如果有一天，你妈突然接到你的一个视频电话。

屏幕里就是你的脸，声音也是你的。

你说：“妈，我这边出了点事，先给我转2万块钱。”

她怀疑了。

于是故意打断你：“等等，你现在到底在哪？”

屏幕里的“你”马上停下来，看着她回答。

她还是不放心，又拿起桌上的一个东西问：“这个你看得到吗？”

“你”也能看到。

她皱眉的时候，你跟着放慢语气。

她没说话，你也没有机械地继续往下念，而是等了一会儿：“妈？你还在听吗？”

这时候，她还会觉得对面是AI吗？

过去我们教父母防诈骗，最后往往还有一招：

“别听声音，直接让他开视频。”

但10月1日，一个叫Griffin的AI出现后，这句话可能真的需要重新想一遍了。

因为它已经不是我们熟悉的那种：套着一张真人脸的AI数字人。

它最特别的地方是——它能一边看着你，一边听你说话，同时自己还在说话。

你可以打断它，它也可以插话，你停顿，它知道等。

你拿东西给它看，它能够反应。

甚至你还没说完，它就可能点头、笑、发出“嗯哼”这样的回应。

这已经不是“生成视频”了。

它开始模仿的，是：人和人面对面交流的整个过程。

而Tavus公布的一项测试，更让这件事变得有点不一样。

54个人和Griffin进行了一分钟实时视频聊天。

聊天结束以后，26个人认为刚才和自己聊天的是真人。

比例：48%。

差不多每两个人里，就有一个没有发现屏幕对面是AI。

但真正让我觉得这东西值得今天专门写一篇文章的，并不是48%。

而是：AI第一次开始攻击我们判断“真人”的方式。

01

Griffin和以前那些AI数字人，到底有什么不一样？

这才是最关键的问题，这几年AI数字人其实已经非常多了。

一张照片可以说话，克隆一段声音，嘴型可以对上，甚至皮肤、眼睛、头发都越来越像真人，但你只要真的跟它聊天，很容易露馅。

原因很简单。

过去很多系统，本质上是一条流水线：你说话—语音转文字—大模型生成答案—文字转语音—数字人开始张嘴。

所以整个过程其实是：你说完——它处理——它回答。

两个人轮流说。

你突然打断它，经常就会乱。

你犹豫半天，它可能不知道你到底说完没有。

你拿一个杯子放到摄像头前，它甚至不知道你为什么突然拿了个杯子。

换句话说：以前的AI像一个非常聪明的人，但隔着一道墙。

它只能等你把信息传过去，

再回答你。

Griffin不一样，Tavus把它做成了一个统一的video-to-video全双工系统。

什么意思？

用人话说就是：AI在说话的时候，没有“关掉耳朵和眼睛”。

它还在继续看你，继续听你。

继续判断：现在应该继续说？应该停一下？应该点头？应该插一句？还是应该等你把话说完？

官方披露，Griffin会以亚秒级的频率不断重新判断整个对话状态。

所以它可以出现很多过去AI很难自然做到的行为。

你讲话的时候：它：“嗯哼。”

你突然插嘴：它立刻停。

你讲了一个好消息：它还没等你彻底说完，表情就已经变了。

这听起来似乎只是一些很小的变化。

但恰恰是这些小动作，

组成了我们判断：“对面是一个真人。”

最重要的直觉。

02

更夸张的是：它生成的不只是“嘴”

很多传统AI数字人本质上是在驱动：脸，嘴巴，上半身。但Griffin官方展示的能力更进一步。

它可以从一张参考图片开始，实时生成整个画面。不是只改变嘴型，而是整帧生成。

身体、手臂、手指、动作甚至部分场景变化，都可以跟着发生。

官方甚至演示了一个非常有意思的案例：

和AI玩Simon Says。

真人做动作。

Griffin需要判断：

对方到底有没有说“Simon says”。

如果说了，它模仿，没说，它就不动。注意。

这里已经不只是：“AI听懂一句话。”

而是同时发生：看动作；听语言；理解规则；判断时间；控制自己的身体；最后实时生成视频。

另一个演示里，有人拿着魔方在镜头前操作。

Griffin可以看着魔方，

一边指导，一边等待对方完成动作，对方停下来，

它也知道：现在不是催促的时候。

这才是Human Interaction Model这个名字真正想表达的东西。

Tavus甚至没有把它叫：“更强数字人模型。”

而是直接给它创造了一个新分类：

Human Interaction Model

人类交互模型。

他们想做的根本不只是：“造一张更真的脸。”

而是：

让AI学会面对面和一个人相处。

03

这也是为什么那个48%，值得警惕

这次实验其实并不复杂。

参与者来自美国和欧洲。

他们被告知：会随机匹配另一个人，

然后进行一分钟视频聊天。

话题只是：“今年你最期待什么？”

对面实际上是Griffin-Lite驱动的AI。

脸是生成的，声音是生成的，回答是生成的，动作也是实时生成的。

参与者事前并不知道这一点。

一分钟之后，研究人员才问：你有没有想过，

刚刚那个人可能不是人？

结果：26/54的人认为对面是真人，也就是48%。

更值得注意的是：Tavus自己的上一代系统Phoenix-4.5，用类似测试方法得到的数字只有：2.4%。

从2.4%到变成48%。

当然，这个实验样本只有54人，而且来自Tavus公布的研究，不能简单理解为：

“现在48%的人类已经分不清AI和真人。”

这么说是不严谨的。

但它说明了一件更重要的事情：

AI露馅的地方，正在发生改变。

以前AI露馅，是因为：脸假，嘴型假，声音假。

现在这些问题越来越弱。

于是人们开始靠：反应。

你能不能听懂我？

能不能看见我？

我突然打断你，你怎么办？

我沉默的时候，你怎么办？

而Griffin现在做的，

恰恰是在补这一块。

04

然后，一个非常现实的问题就来了

如果这种技术被用于诈骗呢？

注意：目前没有证据证明Griffin本身已经被犯罪分子用于诈骗。

这件事必须说清楚。

但是，AI换脸+视频诈骗已经真实发生了。

而且金额并不小。2024年，香港发生过一起轰动全球的Deepfake诈骗案。

一家跨国公司的员工收到来自“英国总部CFO”的消息。

然后参加了一场多人视频会议。

会议里面，不仅有“CFO”，还有其他“同事”，脸是真的，声音也像。

会议也正常进行，最终，这名员工按照“高管”的要求进行转账。

损失：

约2亿港元。

后来香港警方调查发现，

骗子下载了公司高管公开的视频和声音资料，

再使用Deepfake技术制作了一段假的视频会议。

但这里有一个非常关键的细节。

当时那场会议主要还是：预录。

警方明确表示，由于使用的是预先录制的视频，

受害者实际上没有和“假高管”进行真正的自由对话。

也就是说，

骗子当时最大的弱点其实非常明显：

你真要临时问几个问题，他很可能就露馅。

结果即便如此，

仍然骗走了约2亿港元。

那么现在重新看Griffin。

问题就来了。

如果以后：

假老板真的可以听懂你的问题；

真的可以停下来回答；

真的可以看到你；

真的可以在你打断的时候闭嘴；

甚至可以根据你的表情改变语气……

我们过去用来识别Deepfake的很多“小技巧”，

是不是就会越来越难用了？

这才是这项技术真正值得讨论的地方。

05

AI诈骗正在从“伪造内容”，走向“伪造互动”

这是我认为Griffin最值得记住的一点。

过去的AI诈骗：伪造一张照片，伪造一段声音，伪造一段视频。

本质上都属于：伪造内容。

而下一步可能出现的是：伪造互动。

它不提前知道你要问什么。

但没关系。你问什么，AI现场回答。

你做什么，AI现场反应。

你质疑它，AI甚至可以继续解释。

这意味着未来攻击的，

可能不再只是你的眼睛和耳朵。

而是：你对“面对面交流”的信任。

FBI今年7月发布的警告里已经明确提到：

诈骗者正在利用AI生成视频进行实时视频聊天，

冒充公司高管、执法人员以及其他身份，

甚至通过视频来“证明”：

自己是一个真人。

今年9月，FBI再次警告：

新的AI技术已经能够帮助诈骗者在视频通话中冒充执法人员和政府官员，从而增加骗局的可信度。

所以这已经不是某部科幻片里的剧情。

技术路线已经出现了。

诈骗场景也已经出现了。

现在只是两者之间，

距离越来越近。

06

最值得警惕的一句话变了

以前老人被骗之后经常会说：

“我听到就是我儿子的声音。”

后来我们告诉他们：声音也能克隆。

于是变成：“但我看见他的脸了。”

我们又告诉他们：脸也能AI换。

于是很多家庭最后还有一个终极验证方式：

“那你开视频。”

这是我们用了很多年的心理防线。

因为正常人的直觉会觉得：

他能跟我实时说话，能听懂我，能回应我的问题，能看着我，那总该是真的吧？

Griffin最值得警惕的地方就在这里。

它正在告诉我们：

以后，连“实时互动”本身，都可能被生成。

所以未来真正危险的一句话可能变成：

“我都和他视频聊了五分钟了，怎么可能是假的？”

答案是：不能仅凭这一点确认。

07

那普通人以后到底该怎么防？

其实原则反而应该越来越简单。

不要试图和AI比：“我能不能看出破绽。”

因为今天你能看出的东西，明天模型可能就修掉了。

真正有效的办法，是：

不验证“长得像不像本人”。

验证“这次行为是不是本人发起的”。

比如：儿子突然视频找你借钱。

不要继续在这个视频里验证。

直接：挂掉。

然后用你原来保存的电话号码，重新打给他。

老板突然让你转100万元，哪怕摄像头里的老板：会笑，会骂人，甚至知道公司的事情。

原有的财务审批流程，一个都不能少。

FBI的建议也是类似：不要只相信视频本身，要通过已知、可信的独立渠道重新验证身份。

这可能才是AI时代真正有效的反诈逻辑。

最后

我一点都不认为Griffin是一项“邪恶技术”。

恰恰相反。

想象一下它真正成熟以后：

一个AI老师能看出学生皱眉，

知道：“他没听懂。”

然后马上换一种讲法。

一个维修AI能看着你手里的机器，

告诉你：“不是那个螺丝，是左边第二个。”一个陪练AI，

甚至能看着你的眼神、停顿和紧张程度，

陪你进行真正的面试训练。

这可能会是一个非常大的交互革命。

我们过去和电脑交流：鼠标、键盘、触摸屏。

后来变成：聊天框，而Griffin代表的下一步可能是：电脑不再等你下命令。

它直接坐在你对面，看你，听你，和你说话，理解你的表情。

甚至知道什么时候应该闭嘴。

这很强。

也正因为太强，

它才值得我们提前讨论另一面。

过去互联网教我们：不要相信陌生短信。

后来是：不要相信陌生电话。

AI时代又加了一句：不要仅凭声音和视频确认身份。

而Griffin之后，

我们可能还需要再加一句：

即使对方能看着你、回答你、被你打断，甚至和你聊了五分钟，也别让“像真人”代替真正的身份验证。

因为AI正在跨过一道过去很少有人想过的界线：

它不再只是生成一个假的人。

而是开始生成——“一个和你相处起来像真人的人。”

这，才是Griffin真正值得我们注意的地方。