合同也可以发挥作用，可以加强这样的过程。此外，在技术层面上，通过在进程中应用多SIG(多重签名)事务可以意味着即使一个身份被破坏，也可以提供多个身份来获得最终批准。”  人工智能和Deepfake  Alexander Adam博士对于如何使用人工智能对抗Deepfake进行了分析。他说，“机器学习算法非常适合识别大数据中的模式。机器学习可以通过使用分类技术来提供一种从真实音频中检测假音频的方法，其分类技术通过向算法显示大量的Deepfake和真实音频并教会区分两者之间的频率差异开展工作。例如，通过在音频频谱图上使用图像分类，可以教会机器学习模型‘发现差异’。但是现在还没有现成的解决方案。  其部分原因是，模拟音频的Deepfake并未像模拟视频Deepfake一样受到威胁。音频Deepfake并不完美，如果它是针对某人认识的特定人物量身定制的，那么应该能够分辨出两者之间的区别。也就是说，电话的干扰或外部背景噪声可能会掩盖这种情况。而且，由于媒体对Deepfake视频的关注度很高，因此人们可能不太了解音频Deepfake的潜在风险。  但是我们预计，在未来几年中，恶意音频Deepfake的创建和使用将会增加，并且会变得更加复杂。这是因为网络攻击者可能对机器学习模型有更好的了解，以及如何将在一个模型上使用的知识转移给另一个模型并快速进行训练。因此人们需要注意的是，随着Deepfake生成的内容变得越来越好，检测方法也需要随之进行改进。”