如果要問DeepSeek、ChatGPT、文心一言、豆包、Kimi等生成式大模型最廣泛的用法是什麼，學生黨的回答可能是：寫作業。很多人發現，AI生成的文字，可能比自己寫得更優美、更流暢、更嚴謹。但這種便利無疑給學校管理者帶來了麻煩——如何監督學生，不把自主思考讓位給人工智能？在操作層面，這個難題就是——如何精准識別AIGC（AI生成內容）？

專家也難辨真假

記者調研發現，現如今，大學生利用AI輔助完成作業、畢業論文（設計）的情況已非常普遍。對此，全國多所高校都在試行或出台相關規定辦法，規范大學生對AI工具的使用。今年畢業季，部分高校提出要求，學生的畢業論文除了要通過查重外，還需檢測AIGC工具使用情況。

但現實中，不少學生反映，一些AI檢測工具存在誤判問題：有的學生在同一平台對同一文檔進行AI檢測，第一天的檢測率為10%，第二天上升至20%多﹔有的學生論文中的原創內容被系統判定為AI生成﹔更有學生發現，即便論文主要內容是公式、著名作家的經典文章，系統也會顯示AI檢測率超標……

AIGC，很難選、很難評？確實如此。

發表在《應用語言學研究方法》上的一則研究，討論了頂級期刊的語言學家、評論家能夠在多大程度上區分AI寫作和人工寫作——72位專家參與了這項調研，結果專家的正確率不足40%。

從共同處找不同

目前，如何精准識別AIGC，已經成為人工智能學術界研究的熱點。這不單單是為了督促學生們認真學習，更在科研、法律、政策、經濟管理等方面，有巨大的潛在需求。那麼，如何研發出一款“靠譜”的檢測工具呢？

西湖大學自然語言處理實驗室負責人張岳認為，要在共同處找不同。

他說：“盡管我們作為‘人’，很難准確揪出AI生成的文字，但面對AI撰寫的文字時，總有一種說不上來的‘別扭’。這種別扭，或許是來自潛意識裡的直覺判斷，但卻說不清道不明。”

事實上，機器生成的文本與人類生成的文本看起來很像，但在語義、語法、用詞習慣等細節處理上，存在許多不同。

“人類的思考是‘因果性’的，而機器的思考則偏向‘統計性’。”張岳進一步解釋，“以寫文章為例，AI的寫法是學習現有數據，從中挑選最‘安全穩妥’的詞，也就是按照概率高低來選詞，這和人寫作的創造性是有本質區別的。”

如果現在有一個數據庫，裡面裝著人類歷史上100位著名作家的文章。當AI用“統計性”學習這個數據庫，它學到的不是這些作家的“神來之筆”，而是他們之間共用的、出現頻率更高的詞。

這個詞，叫“平庸”。

因何如此？

張岳認為，症結在於AI缺少“泛化性”，即模型的“適應能力”。換言之，模型不能借助訓練數據中學到的因果邏輯舉一反三，並將這種能力拓展應用至未曾接觸過的領域。

用AI識別AI

日前，西湖大學自然語言處理實驗室研發出的一款AI程序Fast-DetectGPT，試圖用AI“打敗”AI。而這款工具，本質上就是“找不同”。

張岳介紹，目前已知主要有三類技術來識別AI生成的內容：監督分類器法、零樣本分類器法、文本水印法，用起來各有利弊。

監督分類器法比較實在，它需要收集大量的已知數據並做分類學習，就像學生上課，碰到沒有見過、學過的數據，就會找不著北，導致准確率下降。

零樣本分類器法，顧名思義無需收集數據，它主要是學習AI寫的文本有什麼特征，以此來做區分判斷。但是，AI寫文章到底有什麼特征呢？如果AI寫得越來越像人，特征越來越不明顯怎麼辦？這便是其中難點。

文本水印法，與前兩種方法的邏輯不同，它是在AI生成的文本上打上水印，准確率比前兩種都要高，但可能存在水印被人為弱化甚至移除的風險。

作為Fast—DetectGPT主要研發者，西湖大學博士研究生鮑光勝選擇用零樣本分類器法完成這項實驗。

他提出一種假設——在給定上下文情況下，人類和AI在選擇詞匯時會存在明顯差異，但不同AI模型之間的差異並不明顯。研究團隊針對這種差異，開發了一種自動化的指標進行區分。

“我們可以把它理解成，面對一篇文章，Fast—DetectGPT作為AI會先想想，自己會怎麼寫？然后根據這個自問自答的參考答案，去比對原文，看看重合度有多高——以子之矛，攻子之盾。”鮑光勝說。

他進一步解釋，當程序接收到一個文本片段，首先會在不改變原意的情況下進行改寫，把局部的同義詞替換掉，再將這份替換后的文本與原始文本進行對比，如果是AI寫的，兩者之間的相似性會比較明顯。

簡單來說，AI對AI寫的內容更“熟悉”，可以“認出”同類的作品。

效果怎麼樣？

張岳介紹，目前，Fast—DetectGPT及其私有模型擴展Glimpse能夠支持26種語言。2024年4月上線至今，已經有450多萬人次用它做過“是AI還是人”的檢測。與上一代DetectGPT相比，Fast—DetectGPT在速度上提升了340倍﹔在檢測准確率上相對提升約75%——在ChatGPT生成文本上，檢測正確率為96%﹔在GPT—4生成的文本上，檢測的正確率達到了90%﹔針對DeepSeek—v3生成文本的檢測，正確率則達89%。

“當然，面對當前不斷迭代更新的大模型，科研團隊將持續研究，以幫助公眾精准識別AIGC。”張岳說。

分享讓更多人看到