假车祸视频被行拘了，但真正的代价在下一次

这两天到我们这儿的图和视频里，行车记录仪风格的片段明显多了起来。问的都是同一句：这是真的吗。

今天下午的一条通报正好对上。小米公司发言人发文说，公司就短视频平台上有人用 AI 生成虚假车祸视频抹黑产品、侮辱高管一事向警方报案，反馈回来了：一个账号长期干这事，被行政拘留 7 日并删除全部侵权链接；另一个被行政罚款。这不是今年第一起，6 月就通报过一次，也是 AI 生成的虚假汽车事故视频。

我们盯这类内容有一阵了，有几句话想说。

造一条假车祸，比拍一条真车祸容易太多

成本是完全不对称的。一段三十秒的事故画面，用现在的视频模型几分钟就能出，配一个「某某车高速失控」的标题就能跑量。而被造谣那一方要做的事是：发现、取证、报案、等查证、等处罚、等下架。

流量分配也不对称。假视频在头一天就吃掉了绝大部分播放，等通报出来，热度早过去了，留下的印象也不会因为一纸处罚就消失。

同一天还有两起同类的。四川眉山有人用 AI 生成「公园涨洪水」的画面发到网上，还在评论区主动回复具体地点；湖北黄冈有人编造「龙卷风罹难 8 人」。两人都被行政处罚。套路是一样的——AI 负责出画面，人负责补一个足够具体的地名。地名才是让人相信的那部分。

反直觉的一点：事故视频恰恰是我们最不敢下结论的一类

很多人会想，车祸视频糊成那样，AI 做得再好也该露馅。

其实反了。画质越差，检测越不可靠。

道理不复杂。检测模型看的是生成过程留下的统计痕迹——高频纹理怎么分布、噪点有什么规律、边缘是怎么被处理的。这些痕迹都很脆弱。行车记录仪本身码率就低，再被翻拍一遍、转发几轮、平台压缩两次，痕迹基本被抹平了。

于是两个方向都会翻车：

• 真的 AI 视频，因为糊，读出来 AI 概率反而不高；
• 真的监控画面，因为压缩后同样呈现出那种过分平滑的「塑料感」，被读出高 AI 概率。

我们自己的免费检测躲不开这一条。所以碰到事故类、监控类、翻拍类的素材，我们给的结论会更保守。不是谦虚，是这类输入本来就踩在模型能力的边缘上。

这也是我们一直把「仅供参考、不构成法律证据」写在显眼处的原因。一段像素本来就被压烂的视频，上面的任何一个数字都不该被当成判决书。

真正的代价在下一次

比「这次骗到了谁」更麻烦的是另一件事：假事故视频传得多了，会顺带污染真事故的可信度。

这个现象在法学界早有名字，叫 liar's dividend，说谎者红利。2019 年 Robert Chesney 和 Danielle Citron 在一篇论文里提出来的：当所有人都知道视频可以被伪造，任何一段真实视频都可以被一句「这是 AI 做的」轻松打发掉。造假的人不用真造假，只要指出造假是可能的，就已经获利了。

耶鲁有个实验挺扎心。Ternovski、Kalla 和 Aronow 的研究发现，告诉人们「深度伪造存在、要当心」，并没有提高他们识别假视频的能力，却明显提高了他们把真视频判成假的比例。2026 年 Frontiers in Political Science 上一篇综述汇总了 21 项研究，结论方向一致，还给这种副作用起了个名字叫「怀疑税」——所有人都在交，包括那些看的是真画面的人。

所以只讲「要警惕 AI 假视频」是不够的，讲多了甚至在帮倒忙。我们自己做科普也得警惕这一点。

落到车祸这件事上很具体：真有人出了事故，家属发段视频维权，评论区第一反应变成「这不会是 AI 吧」；再有人随手测一下甩出个百分比，事情就更说不清了。检测器不是辟谣器。它给的是像素来源的概率，不是事实的真假。这两件事分得越清楚越好。

遇到事故类视频，先别急着测

我们自己的顺序是这样的，检测排在第三步，而且从不单独下结论：

1. 找最早的出处，不看你刷到的那条转发。 谁先发的、什么时候发的、这个账号平时发什么。一个注册没几天、专发某个品牌事故的号，比任何检测结果都说明问题。
2. 找现实世界的锚点。 路牌、车牌格式、天气、路面干湿、周边建筑、时间戳。模型可以把车画得很像，但很难让十几个现实细节互相自洽。再去查当地交警或权威媒体有没有对应通报——真事故几乎不会只有一个视频源。
3. 给低画质素材的读数降权。 如果这段视频被压过很多次，工具给 5% 还是 95% 都不该拿来定性。这时候能定事的是出处和锚点，不是那个百分比。

我们是免费的，也不站在这类纠纷的任何一边，所以更敢把不讨喜的话说出来：这个数字有它的边界。一段糊到看不清车标的视频，最该问的不是「AI 概率多少」，而是「这东西最早从哪儿冒出来的」。

假视频伤的是被造谣的那一方，说谎者红利伤的是所有人——包括那些真的需要被看见的画面。