导语

深度伪造带来的一个重大挑战，关乎科学研究的完整性。科学需要信任：信任数据、方法，以及科学事业所产出的发现。然而，即便没有深度伪造，这种信任有时也会被滥用。比如，有报道指出，许多科学期刊中出现伪造论文；仅在 2023 年，就有超过1万篇论文因欺诈性内容撤稿。深度伪造进一步威胁科学的信任基础，因为它引入了一种可能性：数据——尤其是视觉数据——可以被以更难察觉的方式操纵。例如，深伪技术可能被用来伪造显微镜图像等视觉数据，从而传播虚假的研究发现。

科学发现的传播，是深度伪造可能对科学造成伤害的另一领域。科学传播依赖准确、真实的信息，但深度伪造能够通过注入虚假或误导性的“发现”而扭曲传播过程。更危险的是，人们甚至可以制作逼真的视频或图片，让受信任、知名的科学家“亲口”说出谎言。当我们面对公共健康、气候变化等紧迫议题时，这类内容可能迅速走红、广泛传播，进而扩散错误信息，甚至带来致命后果。

如何应对深度伪造给科学带来的挑战？作者提出了两个方向：一是制定新技术的伦理使用指南与最佳实践；二是开发深度伪造检测工具——这也是数据科学中一个新兴研究领域。研究者正尝试开发算法，识别深伪生成内容留下的细微痕迹，例如视频中面部特征的不一致等。

尽管深度伪造带来了相当大的挑战，它也可能为科学研究与教育提供机会。用于生成深伪的技术，也可能推动其他更有益的技术进步与创新；例如，将其用于实现积极目标——如检测伪造数据。此外，这些技术还能用于生成逼真的教育模拟场景，例如在不影响真实患者安全的前提下，支持学生医疗技能的培养。深度伪造也可能成为一种教育工具，帮助未来的科学家理解：科学共同体内外的信任是如何建立的，以及伦理原则如何适用于科学研究的传播。

不过，深度伪造的相关性与重要性并不止于专业科学家的培养。从消极意义上说，深伪已成为公众层面的重大担忧。根据美国近期一项全国性调查，在具有全国代表性的学生、教育工作者与成年公众样本中，有33%到50%的人无法区分真实视频与深度伪造。科学教育可以通过面向专业人士与普通公民的“深度学习”，来帮助应对深伪带来的负面影响。这里教育语境中的“深度学习”不同于机器学习中对该术语的使用。教育意义上的深度学习包含批判性、分析性与创造性思维，超越对概念与程序的表层覆盖；它强调让学习者投入到能提升高阶思维能力与有意义理解的学习内容之中。例如，学会评估错误信息就是其中的一部分技能；批判性思维与问题解决等能力也同样重要。将这种深度学习置于科学情境之中，或许能帮助学生认同并践行科学精神：在他们心中培养一种“健康的怀疑”取向，并对证据保持尊重。

一些科学课程已经把批判性思维与问题解决等能力纳入课程之中，用以支持学生在错误信息环境中更好地辨识与应对。也有研究合作项目明确面向教育者与学习者，共同处理深度伪造带来的挑战。然而，真正能在国家层面系统化落实与深伪和错误信息相关挑战的教育体系仍然不多。长期以来，芬兰因在多项福祉指标上领先而备受赞誉；它也严肃对待错误信息问题。多组织协作（包括政府与科技公司的合作）推动了面向学校的创新资源开发。比如，有一节课会让学生“运用图片、视频、文字、数字内容……识别各种不同类型的误导性新闻：从宣传到标题党，从讽刺到阴谋论，从伪科学到党派化报道；从描述那些根本从未发生过的事件的故事……”这种为学生创造机会、让他们评估内容可信度与信息来源可靠性的深度学习路径，可能有助于对抗深度伪造。不过，我们也需要进一步追问：深度伪造是否具有一些需要更专门关注的特征——例如伪造数据的性质，以及用于检测它们的工具本身？这些问题提示了科学教育研究的新方向：更细致地探究关于深度伪造的教与学应如何开展。

总之，深度伪造对科学研究与科学传播的完整性构成了重大风险，但它也带来教育层面的机会。深伪未来的影响，将取决于科学界与教育界如何应对挑战并利用机会。有效的错误信息检测工具、健全的伦理标准，以及基于研究证据的教育路径，都有助于确保：科学中的“深度学习”被深度伪造所促进，而不是被其阻碍。