Short answer
AI图像身份验证并非换了个马甲的内容审核问题。在内容审核中，合成图像是危害；而在身份核查中，合成图像是工具，危害是本不该生成的记录。这种区别改变了核查内容、核查时机以及合格的判定标准。
The case that shows the pattern
2026年10月，FactCheckHub报道称尼日利亚选举委员会正在调查初步选民登记册中疑似AI生成的照片。有意思的不是合成肖像的出现，而是它们通过了所有现有的录入流程，在任何人检查之前就成为了政府记录的一部分。此时的检测是事后取证。
Why the intake model is the weak point
大多数身份核查流程的构建只为回答一个问题：这份文件和人脸是否属于与声明匹配的真实人物。它们通常擅长捕捉重复使用，因为同一张人脸出现在两个身份下很容易被标记。但对于从一开始就不存在的人脸，它们的能力要弱得多，因为没有可匹配的对象。生成的肖像没有可冲突的先前记录。
What actually catches generated portraits
- Liveness at capture：静态图像无法证明存在。若流程接受上传而非实时采集，这是最大的缺口。
- Consistency across the document set：肖像、证件照片和自拍应在光线、几何形状和采集条件上一致。生成的肖像通常单独看正确，但作为一组时不一致。
- Metadata continuity：采集设备、时间戳和处理链应描述同一事件。在需要采集记录的流程中，没有采集记录的肖像值得再检查，不过仅缺失记录本身无法证明问题，因为压缩会常规性剥离这些信息。
- Volume patterns：生成的身份往往从少数来源批量到达，时间相近，质量特征相似。
Where detection helps and where it misleads
A detector可以标记与相机原始图像不相似的肖像，这对抽样和队列优先级排序有用。但它无法确认某人不存在。高分不是伪造的证据，低分也不是真实人物的证据，因为照片的照片或经过大量处理的合法肖像得分都不可预测。若得分与活体检测结果冲突，应升级至人工审核，而非任由其中一方决定。
What to record before a record is created
- 采集是实时的还是上传的，以及执行该操作的组件。
- 收到的完整文件集需保留在一起，因为一致性检查依赖于整个集合而非单个文件。
- 哪项检查导致了拒绝或通过，以便后续审计可重建决策。
- 批量上下文：同一来源在同一时间段内提交了多少其他内容。
What this workflow cannot do
它无法确认某人存在。它无法恢复提交前因重新压缩而被销毁的证据。它也无法替代关于登记册或账户所需证明标准的法律判定，这因司法管辖区和虚假接受的后果而异。阅读方法学了解各层如何结合，或查看示例报告了解如何记录采集记录不完整的案例。若需在批准前检查提交肖像的provenance和metadata，开始免费审核并将结果与决策一起记录。