概述
它对于大规模发现错误信息、学术不诚实和未标记的人工智能内容很重要。
深入探讨
语言模型通过从词汇表的概率分布中采样，一次生成一个标记。水印以一种秘密的、可重复的方式使采样产生偏差。在流行的 Kirchenbauer 式方案中，前面标记的哈希将词汇表伪随机分割为绿色列表和红色列表，然后推动模型更喜欢绿色标记。真正随机的人类文本大约平等地使用绿色和红色标记，但带水印的文本包含统计上不可能的绿色标记过剩。知道密钥的检测器会重新计算列表并运行统计测试，标记绿色令牌计数过高而不可能是偶然的文本。文本本身不存储密钥；信号存在于代币选择中。
现实世界的实施
Google DeepMind 的 SynthID-Text 隐形水印 Gemini 输出，以便公司以后可以识别其自己的模型生成的文本。
一所大学使用水印检测器来筛选提交的论文中人工智能生成的段落，同时保留学生的可读性。
新闻平台检查大量发布的评论是否带有指示协调机器人生成的水印信号。
模型提供商嵌入水印，以遵守欧盟人工智能法案等法规中出现的出处披露规则。
水印语言模型输出的未来
Google DeepMind 的 SynthID-Text 将水印投入生产，包括《欧盟人工智能法案》在内的政策制定者越来越期望合成内容上有出处信号。研究正在推动对释义和裁剪具有鲁棒性的水印、能够在翻译中幸存下来的语义水印以及公钥方案，以便任何人都可以在不掌握允许他们伪造的秘密的情况下进行验证。公开的挑战仍然是一场军备竞赛：更强的检测器与廉价的删除攻击，以及任何开放权重模型都可以简单地禁用水印的现实。
付诸实践
为什么这很重要
- 成本与预算. 多年来，架构决策决定着性能和运营成本。
- 更清晰的判决. 技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
- 质量控制. 更好的工程选择可以减少生产中的可靠性事故。
留意
- 优化一项基准测试可以隐藏更广泛的系统弱点。
- 基础设施和维护成本常常被低估。
- 随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
后续步骤
- 在实施之前定义延迟、质量和成本目标。
- 在实际负载和数据条件下进行基准测试。
- 仪器监控错误、漂移和用户影响。
- 在扩展之前准备回滚和事件响应路径。
不断探索
常见问题
什么是水印语言模型输出？
水印将隐藏的统计信号嵌入到人工智能生成的文本中，以便以后可以将其检测为机器编写的，而不会改变人类读者所看到的内容。它对于大规模发现错误信息、学术不诚实和未标记的人工智能内容很重要。
在绿名单/红名单水印中，信号是如何嵌入的？
该方案使用秘密种子将词汇表划分为绿色和红色列表，并推动模型更喜欢绿色标记，留下统计盈余而不是任何可见的标记。
为什么水印文本很短时更难检测？
检测统计数据在令牌上累积并随着序列长度而增长，因此短通道缺乏足够的绿色令牌剩余来自信地超过机会。
通常是什么决定了代币是否进入绿名单或红名单？
由先前令牌和秘密密钥播种的伪随机函数可重复地分割词汇表，因此检测器可以稍后重新计算相同的列表。
哪种操作最有可能删除或削弱文本水印？
释义和翻译取代了许多带水印的令牌选择，洗掉了检测器所依赖的精心放置的绿色令牌剩余。
增加绿色代币偏见强度时的关键权衡是什么？
更强的偏差会产生更清晰、更稳健的信号，但会迫使模型偏离其首选标记，从而稍微损害流畅性和多样性。