深度偽造技術在短短幾年內，已從小眾網際網路新奇事物演變為近9億美元的詐騙問題。基於Bittensor去中心化AI網絡構建的偵測系統BitMind Forensics，現已取得超越商業及開源替代方案的基準成績。
根據 2026 年 7 月的一篇 arXiv 論文，BMF 在 Deepfake-Eval-2024 圖像基準測試中達到 0.915 的曲線下面積（AUC）。在同一評估中，最佳商業模型的成績為 0.90。在影片檢測方面，BMF 得分為 0.822，超越了領先的商業成績 0.79。
AUC 本質上是評估分類器區分真實與虛假內容表現的成績單，其中 1.0 為完美，0.5 為拋硬幣機率。
一個加密子網如何成為深度偽造偵測者
BitMind 在 Bittensor 子網 34 上建構了其法證工具，該子網有一個頗具戲劇性的名稱 GAS，是 Generative Adversarial Subnet 的縮寫。一旦拋開專業術語，這個概念其實很簡單：網路上的礦工在對抗循環中相互競爭，不斷生成與檢測合成媒體。
這種節奏至關重要，因為傳統的深度偽造檢測器是基於固定數據集進行訓練，並以靜態模型部署。它們在處理之前見過的偽造內容時表現出色，但面對新型生成器的輸出時往往會失效。BitMind 的架構將檢測視為一場持續進行、不斷演化的競爭，而非一次性考試。這種更新大約每四小時進行一次。
該系統於 2025 年 1 月 15 日推出，配備一款移動應用程式，可為用戶提供亞秒級響應時間的即時深度偽造檢測。BitMind 表示，該工具在真實世界、網路上的內容中達成 95% 的準確率，此數據由聯合創始人兼執行長 Ken Jon Miyachi 引用。
以往的深度偽造檢測工具在實際情境中的平均準確率約為 69%。
上下文中的數字
除了頭條基準外，BMF 在大規模測試中的表現亦十分突出。該系統在知名實名認證提供商 Sumsub 的原始圖像上達到了 0.936 的 AUC。更令人印象深刻的是，它在超過 140 萬次圖像操縱的測試組合中，取得了 0.872 的 pooled AUC。
BitMind 也已開始商業整合。南非的 CysecOnline 是採用此技術的公司之一，顯示該技術在 Bittensor 生態之外，已開始進入傳統網絡安全領域並取得初步成果。
2025 年，與深度偽造相關的詐騙損失總計近 9 億美元，由於許多案件未被報告或分類錯誤，這一數字可能偏低。