(yù)期輸出與實(shí)際輸出的差異的平均值，作為模型總體差異度；

5、偽造第一判斷步驟：根據(jù)模型總體差異度，設(shè)置預(yù)設(shè)差異度閾值；獲取含有待檢測的對象的待檢測網(wǎng)絡(luò)內(nèi)容的每一部分作為輸入，通過待檢測對象深度學(xué)習(xí)模型的計(jì)算得到的輸出作為預(yù)測得到的下一部分；將預(yù)測得到的下一部分與待檢測網(wǎng)絡(luò)內(nèi)容的下一部分進(jìn)行比較，得到所述每一部分對應(yīng)的差異度；將待檢測網(wǎng)絡(luò)內(nèi)容的每一部分對應(yīng)的差異度進(jìn)行平均得到平均差異度，若所述平均差異度大于或等于預(yù)設(shè)差異度閾值，則判斷結(jié)果為含有待檢測的對象的待檢測網(wǎng)絡(luò)內(nèi)容不真實(shí)，否則含有待檢測的對象的待檢測網(wǎng)絡(luò)內(nèi)容真實(shí)。

6、優(yōu)選地，所述方法還包括：

7、對象信息獲取步驟：獲取待檢測的網(wǎng)絡(luò)內(nèi)容作為輸入，通過對象提取深度學(xué)習(xí)模型計(jì)算得到的輸出作為從待檢測的網(wǎng)絡(luò)內(nèi)容中獲取的對象信息，將所述對象信息作為待檢測的對象信息；

8、真實(shí)網(wǎng)絡(luò)內(nèi)容獲取步驟：通過待檢測的對象信息在可信網(wǎng)站上進(jìn)行搜索，獲得含有待檢測的對象信息的網(wǎng)絡(luò)內(nèi)容，作為含有待檢測的對象信息的每一真實(shí)網(wǎng)絡(luò)內(nèi)容。

9、優(yōu)選地，所述方法還包括：

10、偽造第二判斷步驟：根據(jù)模型總體測試準(zhǔn)確率，設(shè)置預(yù)設(shè)測試準(zhǔn)確率閾值；獲取含有待檢測的對象的待檢測網(wǎng)絡(luò)內(nèi)容的每一部分作為輸入，將所述每一部分的下一部分作為預(yù)期輸出，測試待檢測對象深度學(xué)習(xí)模型，獲取測試準(zhǔn)確率，若所述測試準(zhǔn)確率大于或等于預(yù)設(shè)測試準(zhǔn)確率閾值，則判斷結(jié)果為含有待檢測的對象的待檢測網(wǎng)絡(luò)內(nèi)容真實(shí)，否則判斷結(jié)果為含有待檢測的對象的待檢測網(wǎng)絡(luò)內(nèi)容不真實(shí)。

11、優(yōu)選地，所述方法還包括：

12、偽造內(nèi)容治理步驟：若判斷結(jié)果為內(nèi)容不真實(shí)，則向所述待檢測網(wǎng)絡(luò)內(nèi)容所在網(wǎng)絡(luò)平臺、待檢測對象發(fā)送信息提醒“含有待檢測對象的所述待檢測網(wǎng)絡(luò)內(nèi)容是偽造的，請及時(shí)維護(hù)自己的權(quán)益”。

13、第二方面，本發(fā)明實(shí)施例提供一種人工智能治理系統(tǒng)，所述系統(tǒng)包括：

14、待檢測對象深度學(xué)習(xí)模型訓(xùn)練模塊：初始化生成式深度學(xué)習(xí)模型或轉(zhuǎn)換器深度學(xué)習(xí)模型或gpt模型作為待檢測對象深度學(xué)習(xí)模型；在待檢測對象深度學(xué)習(xí)模型訓(xùn)練階段，獲取含有待檢測的對象的每一真實(shí)網(wǎng)絡(luò)內(nèi)容的每一部分作為輸入，將所述每一部分的下一部分作為預(yù)期輸出，訓(xùn)練待檢測對象深度學(xué)習(xí)模型；

15、待檢測對象深度學(xué)習(xí)模型測試模塊：在測試階段，獲取含有待檢測的對象的每一真實(shí)網(wǎng)絡(luò)內(nèi)容的每一部分作為輸入，將所述每一部分的下一部分作為預(yù)期輸出，測試待檢測對象深度學(xué)習(xí)模型；獲取測試準(zhǔn)確率，作為模型總體測試準(zhǔn)確率；獲取每一次測試的預(yù)期輸出與實(shí)際輸出的差異的平均值，作為模型總體差異度；

16、偽造第一判斷模塊：根據(jù)模型總體差異度，設(shè)置預(yù)設(shè)差異度閾值；獲取含有待檢測的對象的待檢測網(wǎng)絡(luò)內(nèi)容的每一部分作為輸入，通過待檢測對象深度學(xué)習(xí)模型的計(jì)算得到的輸出作為預(yù)測得到的下一部分；將預(yù)測得到的下一部分與待檢測網(wǎng)絡(luò)內(nèi)容的下一部分進(jìn)行比較，得到所述每一部分對應(yīng)的差異度；將待檢測網(wǎng)絡(luò)內(nèi)容的每一部分對應(yīng)的差異度進(jìn)行平均得到平均差異度，若所述平均差異度大于或等于預(yù)設(shè)差異度閾值，則判斷結(jié)果為含有待檢測的對象的待檢測網(wǎng)絡(luò)內(nèi)容不真實(shí)，否則含有待檢測的對象的待檢測網(wǎng)絡(luò)內(nèi)容真實(shí)。

17、優(yōu)選地，所述系統(tǒng)還包括：

18、對象信息獲取模塊：獲取待檢測的網(wǎng)絡(luò)內(nèi)容作為輸入，通過對象提取深度學(xué)習(xí)模型計(jì)算得到的輸出作為從待檢測的網(wǎng)絡(luò)內(nèi)容中獲取的對象信息，將所述對象信息作為待檢測的對象信息；

19、真實(shí)網(wǎng)絡(luò)內(nèi)容獲取模塊：通過待檢測的對象信息在可信網(wǎng)站上進(jìn)行搜索，獲得含有待檢測的對象信息的網(wǎng)絡(luò)內(nèi)容，作為含有待檢測的對象信息的每一真實(shí)網(wǎng)絡(luò)內(nèi)容。

20、優(yōu)選地，所述系統(tǒng)還包括：

21、偽造第二判斷模塊：根據(jù)模型總體測試準(zhǔn)確率，設(shè)置預(yù)設(shè)測試準(zhǔn)確率閾值；獲取含有待檢測的對象的待檢測網(wǎng)絡(luò)內(nèi)容的每一部分作為輸入，將所述每一部分的下一部分作為預(yù)期輸出，測試待檢測對象深度學(xué)習(xí)模型，獲取測試準(zhǔn)確率，若所述測試準(zhǔn)確率大于或等于預(yù)設(shè)測試準(zhǔn)確率閾值，則判斷結(jié)果為含有待檢測的對象的待檢測網(wǎng)絡(luò)內(nèi)容真實(shí)，否則判斷結(jié)果為含有待檢測的對象的待檢測網(wǎng)絡(luò)內(nèi)容不真實(shí)。

22、優(yōu)選地，所述系統(tǒng)還包括：

23、偽造內(nèi)容治理模塊：若判斷結(jié)果為內(nèi)容不真實(shí)，則向所述待檢測網(wǎng)絡(luò)內(nèi)容所在網(wǎng)絡(luò)平臺、待檢測對象發(fā)送信息提醒“含有待檢測對象的所述待檢測網(wǎng)絡(luò)內(nèi)容是偽造的，請及時(shí)維護(hù)自己的權(quán)益”。

24、第三方面，本發(fā)明實(shí)施例提供一種人工智能治理裝置，所述裝置包括第二方面實(shí)施例任意一項(xiàng)所述系統(tǒng)的模塊。

25、第四方面，本發(fā)明實(shí)施例提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)第一方面實(shí)施例任意一項(xiàng)所述方法的步驟。

26、第五方面，本發(fā)明實(shí)施例提供一種機(jī)器人，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的人工智能機(jī)器人程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)第一方面實(shí)施例任意一項(xiàng)所述方法的步驟。

27、本實(shí)施例提供的生成式預(yù)測偽造的人工智能治理方法和機(jī)器人，利用人工智能模型提取網(wǎng)絡(luò)內(nèi)容中的對象，根據(jù)對象獲取對象的真實(shí)網(wǎng)絡(luò)內(nèi)容，通過人工智能模型學(xué)習(xí)真實(shí)網(wǎng)絡(luò)內(nèi)容使得模型能從網(wǎng)絡(luò)內(nèi)容中學(xué)習(xí)到對象的行為特征，然后通過模型來根據(jù)網(wǎng)絡(luò)內(nèi)容生成新的網(wǎng)絡(luò)內(nèi)容，并根據(jù)網(wǎng)絡(luò)內(nèi)容與生成的網(wǎng)絡(luò)內(nèi)容的差異判斷是否為偽造，提高了人工智能識別偽造網(wǎng)絡(luò)內(nèi)容特別是提高了識別偽造圖像和偽造音視頻的能力。

技術(shù)特征：

1.一種人工智能治理方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的人工智能治理方法，其特征在于，所述方法還包括：

3.根據(jù)權(quán)利要求1所述的人工智能治理方法，其特征在于，所述方法還包括：

4.根據(jù)權(quán)利要求1所述的人工智能治理方法，其特征在于，所述方法還包括：

5.一種人工智能治理系統(tǒng)，其特征在于，所述系統(tǒng)包括：

6.根據(jù)權(quán)利要求5所述的人工智能治理系統(tǒng)，其特征在于，所述系統(tǒng)還包括：

7.根據(jù)權(quán)利要求5所述的人工智能治理系統(tǒng)，其特征在于，所述系統(tǒng)還包括：

8.根據(jù)權(quán)利要求5所述的人工智能治理系統(tǒng)，其特征在于，所述系統(tǒng)還包括：

9.一種機(jī)器人，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的人工智能機(jī)器人程序，其特征在于，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)權(quán)利要求1-4任意一項(xiàng)所述方法的步驟。

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1-4任意一項(xiàng)所述方法的步驟。

技術(shù)總結(jié)
生成式預(yù)測偽造的人工智能治理方法和機(jī)器人，利用人工智能模型提取網(wǎng)絡(luò)內(nèi)容中的對象，根據(jù)對象獲取對象的真實(shí)網(wǎng)絡(luò)內(nèi)容，通過人工智能模型學(xué)習(xí)真實(shí)網(wǎng)絡(luò)內(nèi)容使得模型能從網(wǎng)絡(luò)內(nèi)容中學(xué)習(xí)到對象的行為特征，然后通過模型來根據(jù)網(wǎng)絡(luò)內(nèi)容生成新的網(wǎng)絡(luò)內(nèi)容，并根據(jù)網(wǎng)絡(luò)內(nèi)容與生成的網(wǎng)絡(luò)內(nèi)容的差異判斷是否為偽造，提高了人工智能識別偽造網(wǎng)絡(luò)內(nèi)容特別是提高了識別偽造圖像和偽造音視頻的能力。

技術(shù)研發(fā)人員：朱定局
受保護(hù)的技術(shù)使用者：華南師范大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/21