再不能用ChatGPT写作业了！新算法给AI文本加水印，置信度99。99

　　明敏 Alex 发自 凹非寺
　　量子位 | 公众号 QbitAI
　　AI生成文本，又遇新对手！
　　凭借识别AI生成文本中的＂水印＂，一种新算法能够准确判断文本到底是谁写的。
　　无需访问模型参数、API，结果置信度高达99.999999999994% 。
　　方法一经发布就引来大量网友围观。这回拿ChatGPT＂作弊＂，怕不是要更难了？
　　要知道，最近一段时间，ChatGPT先是成为美国高中生的写作业利器，后面帮专业媒体写稿子，引发巨大恐慌。如Nature、纽约教育部等，都针对ChatGPT发布禁令。
　　马里兰大学学者们提出的这一新方法，为解决这些麻烦提出了个新思路。
　　不少网友都觉得，这个方法提出的正是时候，而且效果看着也不错。
　　有学者还和美国高中生喊话，你们要做好准备了！
　　作者表示，方法代码将在2月15日免费开源。计算文本由AI生成的概率
　　所谓模型水印，人类无法看到，但是计算机可以。
　　这是一种现在被常用于大规模语言模型（LLM）中的方法，能让AI生成的文本带有＂特殊标记＂。即把信号嵌入到生成的文本中，让算法能从一小段token中检测出来。
　　最近，OpenAI方面也表示，考虑在ChatGPT中添加水印，以降低模型被滥用带来的负面影响。
　　这篇最新论文的作者，就想验证下这个想法到底靠不靠谱。他们通过给LLM中嵌入水印，然后再进行检测。其中水印的嵌入不会影响文本生成质量。
　　具体来说，大规模语言模型每次生成一个token，每个token将从包含大约5万个词汇的词汇表中进行选择。
　　在新token生成之前，该方法会从基于最近已生成的token为随机数生成器（RNG） 提供＂种子＂，以此来压一个水印。
　　然后使用RNG，能将词汇表分为黑名单 和白名单 ，并要求LLM接下来只能从白名单中选择词汇。
　　如果整段文本中，白名单中的词汇越多，就意味着越有可能是AI生成的 。
　　黑白名单的区分，基于一个原则：
　　人类使用词汇的随机性更强。
　　举例来说，如果在＂美丽的＂后面生成词汇，水印算法会将＂花＂列入白名单，将＂兰花＂列入黑名单。
　　论文作者认为，AI更可能使用＂花＂这个词汇，而不是＂兰花＂。
　　然后，就能通过计算整段文本中白名单token出现的情况，来检测水印。
　　如果一共有生成了N个token，所有的token都使用了白名单词汇，那么这段文字只有2的N次方分之一 概率是人类写的。
　　即便这段文字只有25个词组成，那么水印算法也能判断出它到底是不是AI生成的。
　　但作者也表示，水印有时候也不一定完全靠谱。
　　比如模型输出了＂SpongeBob Square＂，下一个单词一定会是＂Pants＂吧？但是Pants会被标记到黑名单里，即认为是只有人才会写的词。
　　（注：SpongeBob SquarePants是《海绵宝宝》动画片的英文，可理解为一个专有名词）
　　这种情况会严重影响算法的准确性，因此作者将其定义为低熵token ，因为模型几乎不会有更好的选择。
　　对应来看，也会有高熵token ，比如＂海绵宝宝感觉____＂这个句式里，能填入的词汇太多了。
　　对于这一情况，作者选择针对高熵token制定更强的规则，同时保留低熵token，确保水印质量更好。
　　与此同时，他们还添加了波束搜索（Beam search） ，允许LLM能够排布一整个token序列，以避免黑名单词汇。
　　这么做，他们能确保LLM使用白名单词汇的概率在大约80% 左右，而且不影响文本生成质量。
　　举例来看，对于下面这段文字，水印算法认为它有99.999999999994%的可能是由AI生成的。
　　因为在这段文字中，包含36个token。如果是人类写的，那么文本中应该包含9±2.6个白名单词汇（白名单词汇的概率约为25%）。
　　但这段文字中，包含了28个 白名单词汇。
　　计算来看，这段文字由人类写出的概率，仅有0.0000000000006%  （6乘以10的-15次方） 。
　　如下标注的是文本中的黑名单token。
　　需要注意的是，如果想要水印正常发挥作用，并不受到攻击，就必须对文本进行一些标准化处理，并且需要检测某些类型的对抗性提示。
　　这一方法是对外公开的，将在2月15日 开源代码。
　　加一个随机秘钥，也能变成保密模式并且托管到API上，这能保证水印不会被篡改。
　　论文中使用的模型是Meta开源的OPT-1.3B 模型。
　　由于不用访问底层模型，所以该检测方法的速度很快，成本也不会很高。
　　而且可以使用标准语言模型生成带水印的文本，不用再重新训练。网友：似乎很容易绕过？
　　巴特，不少网友觉得，这个方法的具体实践效果可能远不及理想，质疑之声迭起。
　　有人提出：如果我在AI生成的文字基础上，修改几个词，还能被查出来吗？那在替换成近义词后，检测准确率会下降多少？
　　毕竟大家往往不会一字不改、直接用AI生成的内容。
　　对此，论文通讯作者、马里兰大学副教授Tom Goldstein回答称：对于一段自带水印的文字，至少得修改40%-75%的token，才可能成功去除水印。
　　（如果用其他程序修改内容话） ，为发生同义词攻击，导致生成内容的质量很低。
　　简而言之，想要通过换近义词来消除水印，得大篇幅修改，而且若不是人亲自手动修改的话，效果会很拉胯。
　　还有人提出：
　　对于专门设计过的低熵token序列，应该能检测出水印。但是，长度和检测率之间 （存在一些矛盾） ，它们的优先级应该如何权衡？
　　对此，Tom教授表示：根据设定，使用波束搜索时，绝大多数 （通常是90%） 的token在白名单上，即使是低熵token，也会被列入白名单。
　　所以，至少得修改一半以上的token，才能删除水印，而这需要一个超级强大的LLM模型才行，一般人很难接触到。
　　不过，研究者们也在论文中承认，这种方法确实存在一些局限性。
　　比如，检测水印的z统计量，只取决于白名单大小参数γ和生成白名单的哈希函数，和其他不少重要的参数并没有什么相关性。
　　这就让他人可以在下游水印检测器上做手脚，可以改变水印采样算法，重新部署水印，最终让原本生成的水印失效。
　　就连OpenAI CEO Sam Altman也表示：
　　创造完美检测AI抄袭的工具，从根本上来说是不可能的。
　　（尽管他说OpenAI打算启用水印大法）
　　但话说回来，人们为了限制AI生成文字的负面影响，还是煞费苦心——
　　之前就有人搞出了一个检测ChatGPT的网站，名曰GPTZero，只需要把相应的内容粘进去，几秒内就能分析出结果。
　　论文地址：
　　https://arxiv.org/abs/2301.10226
　　参考链接：
　　[1]https://twitter.com/tomgoldsteincs/status/1618287665006403585
　　[2]https://twitter.com/goodside/status/1610552172038737920
　　[3]https://www.technologyreview.com/2023/01/27/1067338/a-watermark-for-chatbots-can-spot-text-written-by-an-ai/
　　— 完 —
　　量子位 QbitAI · 头条号签约
　　关注我们，第一时间获知前沿科技动态