AI生成内容的识别

在前一篇文章中，简单讲述了生成式大模型对一些行业造成了巨大的冲击，甚至可能导致这些行业退出历史舞台。

然而，毛泽东的《矛盾论》中指出“矛盾存在于一切事物的发展过程中”，每一个事物的发展，有了“矛”，就必定有对应的“盾”存在。

在生成式大模型兴盛的这个时代，有了AI生成内容这个“矛”，就必然会相应的产生对AI生成内容进行识别的“盾”的需求。

对于如何有效的检测AI生成内容，现在业界的研究比较有限，根据个人查阅的一些资料来看，大致的方向主要包括事前防御和事后识别两类。

事前防御

所谓的事前防御，就是在对大模型进行训练时，或者是在大模型生成内容时，增加一些类似“水印”的标记，然后采用和大模型对应的检测工具，可以很方便的识别出某段内容是否是该大模型生成的内容。

• 优点：识别准确率高，基本可以百分百识别出对应大模型生成的未修改内容。

• 缺点：（1）增加“水印”的内容，可能在后期被人为的修改和调整，从而破坏原有的“水印”结构，导致其检测工具失效；（2）由于“水印”是具体大模型生成的，对应的识别工具可能是具备识别特定大模型的能力，除非有行业标准，所有大模型都按照统一的标准生成“水印”。

事后识别

所谓的事后识别，就是在大模型已经生成了内容，然后识别工具对内容的结构进行分析，判断其是否有AI生成。

事后识别最简单的有两种方法：

• 对比法

所谓对比法，就是使用不同的提示词，由大模型多次生成内容，然后将大模型生成的内容和待检测的内容进行对比，分析其相识度，从而对待检测内容做出判断的方法。

• 句法分析

所谓句法分析，就是事先使用大量的AI生成内容对识别大模型进行训练，使识别大模型掌握AI生成内容的词语使用、句子构成、句子长短、段落长短等特点；然后，再使用大量的真人生成内容对识别大模型进行训练，使识别大模型掌握真人生成内容的词语、句子、段落等特点；最后，再使用训练好的识别大模型对待检测内容进行识别。

• 优点：具备大模型无关性，训练好的识别模型可以适用于大部分的大模型生成工具。

• 缺点：识别准确率不如“事前防御”方法，而且随着生成式大模型的迭代升级，之前训练好的识别大模型可能会失效，需要不断跟随生成大模型进行迭代训练，和生成大模型之间打持久的“攻防战”。

生成式大模型和识别式大模型之间必将会是一个长久的博弈过程，识别方法肯定也会不断地迭代出新，当前也有一些企业和机构在对AI生成内容的识别做研究，比如：copyleaks提供了人工智能内容检测器、抄袭检测器等，据称国内首个AI生成内容检测工具AIGC-X提供对文本的AI检测，斯坦福大学研究团队提出的DetectGPT通过分析大模型生成的文本在模型的对数概率函数分布情况进行AI生成内容识别。

最后，给出一个生成式内容识别的产品，以及对本文部分内容的识别结果，大家敢兴趣可以试试：

AI内容检测器 ➤ AI生成文本识别 | NeuralWriter