領先的全週期驗證平台 Sumsub 今日（5月4日）正式推出「Adaptive Deepfake Detector」（自適應深度偽造檢測器）。這項新模型旨在解決傳統離線方案無法捕捉最新深度偽造騙局的根本問題。與舊有方案不同，Sumsub 的檢測器憑藉其機器學習驅動的檢測工具及即時線上自學習升級功能，能有效識別新興的複雜詐騙類型。
Sumsub推自適應深偽檢測器 即時自學習數小時內應對新型AI騙局
傳統檢測方案存在「時間差」漏洞
傳統的深度偽造檢測模型依賴定期更新，但這恰恰揭示了系統性漏洞：在兩次更新之間（更新過程可能需要數週甚至數月才能完成並部署），新的威脅足以繞過防禦，對數碼應用程式用户和企業造成實際損害。Sumsub 新工具的關鍵優勢在於其檢測準確度，這源於模型從多層面的欺詐信號中持續學習，使其能夠在數小時內完成適應，而非數週或數月。
AI 詐騙激增 多步驟攻擊飆升 180%
這種應對方式的迫切性在過去幾年顯著增加，線上欺詐者與安全團隊之間的「軍備競賽」已進入高度複雜和高速的新階段。根據 Sumsub 平台的數據，2025 年，多步驟攻擊的比例飆升了 180%，佔全球檢測到的所有欺詐行為的 28%。自 2023 年以來，AI生成的深度偽造詐騙顯著增長，全球多個市場未見緩解跡象。
Sumsub 機器學習主管 Nikita Marshalkin 表示：「2026 年的威脅形勢已經演變，要求風險管理團隊以新一代欺詐防範模型作出回應。現代的深度偽造已無法用人眼識別，決策必須基於對多重信號的實時分析。因此我們推出升級版 Deepfake Detector，為客户提供的不僅是一個工具，更是一個結合了先進文件檢查、設備情報和欺詐網絡分析的線上學習系統。當失誤的代價過高時，採取全面方法應對日益增長的 AI 驅動欺詐挑戰，正是我們需要的答案。」
實時多層次分析 不依賴單一視覺檢查
在當前的深度偽造檢測中，風險團隊不能僅依賴視覺內容檢查，必須考慮用户會話的完整背景。除了生成深度偽造的圖像、聲音或影片，欺詐者還會使用各種注入方法，這為防範系統提供了另一個需要檢查和監控的數據層面。
從技術角度來看，基於「線上學習」模型的實時檢測意味著無需等待預定的訓練週期，也無需定期人工審查來保持最新狀態。相反，新方案具備以下特點：
* 持續學習新模式，包括新興的深度偽造類型或注入方法，並立即將其納入已知威脅清單；
* 信號從多個來源收集，而非依賴單一異常向量。多層欺詐檢測系統會分析文件、地理位置、IP地址、設備信號、面部生物特徵（活體檢測）數據，並交叉核對來自多個用户的驗證信息，以識別欺詐網絡活動；
* 在每次新的觀察中，模型會自動調整其參數，無需手動重新訓練；
* 檢測器的決策邊界會隨威脅演變而調整，將平均檢測準確度推近 100%。
實時多層次分析 不依賴單一視覺檢查
