《计算机行业AI安全系列:以子之矛攻子之盾从deepfakes深度伪造技术看AI安全-230626(53页).pdf》由会员分享,可在线阅读,更多相关《计算机行业AI安全系列:以子之矛攻子之盾从deepfakes深度伪造技术看AI安全-230626(53页).pdf(53页珍藏版)》请在三个皮匠报告上搜索。
1、2023年6月26日AI安全系列:以子之矛,攻子之盾从deepfakes深度伪造技术看AI安全行业评级:看好分析师刘雯蜀研究助理刘静一邮箱 邮箱证书编号S02证券研究报告添加标题95%摘要21、Deepfakes技术始于2014年,随着AI大模型能力的提升关注度持续增高Deepfakes定义可分为广义和狭义两个层次,其中广义上指利用了以生成对抗网络技术(GAN)为主体的深度学习技术制造的看起来很真实但实际上属于虚假的图片或视频。随着AI大模型的能力不断突破,deepfakes受到的关注度持续增高。2、生成式 AI 模型是Deepfakes的技术基础,而人脸伪造技术是dee
2、pfakes的一个重要分支生成式 AI 是深度学习的一个分支,根据生成内容的类别,生成式AI模型可进一步被分为生成式语言模型和生成式图片模型。而随着多模态模型的应用逐步深入,生成式AI模型也开始向多模态方向发展。目前主流生成式AI模型包括VAE、GAN、diffusion模型等,stable diffusion模型的发布再次使得生成式AI的输出质量大幅提升。人脸伪造技术是deepfakes的一个重要分支,可被进一步划分为有目标可视身份伪造和无目标可视身份伪造,其中有目标可视身份伪造技术已经在俄乌冲突中有所应用。3、生成式AI技术的迭代增加伪造图片的真实度,同时增大AIGC识别难度考虑到:1)数
3、据层面,可供训练的数据集规模扩大,带来模型效果的大幅提升;2)算法层面,算法框架的迭代与组合,使得模型训练更加高效、稳定;3)算力层面,算力水平的提升,助力更加高效的复杂模型训练,AI伪造图片的真实度不断增加,使得识别难度增大,带来的潜在风险提升。4、反AI生成市场空间约64亿元针对AI生成图像可能带来的风险,各国政府陆续推出政策加以约束。根据我们测算,反AI生成市场空间约64亿元,其中监管侧44亿元,企业侧20亿元。5、部分反AI生成相关公司上市公司:美亚柏科、东方通非上市公司:瑞莱智慧、中科睿鉴、Illuminarty(海外)、AI Voice Detector(海外)、Google(海外
4、)VWsUhV9UmUTWoWaXjZ7N8QbRoMpPmOmPeRpPoQjMtRtNaQnMoOxNmMuMwMtOsP风险提示31、AIGC监管以及识别技术研发以及相关产品落地不及预期2、报告中对各类模型的介绍与总结基于对于相关论文内容的理解,具有一定主观性3、报告中对于反AI生成的市场空间测算存在主观判断及口径差异4、由AI安全需求带来的市场竞争加剧5、板块政策发生重大变化目录C O N T E N T S4Deepfakes演进与发展历程01生成式AI模型梳理02以视觉为例:人脸伪造技术分类03以视觉为例:生成式图像检测手段04Deepfakes技术发展趋势展望05AIGC监管及反
5、生成AI市场空间测算06公司梳理07风险提示08Deepfakes演进与发展历程01Partone5添加标题95%Deepfakes0161)Deepfakes:基于深度学习的AI换脸技术Deepfakes定义可分为广义和狭义两个层次:广义:Deepfakes指使用机器学习(ML)技术创建的伪造品,即利用了以生成对抗网络技术(GAN)为主体的深度学习技术制造的看起来很真实但实际上属于虚假的图片或视频。狭义:Deepfakes是“Deep machine learning”和“fake”的组合词,是一种基于深度学习的人物图像合成技术。不同于一般意义上的p图,Deepfakes利用电脑程序找到两个
6、面部之间的共同点,通过搭建神经网络来学习人脸,使替换以后的脸可以生动地模仿原来的表情,以假乱真。2)Deepfakes的产生与飞跃2014年是Deepfake的诞生元年,Goodfellow与同事发表的科学论文标志着GAN AI的诞生,催生出我们如今所熟知的Deepfakes。在2014年,就有迹象表明 GAN 有望生成仿真度极高的人脸。深度伪造技术开始进入大众视野。在Deepfakes产生初期,生成代理往往倾向于产出分辨率较低而模糊不清的图像是检查代理难以判断内容的真伪,深度伪造技术一定阶段内存在着输出内容像素过低,生成结果难以令人信服的问题。2017年英伟达推动质量飞跃,利用分阶段训练网络
7、解决了生成代理产出分辨率过低的问题,GAN 开始产出质量空前的伪造人像,深度伪造技术开始被推向市场主流。自此,Deepfakes一词成为 AI 生成图像和视频的代名词。2019年Deepfake正式成为市场主流,专注于Deepfakes的YouTUbe频道拥有数百万关注者,产出质量远高于其他AI模型。资料来源:AI前线公众号、浙商证券研究所添加标题95%Deepfakes技术发展历程0172014:Goodfellow与同事发表了全球首篇介绍GAN的科学论文,代表着GAN AI的诞生,催生出如今为人熟知的 Deepfakes。2015:研究人员开始将 GAN 与经过图像识别优化的多层卷积神经网
8、络(CNN)相结合,这一组合取代了以往较为简单的GAN 代理驱动网络,提高了处理数据的速度和显卡运行效率,也让生成结果的可信度迈上新的台阶。2016:研究人员把两个 GAN 结合起来,开展并行学习。2017:英伟达推动质量飞跃,GAN 开始产出质量空前的伪造人像,深度伪造技术开始被推向市场主流。自此,Deepfakes一词成为了 AI 生成图像和视频的代名词。2018:英伟达提升 GAN 控制能力,使其能够对人像中的“黑发”和“微笑”等图像单一特征作出调整,将训练图像中的特征有针对性地转移到 AI 生成图像当中。2019:三星公司的研究人员公布了一种能够深度伪造人类和艺术品的 GAN,只需参考
9、少数照片就能利用Deepfakes AI达成出色的伪造效果;以色列研究人员又推出了换脸 GAN(FSGAN),能够对即时视频中的人脸进行实时交换。无需任何预先训练。2020:微软推出 FaceShifter,该软件能够利用模糊的原始图片,依赖于分别负责伪造人脸和照片比对的两套网络,生成高度可信的 Deepfakes 图像;深度伪造技术有望成为迪士尼电影制作开发的主流技术。2021:社交媒体中出现Deepfakes巡演、直播与人脸租赁活动,在市场上获得极高热度。2022:GAN的改进接连出现,包括能够在短视频片段中轻易操纵人脸的StyleGAN2变体和既能以高度匹配的 3D 形式生成统一图像,也
10、能利用一张真人图像还原出 3D 模型的3D GAN,大力推动力AI深度伪造技术的发展。资料来源:AI前线公众号、浙商证券研究所添加标题95%Deepfakes应用发展历程0181)海外应用FaceShifter:2020年由北京大学和微软亚洲研究院研究团队联合发表,是一种高保真、能够感知遮挡的AI换脸工具,采用两层框架结构实现高精度和遮挡条件下的换脸。其优于以往同类技术,在生成逼真的人脸图像方面表现优异,被誉为机器学习图像识别领域的“利矛”。Wombo AI:2021年正式进入大众视野,可以借助AI技术将声音与图片中的角色自动对上口型,使处于静止图片中的人物进行开口讲话,并且还有会动的姿态表情
11、,在社交媒体上大受欢迎。DeepFaceLive:由DeepFaceLab的缔造者在 2021 年首次展示,能够在经过适当训练、或者接收到预训练 AI 模型之后,在实时视频中交换人脸,意味着换脸的技术又再一次的突破。2)国内应用Zao:于2019年首次公测,是中国国内利用深度伪造技术制作的一个应用程序,用户可以利用这个程序将自己的脸替换成电影里某个角色的脸;用户还可以在Zao里面大量的视频和图片库中进行选择,在上传视频后就可以在几分钟之内生成深度伪造的角色。然而,从2019年9月1日,Zao就由于疑侵犯用户肖像权而被用户投诉,以及对用户生物识别信息的采集存在的信息安全性问题带来的安全风险而遭遇
12、下架。Face X-Ray:2020年由北京大学和微软亚洲研究院研究团队联合发表,是一种针对伪造人脸图像的通用检测工具,不需要依赖于与特定人脸操作技术相关的伪影知识,并且支持它的算法可以在不使用任何方法生成假图像的情况下进行训练。这种工具能有效地识别出未被发现的假图像,并能可靠地预测混合区域,在市场上获得很高的评价,被誉为机器学习图像识别领域的“坚盾”。资料来源:新智元公众号、FaceShifter:Towards High Fidelity And Occlusion Aware Face Swapping、Face X-ray for More General Face Forgery D
13、etection、品牌观察报公众号、浙商证券研究所添加标题95%Deepfakes应用019表:国内外deepfakes相关应用梳理名称类别(开源与否)开发地区开发时间使用状况FakeApp国外2018已下架Faceswap已开源国外2019未下架DeepFaceLab已开源国外2018未下架DeepFaceLive已开源国外2019未下架Faceswap-GAN国外2019未下架ZAO已开源国内2019已下架DFaker国外2020未下架Deepface国外2015未下架FaceShifter国外2020未下架Wombo AI国外2021未下架Avatarify已开源国外2020未下架资料来
14、源:深度伪造人脸视频检测技术综述、Faceswap官网、DeepFaceLab官网、DeepFaceLive官网、搜狐网、重蔚自留地、浙商证券研究所生成式AI模型梳理02Partone10添加标题生成式AI是深度学习的分支0211生成式 AI 是深度学习的一个分支,可以根据已经学习的内容生成新的内容。生成式AI的训练和推理阶段:训练:从现有的内容中学习的过程,训练的结果是创建一个统计模型。推理:当用户给出提示词,生成式 AI 将会使用统计模型去预测答案,生成新的文本来回答问题。图:生成式AI发展历程图:生成式AI是深度学习的一个分支在GPT-3.5的基础上推出ChatGPT让生成式AI火爆全球
15、200142020变分自编码器(VAE)被提出,生成式AI诞生生成式预训练模型(Generative Pre-trained Models)开始兴起,如OpenAI的GPT-2模型生成式对抗网络(GAN)被提出扩散模型(Diffusion Model)被广泛应用于生成式AI领域资料来源:OpenAI网站、Auto-Encoding Variational Bayes、Generative Adversarial Networks、Denoising Diffusion Probabilistic Models、浙商证券研究所判别模型 vs 生成模型0212判别模型(Dis
16、criminative Model)和生成模型(Generative Model)是机器学习中两种不同类型的模型,它们的主要区别在于其对数据的建模方式和应用领域。图:判别模型框架图:生成模型框架判别模型生成模型建模对象直接对条件概率进行建模对联合概率分布进行建模学习内容输入和输出之间的关系数据的分布和特征之间的关系,以及生成输入数据的过程任务类别分类、回归和标注等任务,通过最大化或最小化某种损失函数来寻找最优的参数配置,以实现准确的预测和分类生成新的图像、语言模型和数据增强等任务特点直接学习输入特征和输出标签之间的关系,具有较低的计算复杂度,并且适用于特定任务能够模拟数据的生成过程,生成新的样
17、本数据,并且有助于理解数据的统计特性和生成机制常见模型逻辑回归、支持向量机、深度神经网络高斯混合模型(GMM)、生成对抗网络(GAN)表:判别模型与生成模型对比数据标签判别模型学习数据和标签的关系,最大化条件概率似然函数输出标签输入生成模型学习非结构化内容中的模式输出全新信息资料来源:谷歌云、Deriving discriminative classifiers from generative models、CSDN、浙商证券研究所添加标题生成式模型分类0213根据生成内容的类别,生成式AI模型可进一步被分为生成式语言模型和生成式图片模型:生成式语言模型:基于自然语言处理的技术,通过学习语言规
18、律和模式生成新的文本。通过训练大规模文本数据,如新闻、小说、网页内容等,生成式语言模型可以自动生成逻辑和语法正确的文本,如文章、对话、诗歌等,被广泛应用于机器翻译、文本摘要、对话生成、故事生成等任务。生成式图片模型:基于计算机视觉的技术,通过学习图像的特征和结构生成新的图像。通过训练大规模的图像数据集,学习图像的特征表示和统计规律,生成式图片模型可以生成具有视觉真实感或艺术风格的图像,如自然风景、人像或抽象艺术作品。被应用于图像生成、图像标注、图像编辑等领域。随着多模态模型的应用逐步深入,生成式模型也开始向多模态方向发展:输入内容为文本:输出内容可以为文本、图片、音频、决策等内容输入内容为图片
19、:输出内容可以为文本、图片和视频等内容。图:输入为文本时生成式模型的输出可选项图:输入为图片时生成式模型的输出可选项资料来源:谷歌云、浙商证券研究所添加标题主流生成式AI模型概览0214资料来源:相关领域已发表学术论文(论文名称参考报告末尾附录页)、浙商证券研究所2000022GAN-INT-CLSStackGANStackGAN+StyleGANGLIP-VQGANViT-VQGANStyleGAN3CLIP+StyleGANPixel-to-PixelProGANViTGAN条件生成模型(CGAN)CycleGAN条件生成模
20、型CVAEAlignDRAW模型CLIP+VQVAEDALL-EDDPMImproved DDPMDisco DiffusionDDIMDPM-solverDPM-solver+DALL-E2Stable DiffusionRealNVP+Glow-360Glow-TTSFFJORD-GAN基于流的模型生成对抗网络(GAN)Diffusion扩散模型GlowRealNVPFFJORD潜变量模型变分自动编码器(VAE)注释:部分模型可能同时涉及多项模型的框架,我们以其中主要或最新参考的模型作为划分依据VAE变分自动编码器0215变分自动编码器(Variational Autoencoder,VA
21、E)是一种生成模型,结合了自动编码器(Autoencoder)和变分推断(Variational Inference)的思想,于2013年由Kingma和Welling提出。其目标是学习数据的潜在表示,并能够生成新的样本。VAE结合自动编码器和变分推断的思想,通过学习数据的潜在表示和生成新样本。它假设潜在变量服从先验分布,编码器将输入映射为均值和方差参数,通过重参数化技巧采样潜在变量。解码器接收采样的潜在变量解码为样本,通过最大化边际似然和KL散度来训练VAE,学习数据的潜在分布并生成新样本。优点缺点概率建模VAE用变分推断建模潜在变量分布,最大化边际似然训练模型,提供概率建模和不确定性估计。
22、可控生成VAE潜在空间连续,操作潜在变量控制生成样本属性。训练困难VAE的训练需要平衡重构误差和KL散度的损失,调整超参数和监控训练过程相对复杂。离散数据处理VAE基于连续分布假设,对于离散数据处理可能有困难,需要适当修改或使用离散分布的变分推断方法。图:VAE模型流程图资料来源:Auto-Encoding Variational Bayes、谷歌云、浙商证券研究所GAN生成式对抗网络0216生成式对抗网络(GAN)由Goodfellow等人于2014年提出,采用对抗训练策略,通过对抗训练的方式改变了生成模型的思路。GAN包括生成器和判别器两个对抗的模型,生成器试图生成逼真样本,判别器试图区分
23、生成和真实样本。通过对抗过程,生成器逐渐提高样本质量,判别器提高鉴别能力。GAN通过让生成器和判别器相互博弈,逐渐达到动态平衡,使生成器学习真实样本的分布。优点缺点学习潜在表示GAN的生成器学习数据的潜在表示,有助于特征学习和数据降维,提供可解释和可操作的潜在空间。高质量样本生成GAN生成逼真的图像、音频、文本等样本,质量和多样性较传统生成模型更好。模式崩溃和塌陷生成器可能只能生成少数几种模式,缺乏多样性和创造性。难以评估生成质量缺乏明确的似然函数,生成质量难以定量评估,需要人工观察和主观评价。图:GAN模型流程图资料来源:Generative Adversarial Networks、浙商证
24、券研究所Diffusion扩散模型0217Diffusion是一种用于建模数据分布的生成模型,通过迭代模拟数据在潜在空间中的扩散过程,使得样本在潜在空间中逐渐接近真实数据分布,从而由初始噪声样本逐步生成高质量样本。Diffusion模型通过动力学系统学习数据的结构和生成机制,克服了传统生成模型的限制,适用于复杂高维数据。它在图像生成、数据插值等任务中表现出优异性能,为生成模型提供了一种新的建模方式。优点缺点逼近复杂分布扩散模型有效建模复杂高维数据分布,捕捉非线性关系和复杂结构。无需显式似然函数不需要定义似然函数,通过扩散逼近真实数据分布,处理复杂数据和高维度更有效。计算复杂度高训练和推断过程需
25、要大量计算资源和时间,对大规模高维数据集要求较高超参数敏感性性能和质量受超参数选择影响,不当选择可能导致不稳定或下降。图:扩散模型流程图资料来源:Diffusion Models:A Comprehensive Survey of Methods and Applications、谷歌云、浙商证券研究所以视觉为例:人脸伪造技术分类03Partone18人脸伪造技术分类梳理0319人脸伪造技术有目标可视身份伪造无目标可视身份伪造人脸替换人脸编辑FaceswapDeepFaceLab人脸属性编辑人脸表情重演Pix2PixCycleGAN跨模态人脸编辑Face2FaceSpeech2FaceDCGA
26、NBigGANStyleGANStyleGAN2SNGAN有目标身份伪造方法通常在视频或图像伪造过程中,将伪造目标的身份或性信息输入到模型中,实现特定目标身份的视频或图像伪造。该伪造形式可能被用于进行特定身份的伪装与假冒。无目标身份伪造方法通常以随机变量作为输入信息,生成现实世界中不存在的虚假人脸图像,生成过程中没有特定的伪造目标身份。资料来源:可视身份深度伪造与检测、浙商证券研究所人脸伪造技术分类梳理03201)有目标可视身份伪造 DeepFaceLab:主要用于视频换脸,使用者将两张不同的照片导入模型实现脸部的交换。DeepFaceLab提供力从数据收集和筛选,到模型训练和最终视频输出的一
27、站式解决方案,属于有目标可视身份伪造类别的人脸替换系列。DeepFaceLab拥有面部更换、面部老化、头部更换、操纵嘴部等功能,可用于短视频平台的娱乐项目以及电影的后期制作等。DeepFaceLab没有收费或捐赠机制,任何人都可以在GitHub上下载和使用。Facelet-Bank:腾讯优图团队提出的一种通用且灵活的高质量人脸属性编辑网络,进而与香港中文大学、Adobe 研究院、字节跳动人工智能实验室合作提出一种基于语义部件分解的人脸属性编辑方法。Facelet-Bank可以快速处理各种表情、配饰和化妆效果,并产生高分辨率和高质量的图像。Facelet-Bank可以用于视频网站的快速人像操作。
28、图:DeepFaceLab图:Facelet-Bank资料来源:DeepFaceLab官网、Facelet-Bank for Fast Portrait Manipulation、浙商证券研究所人脸伪造技术分类梳理03212)无目标可视身份伪造 icons8:icons8是一个提供高质量免费图标和设计工具的网站,网站创始人Ivan Braun等利用StyleGAN模型生成大量伪造人脸图像并按照性别、年龄、种族、头发颜色、表情等属性分类在网站上进行展示,现有客户包含大学、约会软件和人力资源规划公司。icons8(Face Swapper)可以在3天内免费试用,付费内容包括优先处理、电子邮件支持和
29、 60 天存储空间。“This Person Does Not Exist”(此人不存在):一个生成虚拟人物头像的网站,由StyleGAN提供支持,以1024x1024像素的分辨率生成不存在的人的照片。网站使用人工智能技术生成照片,可自定义生成人脸的性别、年龄、以及种族,每次刷新页面都会生成一个全新、独特的虚拟人物头像。该网站旨在展示人工智能技术的能力,并提供免费的虚拟人物头像给用户使用。图:“This Person Does Not Exist”网站图:icons8人工智能产品资料来源:icons8网站、“This Person Does Not Exist”网站、浙商证券研究所人脸伪造技术
30、应用0322有目标可视身份伪造在俄乌冲突中已有所应用:1)对乌克兰最高领导人泽连斯基的虚假模拟2022年3月15日,乌克兰广播新闻媒体Ukraine 24遭到黑客攻击。黑客通过文字滚动新闻在电视直播中发送了有关泽连斯基的虚假消息,并在其网站上发布了泽连斯基呼吁士兵“放下武器投降”的深度伪造视频,该视频随即在Twitter等社交媒体上广为传播。对泽连斯基的深度伪造视频属于有目标可视身份伪造中的人脸编辑类,伪造视频中存在画质不清晰、场景单一、人物面部与颈部的肤色存在差异、人物头肩比不协调、人物上半身无肢体动作、眼神始终注视镜头等问题。网络攻击者利用Pix2Pix、Face2Face和Speech2
31、Face等算法技术,以宣布停战为博弈主题,试图达到影响对方国家的目的。2)对俄罗斯最高领导人普京的虚假模拟2022年3月16日,Twitter 用户 Serhii Sternenko 发布了“普京宣布停战”的深度伪造视频。对普京的深度伪造视频同样属于有目标可视身份伪造中的人脸编辑类,但深度伪造普京的视频制作更为精良,通过多景别切换、人物动作、微表情等方法使得视频仿真性更高,迷惑性更强。资料来源:认知的罗生门效应制造:深度伪造在俄乌冲突中的案例分析、浙商证券研究所以视觉为例:生成式图像检测手段04Partone23检测方向一:检测图片是否由生成式AI模型生成0424检测GAN模型生成的图像:GA
32、N图检测通常使用预先训练好的GAN模型来生成假图像,并将这些假图像与真实图像混合在一起形成一个混合的数据集。然后,将该数据集送入分类器中进行训练,以区分真实图像和虚假图像。分类器通常采用卷积神经网络(CNN)进行训练,并基于图像的梯度、频率特征等进行判断,从而有效检测出虚假图像。图:GAN图检测流程待检测图像1.特征提取使用计算机视觉技术从待检测的图像中提取特征,如颜色分布、纹理特征、局部结构等GAN图检测程序输入输出2.特征分析对提取的特征进行分析,例如统计特征、频谱特征、局部一致性等,以揭示GAN生成图像的独特特征3.特征比较将待检测图像的特征与真实图像和GAN生成图像的特征进行比较,可以
33、使用相似性度量或分类器进行判断是或否GAN图检测方法二分类方法GAN生成的图像通常具有一些特殊的视觉特征,如颜色块、纹理不自然、边缘不清晰等。可以使用深度学习模型来训练一个分类器,将GAN生成的图像和真实图像分别作为正例和反例,然后使用测试数据集来测试分类器的准确率和性能。频率特征方法GAN生成的图像通常具有一些频率特征,如频率分布不均匀、频率分布不连续等。可以使用快速傅里叶变换(FFT)来计算图像的频率谱,然后使用一些统计方法来分析频率特征,如能量分布、频率分布、频率分布差异等。梯度特征方法GAN生成的图像通常具有一些梯度特征,如梯度分布不均匀、梯度变化不连续等。可以使用Sobel算子、La
34、placian算子等边缘检测算法来计算图像的梯度,然后使用一些统计方法来分析梯度特征,如梯度分布、梯度变化、梯度方向分布等。资料来源:基于GAN-generated Faces Detection:A Survey and New Perspectives,Xin Wang等著的论文整理、浙商证券研究所检测方向一:检测图片是否由生成式AI模型生成0425检测Diffusion模型生成的图像:生成式AI模型通常具有一些独特的统计特征,例如纹理、颜色分布、物体形状等,DM图在某些统计特征上可能与自然图像有所不同,这可以用于区分它们,通过分析图像的统计特征并与已知的视频一致性检测。现有模型在DM图上
35、的泛化性能仍然有限,并且DM图的识别比GAN图更具挑战性。虽然已经有一些研究成果和原型系统,但目前仍然没有一个普适性和完全可靠的DM图检测方法:直接将GAN上的模型用于DM图的检测效果较差,但可经过微调后恢复一定性能;二次处理(如压缩)会使生成图更难以判断;DM图可以被扩散模型重建,而真实图片不行。通过计算重建图像与原图之间的扩散重建差(DIRE)作为特征进行二分类训练,可以提高判断的泛化性能。图:理论上DM的检测流程资料来源:基于On the detection of synthetic images generated by diffusion models,Riccardo Corvi等
36、著的论文整理、浙商证券研究所检测方向一:检测图片是否由生成式AI模型生成0426方法多样性挑战改进方向模型差异不同的方法采用不同的模型来提取真实图和生成图的特征,这导致了性能上的差异。特征差异不同方法使用不同的特征进行训练,包括纯视觉信息(如伪影、混合边界、全局纹理一致性)、图像频率信息以及重建图与待检测图的差异等。数据差异一些方法通过对抗手段生成更具挑战性的图片,以增强模型的识别能力。泛化性差跨模型检测的泛化性较差。当训练集中的生成图由特定的生成器产生时,检测器在对同一生成器生成的图片进行检测时表现良好,但对于新的生成器生成的图片检测性能会较差。提升泛化性能研究者可以探索提升跨模型检测的泛化
37、性能的方法,使得检测器对于任何生成器生成的图片都能有效。结合多种特征可以考虑结合不同方法使用的特征,构建更综合的特征表示,从而提高判断的准确性和泛化性。数据多样性通过使用更多不同生成器生成的数据来训练检测器,以增强其对新生成器的适应能力模型 Ensemble生成模型可能采用多个子模型的Ensemble方法生成图片,这会增加检测难度。检测模型需要考虑不同子模型的特征,而不仅仅是单一模型的特征。针对性生成恶意的生成模型可能专门生成那些难以检测的图片,以躲避检测。这需要检测模型有足够的泛化能力,不易被针对性生成的样本欺骗。资料来源:基于Detecting GAN generated Fake Ima
38、ges using Co-occurrence Matrices,Lakshmanan Nataraj等著的论文整理、浙商证券研究所检测方向二:伪造人脸检测0427能够检测GAN模型生成的人脸图像的方法分为四类1.基于深度学习的方法是最常用的方法之一,它使用卷积神经网络(CNN)来提取特征并进行分类。尽管这些方法在准确性方面表现出色,但它们的图片识别(分类)可解释性相对较差。即使当人类无法察觉到图像的细微差别时,深度学习模型可以识别出来,但无法提供解释判断的原因,这使得解释结果变得困难。2.基于物理的方法通过寻找人工信息或面部与物理世界之间的不一致来检测GAN生成的人脸图像。例如,透视中的照明
39、和反射等物理特征可以用于识别GAN生成的人脸。这些方法不需要大量标记数据,但在准确性方面可能会受到噪声和其他因素的影响。3.基于生理的方法使用生理特征来检测GAN生成的人脸图像。这些生理特征包括对称性、虹膜颜色、瞳孔形状等线索。通过研究这些生理特征,可以识别出GAN生成的人脸。与基于物理的方法类似,基于生理的方法也不需要大量标记数据,但可能会受到个体差异和其他因素的影响。4.评估和比较人类视觉性能的方法使用人类参与者来评估GAN生成的人脸图像是否真实。这些方法可以提供有关GAN生成图像质量和真实性的有用信息。然而,这些方法并不直接用于检测GAN生成的人脸,而是用于评估和比较人类和AI的视觉性能
40、。资料来源:GAN-generated Faces Detection:A Survey and New Perspectives,Xin Wang等、浙商证券研究所图:GAN 人脸生成和检测工作的简要年表检测方向二:伪造人脸检测0428利用生成人脸仍不够逼真的漏洞基于 DS 的假视频检测:从 1 秒视听片段中提取的特征输入到 MDS 网络(包括音频和视觉子网络)。视频和音频子网络学习的描述符通过交叉熵损失进行调整,而对比损失用于增强音频之间的更高差异性-假视频产生的视觉块。MDS 被计算为视频长度上的聚合视听不和谐,并用作将视频标记为真/假的品质因数。资料来源:Not made for ea
41、ch other-Audio-Visual Dissonance-based Deepfake Detection and Localization,Komal Chugh等、浙商证券研究所图:基于DS的假视频检测流程图检测方向二:伪造人脸检测0429人脸伪造检测微调阶段:网络的输入包含 25 个灰度、对齐的唇部(我们仅显示四个用于说明目的)。它们通过冻结特征提取器(具有初始 3-D 卷积层的 ResNet-18),该特征提取器已经过唇读预训练,因此输出对嘴部运动敏感的嵌入。一个多尺度时间卷积网络(MS-TCN),也在唇读上进行了预训练,被微调以检测基于嘴部运动中语义高级不规则性的假视频。利用
42、生成人脸仍不够逼真的漏洞资料来源:Lips Dont Lie:A Generalisable and Robust Approach to Face Forgery Detection,Alexandros Haliassos等、浙商证券研究所图:基于唇部的伪造人脸检测流程图检测方向二:伪造人脸检测0430利用模型自身的能力N 和 C 表示图像和通道的数量。在伪影检测模块的帮助下,ID-unaware Deepfake检测模型旨在关注图像的局部表示以指示人脸伪造。资料来源:Implicit Identity Leakage:The Stumbling Block to Improving De
43、epfake Detection Generalization,Zheng Ge等、浙商证券研究所图:ID-unaware Deepfake检测模型的整体框架图:多尺度面部交换(MFS)概述MFS以全局交换和部分交换两种方式对配对的假图像和源图像进行操作,以生成具有工件区域真实值的新假图像。检测方向二:伪造人脸检测0431合成器网络(即生成器)输出三个伪造配置,进一步用于合成新的伪造,这些伪造配置也用作标签来指导检测器网络(即鉴别器),以对抗的方式训练生成器和鉴别器。资料来源:Self-supervised Learning of Adversarial Example:Towards Goo
44、d Generalizations for Deepfake Detection,Jue Wang等、浙商证券研究所图:对抗样本的自监督学习模型概述图利用模型自身的能力对抗训练框架由合成器G、图片合成和判别器 D 组成,其中:合成器:生成配置参数,用来合成更丰富的自监督样本数据(注意是生成配置的参数)1.原生假图:不处理,即不进入合成器,直接用来训判别器;2.原生真图:不增广的真图不进入合成器,直接训判别器;3.合成假图:有一定概率与一个随机图(Reference)进行增广,形成局部虚假的假图;图片合成:合成器G会生成配置方案(区域选择10个;混合blending类型选择;以及合成比例选择ra
45、tio),基于此进行合成(即数据增广)判别器G:对图片进行分类,同时添加辅助任务,用合成器的G的输出作为labelDeepfakes技术发展趋势展望05Partone32生成式AI技术的迭代增加伪造图片的真实度05331、数据:可供训练的数据集规模扩大,带来模型效果的大幅提升2009年发布的ImageNet数据集有1400多万幅图片,涵盖2万多个类别,其中有超过百万的图片有明确的类别标注和图像中物体位置的标注;而2022年3月开放的LAION-5B数据集包含58.5亿个图片-文本对,训练数据集规模的扩大可提升模型精度。2、算法:算法框架的迭代与组合,使得模型训练更加高效、稳定VAE模型由于在训
46、练过程中调整参数只能得到平均的结果,所以生成图片较为模糊;GAN模型通过生成器和判别器相互对抗,可以生成高分变率的图像,但由于需要同时训练生成器和判别器两个模型,训练难度大、不稳定,结果不容易收敛;Diffusion模型在上述两个模型的基础上,在图片质量和模型训练难度上取得了较好的效果,在其基础上进一步迭代的Stable Diffusion又进一步解决了传统Diffusion模型的采样速度慢的缺点。3、算力:算力水平的提升,助力更加高效的复杂模型训练算力水平的提升使得训练更大规模参数的模型成为可能,且可通过多张高算力芯片的组合,实现训练效率的提升。以ChatGPT为例,用单个Tesla架构的V
47、100训练包含1746亿参数的GPT3.0需要288年的时间,而用1024张A100GPU上预估需要34天,而多台的H100甚至可以将GPT的模型训练时间缩短到几天。模型精度性能随训练集规模增大提升各类生成式模型的优缺点资料来源:ImageNet网站、无界AI公众号、脑智新语公众号、码上跃见公众号、九慕资产管理公众号、浙商证券研究所AIGC的识别难度增大,潜在风险提升0534资料来源:浙商证券研究所总结整理AIGC监管及反生成AI市场空间测算06Partone35生成式AI监管政策梳理0636国内2019.11 网信办、文旅部、广电总局网络音视频信息服务管理规定:“不得利用基于深度学习、虚拟现
48、实等新技术新应用制作、发布、传播虚假新闻信息。”2019.12 网信办网络信息内容生态治理规定明确网络信息内容服务使用者和生产者、平台不得开展包括深度伪造在内的违法活动。2022.01 网信办、工信部、公安部、市场监督管理总局互联网信息服务算法推荐管理规定将生成合成类算法列入收到监管的五大类应用算法推荐技术之一,并要求对AI生成图片、视频进行标识。2022.11 网信办、工信部、公安部互联网信息服务深度合成管理规定明确强化深度合成服务提供者和技术支持者的主体责任,并建立健全的辟谣、举报机制。2023.04 网信办生成式人工智能服务管理办法(征求意见稿)强化AI生成内容治理、优化技术监管、强化个
49、人权利保障。国外2018.05 欧盟通用数据保护条例将包括可能被用于制作深度伪造内容的公民图片等个人数据置于现行欧盟法律保护之下。2018.09 欧盟反虚假信息行为准则加强互联网企业对平台内容的审查,提高对包括深度伪造等音视频文件的管控。2018.12 美国国会恶意伪造禁令法案:对制作深伪引发犯罪和侵权的个人、明知内容的深伪性质仍进行分发的社媒平台处以罚款和监禁。2019.06 美国国会深度伪造责任法案:制作深伪媒体内容的作者必须用“不可删除的数字水印以及文本描述“标明该内容经过篡改或生成。2020.05 澳大利亚战略政策研究所深度伪造技术武器化详细介绍了七个常见的深度造假工具:换脸、重新投射
50、、口型同步、动作传递、图像生成、音频生成、文字生成。2020.08 美国会研究服务处深度伪造与国家安全、人工智能与国家安全提示深度伪造已成为对手信息战的一部分。2023.03 意大利个人数据保护局宣布禁止使用ChatGPT,限制OpenAI处理意大利用户信息,并针对隐私安全问题立案调查。2023.06 欧洲议会通过了关于人工智能法案的谈判授权草案,针对生成式AI设立专门监管制度,并要求AI公司对其算法保持人为控制,提供技术文件,并为“高风险”应用建立风险管理系统。资料来源:网信办、欧盟官网、信通院互联网法律研究中心公众号、信息安全与通信保密杂志社公众号、财联社公众号、新华网、每经网反AI生成市
51、场空间测算0637监管侧市场潜在需求场景:司法鉴定与鉴别场景潜在需求方:公检法司公安局:3500检察院:3588法院:3508售价假设:42万/套(对标美亚柏科电子取证产品)空间测算:42万/套(3500公安局+3588检察院+3508法院)=44亿元企业市场潜在需求场景:AI伪造图片/音频识别潜在需求方:企业及个人用户互联网用户数量(截至2022年6月):10.5亿售价假设:325元/月(每天4万次调用请求)(对标海外产品售价)空间测算(纯软件部分):3900元/年10.5亿互联网用户 20次调用/天*3651460万次调用/年=20亿元表:监管侧市场规模敏感性分析(单位:亿元)单套设备售价
52、(万元)2025303540425060渗透率70%14.8318.5422.2525.9629.6731.1537.0844.5080%16.9521.1925.4329.6733.9035.6042.3850.8690%19.0723.8428.6133.3738.1440.0547.6857.21100%21.1926.4931.7937.0842.3844.5052.9863.57110%23.3129.1434.9640.7946.6248.9558.2769.93120%25.4331.7938.1444.5050.8653.4063.5776.29表:企业侧市场规模敏感性分析(单
53、位:亿元)每月订阅价格(元/月)650325390平均每人每天调用次数(次)51.021.622.053.074.105.126.14102.053.244.106.148.1910.2412.29153.074.856.149.2112.2915.3618.43204.106.478.1912.2916.3820.4824.57306.149.7112.2918.4324.5730.7136.865010.2416.1820.4830.7140.9551.1961.43资料来源:采招网、最高人民法院司法案例研究院公众号、illuminarty网站、AI Voice De
54、tector网站、人民网公众号、浙商证券研究所说明:由于官方未披露最新公检法司数量情况,我们参考最高法司法案例研究院2017年披露的数据进行估算说明:基本假设为每个机构需要采购一台设备,则在100%渗透率的情况下,每个监管机构均需采购一台设备;若部分机构未采购设备,则对应渗透率低于100%;若部分机构采购超过1台设备,则对应的渗透率超过100%公司梳理07Partone38美亚柏科0739美亚柏科是国内领先的电子数据取证行业龙头和公安大数据领先企业、网络空间安全和社会治理领域国家队,持续深耕“大数据智能化”与“网络空间安全”两个主要赛道;公司于2017年成立AI研发中心,深度开展人工智能技术研
55、究,并于2019年针对深度合成技术成立专项研究团队,现已具备自主研发深度伪造视频图像鉴定的核心引擎的能力;2023年3月20日,公司作为编写单位,参与编制国内首个生成式人工智能标准体系。公司自主研发的AI-3300“慧眼”视频图像鉴真工作站具备智能鉴定和专业鉴定两种模式,涵盖40余种视频图像真伪鉴定算法、近10种深伪鉴定算法,能够全方位多视角地识别利用深度伪造手段进行的换脸、美颜、生成人脸、同图或异图复制篡改的影像,识别效果处于国际领先水平,能够为公安、司法行业及相关领域提供一站式影像真伪检测鉴定解决方案。资料来源:美亚柏科官网、浙商证券研究所图:美亚柏科主营业务图:AI-3300“慧眼”视频
56、图像鉴真工作站东方通0740东方通作为国内领先的大安全及行业信息化解决方案提供商,持续深耕网络信息安全领域,其产品服务覆盖至政务、金融、企事业单位等多个行业,面对新一轮的AIGC识别产品的市场竞争,公司在技术转化落地方面具有深厚的实战经验优势;公司于2023年3月正式立项课题AIGC算法安全性检测方法研究,率先展开针对ChatGPT等AIGC算法的安全性评估测试方法和工具开发。公司现有“深度合成内容监测”产品,采用软硬件协同的解决方案,具备对常见AIGC算法生成的图片、音视频内容的检测能力,支持深伪检测、特定人物伪造检测、伪造溯源等,并已通过部分客户实现应用;其中音频类检测准确率可达特定人86
57、%、非特定人76%;同时,公司将推出TongGPT多模态智能交互模型,预计年底前实现针对AI生成语音诈骗的自动化提醒功能。资料来源:东方通官网、浙商证券研究所图:东方通AIGC解决方案图:东方通网络深度合成内容监测系统的产品优势瑞莱智慧0741瑞莱智慧(RealAI)作为人工智能基础设施和解决方案提供商,于2018年依托清华大学人工智能研究院发起成立,致力于以第三代人工智能技术为高价值场景智能化升级提供一站式赋能方案;公司为政务、金融、能源、制造、互联网等领域合作伙伴提供包括人脸识别系统安全、深度合成和伪造检测等产品和解决方案,具备深厚的技术和实践经验积累。公司推出的基于第三代人工智能技术(知
58、识+数据驱动;安全、可靠、可信)的深度伪造检测平台DeepReal,通过辨识伪造内容和真实内容的表征差异性、挖掘不同生成途径的深度伪造内容一致性特征,能够快速、精准地对图像、视频、音频内容进行真伪鉴别,在第三届中国人工智能大赛中斩获深度伪造视频检测A级证书;同时,DeepReal在学术数据集与主流网络数据集检测准确率达99%、在产业实践检测准确率达业内较高水平。资料来源:瑞莱智慧RealAI官网、中国人工智能大赛官网、浙商证券研究所图:瑞莱智慧在第三届中国人工智能大赛中斩获的奖项图:瑞莱智慧DeepReal产品架构图中科睿鉴0742中科睿鉴成立于2020年3月,核心团队源于中科院计算技术研究所
59、,致力于运用AI技术赋能数字内容安全,深耕虚假信息识别、深度合成内容检测、深度伪造溯源等技术研发,在国家公共安全监管、媒体内容审核、金融风控管理、保险理赔欺诈等关键业务场景中,率先实现伪造监测、伪造溯源、AI攻防对抗三大基础设施的全技术栈布局。公司积累了分行业、分场景的伪造检测能力,拥有参数量达60亿的行业基础大模型体系化能力底座,能够在此基础上微调,针对新的伪造生成技术迅速分化出不同检测模型;软件方面,目前已有音视频生成内容检测工具“睿安”、图像生成内容检测工具“睿图”、文本生成内容检测工具“睿鉴图灵”,全方位覆盖AIGC文本、图像、音视频的检测能力;硬件方面,已有“睿安深伪检测专用设备“,
60、为国内首款软硬一体的深伪检测专用设备,破解”敏感任务安全可控处理”和“现网流量大规模部署”两大瓶颈,并实现全国产化硬件生态适配,支持主流国产芯片。资料来源:中科睿鉴官网、浙商证券研究所图:中科睿鉴行业基础大模型框架图:睿安深度合成智能检测平台图:睿安深伪检测专用设备中科睿鉴0743中科睿鉴已通过“睿鉴AI”小程序,整合新闻可信度分析、图像伪造检测、视频伪造检测、AI生成文本检测等功能并面向公众开放,每项功能可每日免费使用15次。使用体验方面,“睿鉴AI”小程序简单易用、响应迅速、交互流畅,大幅降低了公众辨别伪造内容的技术门槛;识别准确率方面,经随机测试,“睿鉴AI”能够准确识别伪造图像和视频,
61、同时分类标注深度合成/PS篡改/AI生成的区域;而AI生成的文本经测试有概率被识别为人工生成,文本识别准确率仍存在进步空间。资料来源:中科睿鉴官网、“睿鉴AI”小程序、浙商证券研究所图:“睿鉴AI”小程序主页面图:“睿鉴AI”伪造图片和视频检测结果图:“睿鉴AI”AI文本检测结果Illuminarty0744Illuminarty是一个在线的AI生成内容检测网站,提供免费的在线AI检测基础服务,能够检测用户上传的图片和文本是否由AI生成;同时提供“基础”、“专业”、“企业”三种按月订阅套餐,为有进阶需求的个人和企业用户提供更专业的AI内容检测服务;平台于2022年10月活跃于互联网,目前正在开
62、发浏览器扩展程序以提供更便捷的AI内容检测服务。Illuminarty的图片检测采用计算机视觉算法,检测上传的图片是否由AI生成以及其使用的AI模型,并给出图片的AI生成概率;目前已具备检测主流生成式AI模型的能力,但功能尚存限制:1.基础设施受限,无法处理3MB的图片;2.样本受限,检测高分辨率图片、特定艺术风格图片、摄影作品、动漫/游戏截图时存在偏差;同时,新加入的检测AI生成文本的功能,可通过NLP算法输出上传文本为AI生成的概率,并标出最有可能为AI生成内容的段落,但现阶段的识别准确率存在较大提升空间。资料来源:Illuminarty官网、浙商证券研究所图:Illuminarty图片识
63、别功能演示图:Illuminarty订阅套餐及对应功能AI Voice Detector0745AI Voice Detector是一个在线的AI生成音频检测网站,支持上传多种音视频文件格式并检测用户上传的音频是否由AI生成,可应用于法律诉讼、媒体报道、客服交互等场景的音频真实性识别;其工作原理为通过处理和分析声音信号以提取频率、时域、能量等特征,使用机器学习算法进行分类和识别,输出音频为AI生成的可能性;平台于2023年2月开始活跃于互联网。据网站公开信息,AI Voice Detector能够准确识别特定音频样本是否由AI生成,但实际应用受限于包括上传文件自身的背景噪音、音频长度等因素,需
64、借助降噪、音频剪辑等工具以达到最佳检测效果;目前,网站不提供免费试用选项,仅支持订阅使用,且套餐选择单一,价格门槛较高、用户数量受限。资料来源:AI Voice Detector官网、浙商证券研究所图:AI Voice Detector功能演示图:AI Voice Detector当前用户数量图:AI Voice Detector订阅套餐Google0746Google于2023年5月宣布将在其图片搜索结果中,加入新功能“关于此图片”,该功能将为用户显示图片首次被Google索引的时间、图片首次出现的站点、显示该图片的其他在线平台(例如新闻网站、社交媒体)等信息,帮助用户判断网络图片的真实可靠
65、性,提高用户对于虚假信息的防范能力;同时,Google宣布将为其Imagen生成的图片原始文件加入AI标记以确保AI生成的图片能够被准确识别,并将允许内容创作者和发布者为图片进行AI生成标记,预计Midjourney、Shutterstock等平台将在近期加入AI生成标记。资料来源:Google官网、浙商证券研究所图:Google“关于此图片”功能演示图:Google的AI生成图片标记示例图:其他平台的AI生成标记示例风险提示08Partone47风险提示08481、AIGC监管以及识别技术研发以及相关产品落地不及预期2、报告中对各类模型的介绍与总结基于对于相关论文内容的理解,具有一定主观性3
66、、报告中对于反AI生成的市场空间测算存在主观判断及口径差异4、由AI安全需求带来的市场竞争加剧5、板块政策发生重大变化附录:主流生成式AI模型概览参考文献49Auto-Encoding Variational Bayes,Diederik P Kingma等、Generative Adversarial Networks,Ian J.Goodfellow等、Training generative neural networks via Maximum Mean Discrepancy optimization,Gintare Karolina Dziugaite等、Conditional Ge
67、nerative Adversarial Nets,Mehdi Mirza等、Learning structured output representation using deep conditional generative models,Kihyuk Sohn等、Learning What and Where to Draw,Scott Reed等、Conditional Image Synthesis With Auxiliary Classifier GANs,Augustus Odena等、StackGAN:Text to Photo-realistic Image Synthes
68、is with Stacked Generative Adversarial Networks,Han Zhang等、StackGAN+:Realistic Image Synthesis with Stacked Generative Adversarial Networks,Han Zhang等、Image-to-Image Translation with Conditional Adversarial Networks,Phillip Isola等、Progressive Growing of GANs for Improved Quality,Stability,and Variat
69、ion,Tero Karras等、Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks,Jun-Yan Zhu等、A Style-Based Generator Architecture for Generative Adversarial Networks,Tero Karras等、Taming Transformers for High-Resolution Image Synthesis,Patrick Esser等、ViTGAN:Training GANs with Vision
70、Transformers,Kwonjoon Lee等、Generative Models for Effective ML on Private,Decentralized Datasets,Sean Augenstein等、Alias-Free Generative Adversarial Networks,Tero Karras等、附录:主流生成式AI模型概览参考文献50Denoising Diffusion Probabilistic Models,Jonathan Ho等、Improved Denoising Diffusion Probabilistic Models,Alexand
71、er Quinn Nichol等、Your GAN is Secretly an Energy-based Model and You Should use Discriminator Driven Latent Sampling,Tong Che等、A Comprehensive Survey of AI-Generated Content(AIGC):A History of Generative AI from GAN to ChatGPT,YIHAN CAO等、Density estimation using Real NVP,Laurent Dinh等、FFJORD:Free-for
72、m Continuous Dynamics for Scalable Reversible Generative Models,Will Grathwohl等、Glow:Generative Flow with Invertible 1x1 Convolutions,Diederik P.Kingma等点击此处添加标题添加标题点击此处添加标题点击此处添加标题点击此处添加标题点击此处添加标题点击此处添加标题添加标题点击此处添加标题点击此处添加标题添加标题点击此处添加标题添加标题95%行业评级与免责声明51行业的投资评级以报告日后的6个月内,行业指数相对于沪深300指数的涨跌幅为标准,定义如下:1
73、、看好 :行业指数相对于沪深300指数表现10%以上;2、中性 :行业指数相对于沪深300指数表现10%10%以上;3、看淡 :行业指数相对于沪深300指数表现10%以下。我们在此提醒您,不同证券研究机构采用不同的评级术语及评级标准。我们采用的是相对评级体系,表示投资的相对比重。建议:投资者买入或者卖出证券的决定取决于个人的实际情况,比如当前的持仓结构以及其他需要考虑的因素。投资者不应仅仅依靠投资评级来推断结论行业评级与免责声明52法律声明及风险提示本报告由浙商证券股份有限公司(已具备中国证监会批复的证券投资咨询业务资格,经营许可证编号为:Z39833000)制作。本报告中的信息均来源于我们认
74、为可靠的已公开资料,但浙商证券股份有限公司及其关联机构(以下统称“本公司”)对这些信息的真实性、准确性及完整性不作任何保证,也不保证所包含的信息和建议不发生任何变更。本公司没有将变更的信息和建议向报告所有接收者进行更新的义务。本报告仅供本公司的客户作参考之用。本公司不会因接收人收到本报告而视其为本公司的当然客户。本报告仅反映报告作者的出具日的观点和判断,在任何情况下,本报告中的信息或所表述的意见均不构成对任何人的投资建议,投资者应当对本报告中的信息和意见进行独立评估,并应同时考量各自的投资目的、财务状况和特定需求。对依据或者使用本报告所造成的一切后果,本公司及/或其关联人员均不承担任何法律责任
75、。本公司的交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本报告意见及建议不一致的市场评论和/或交易观点。本公司没有将此意见及建议向报告所有接收者进行更新的义务。本公司的资产管理公司、自营部门以及其他投资业务部门可能独立做出与本报告中的意见或建议不一致的投资决策。本报告版权均归本公司所有,未经本公司事先书面授权,任何机构或个人不得以任何形式复制、发布、传播本报告的全部或部分内容。经授权刊载、转发本报告或者摘要的,应当注明本报告发布人和发布日期,并提示使用本报告的风险。未经授权或未按要求刊载、转发本报告的,应当承担相应的法律责任。本公司将保留向其追究法律责任的权利。联系方式53浙商证券研究所上海总部地址:杨高南路729号陆家嘴世纪金融广场1号楼25层北京地址:北京市东城区朝阳门北大街8号富华大厦E座4层深圳地址:广东省深圳市福田区广电金融中心33层邮政编码:200127 电话:(8621)80108518 传真:(8621)80106010