AI 为什么要给生成内容加水印或标识？

想判断“这是不是 AI 内容”，先把问题拆开

看到一张可疑图片时，人们常把“有没有水印”“有没有 AI 标签”“有没有生成记录”当成同一件事。实际上，它们对应的是不同类型的证据：图像里是否存在特定信号、文件是否携带可验证的来源记录、平台是否向用户显示 AI 参与提示，以及某种生成系统是否留下自己的可检测模式。

这一区分很重要。没有发现某个标记，不等于可以直接推出“不是 AI 生成”；标记可能从未添加，也可能在截图、裁剪、重编码、平台转换或其他处理后变得不可用。反过来，即使发现了某个系统的信号，也只能说明该信号在当前检查中被观察到，不能自动扩展为对所有生成工具、全部编辑历史的判断。

为什么生成式 AI 越普及，标识越重要

生成和编辑的门槛降低后，人们越来越难仅凭成品判断它经历过什么流程。欧盟 AI Act 第50条的透明度义务正是在这个背景下落地：自2026年8月2日起，适用范围内的生成式 AI 提供者需要让人工生成或操纵的内容带有机器可读、可检测的标记；对于深度伪造和部分公共利益文本，还存在面向使用者的披露要求。

这并不意味着行业只需要一种万能水印。图片、文本、来源记录和用户界面标签的技术路线不同。

图像水印处理的是图像本身

图片可以直接叠加肉眼可见的名称或 Logo，也可以在尽量不遮挡画面的情况下嵌入信号，让兼容的检测器之后寻找。后者是否还能被观察到，取决于具体方案以及图片后来经历的裁剪、缩放、重压缩、截图或生成式编辑等变化。

SIGNA 当前属于这个“分享前准备图片”的场景：在支持的图片上添加可见水印和/或隐形 SIGNA 信号，之后再在设备端检查返回图片中是否还能观察到该信号。它不是一个用来给所有图片下“AI生成/非AI生成”结论的通用检测器。

SynthID-Text 改变的是语言模型的采样过程

文本没有可供嵌入图像纹理的像素。Google DeepMind 的 SynthID-Text 在自回归模型选择下一个 token 的 sampling 阶段加入带密钥的统计结构。发表于 Nature 的论文使用 Tournament sampling，并区分了力求在期望意义上保持原分布的 non-distortionary 配置，以及用一定质量代价换取更强可检测性的 distortionary 配置。

2026年9月，Lasso Security 的一项研究又引发讨论。研究者把 SynthID-Text 实现用于多种开放模型后，观察到部分拒答判断和工具调用会随水印配置发生变化，并把这种现象称为“sampling drift”。对 AI agent 来说，一个 token 的变化可能恰好落在函数参数、路径或操作对象上，因此这个问题值得单独评估。

但这项争议不能直接套到所有“隐形水印”上。它研究的是介入 LLM token 选择过程的文本水印。把信号写入图片像素的方案并不存在“下一词怎么采样”这一环节，因此不能据此推断 SIGNA 图像信号会产生同类 sampling drift。

Content Credentials 是来源与编辑历史体系

C2PA Content Credentials 采用另一条路线：把与资产创建、编辑等有关的 assertion 组织进签名 manifest，并与内容绑定，在既定 trust model 下验证。这更接近“验证记录下来的来源信息”，而不是“寻找某个统计水印模式”。

因此，找不到 Content Credentials、找不到某个特定水印、看不到平台 AI 标签，三者不能互相替代。它们可能从未被创建，也可能在后续流转中以不同方式丢失或改变。

给人看的 AI 标签承担的是另一种作用

欧盟委员会2026年的 Article 50 指南与透明度 Code of Practice 明确区分了提供者的机器可读标记和部署者在深度伪造、特定公共利益文本等场景下的披露。人能一眼看到的标签、软件可读取的信号、带签名的来源记录可以互补，却不是同一个东西。

“没有标记”不能直接推出“不是 AI”

截图、重新编码、平台处理、元数据剥离、使用不同生成系统等，都可能让你预期的标识不存在。反过来，检测到某一系统特有的信号，也只应回答与该信号有关的问题。把“特定信号检测”扩大成“万能 AI 鉴定”，会超出证据本身能说明的范围。

SIGNA 在这张图里处于哪里

SIGNA 面向的是图片分享前的实际流程。在支持的 Android 图片处理流程中，所选图片在设备本地处理，而不是为了这些操作上传到 SIGNA AI Lab 服务器。你可以按需要使用可见水印与隐形 SIGNA 信号，并在之后检查支持的图片。

这不替代 SynthID-Text，也不替代 C2PA。把不同技术的边界说清楚，反而更容易知道什么时候该用哪一种工具。