AI檢測(cè)AI：“矛”更利還是“盾”更堅(jiān)

。”鮑光勝說(shuō)。

模型訓(xùn)練分類器法

，首先要收集大量人類創(chuàng)作內(nèi)容與AIGC，然后以此為基礎(chǔ)訓(xùn)練一個(gè)能區(qū)分兩類內(nèi)容的分類器。“這是目前被廣泛使用的一種方法，但缺點(diǎn)較為明顯。”鮑光勝解釋，用于訓(xùn)練分類器的數(shù)據(jù)有限，很難覆蓋所有類型和語(yǔ)言的文本。分類器在訓(xùn)練數(shù)據(jù)覆蓋的文本領(lǐng)域或語(yǔ)言上檢測(cè)準(zhǔn)確率較高，反之準(zhǔn)確率則較低。而且，模型訓(xùn)練往往需要較高成本，數(shù)據(jù)規(guī)模越大，訓(xùn)練成本越高。

相比之下

，零樣本分類器法不需要對(duì)機(jī)器進(jìn)行訓(xùn)練，也無(wú)需收集數(shù)據(jù)。它利用已訓(xùn)練好的大模型，抽取語(yǔ)言模型生成文本的特征，據(jù)此來(lái)區(qū)別人類與機(jī)器。“似然函數(shù)是零樣本檢測(cè)法中比較常用的基準(zhǔn)之一，它可以簡(jiǎn)單理解為一段文本在某個(gè)模型的建模分布中出現(xiàn)的概率。概率是一種特征，不同的概率體現(xiàn)了人類創(chuàng)作內(nèi)容與AIGC的差異。”鮑光勝進(jìn)一步解釋，“零樣本分類通過(guò)綜合考慮多種函數(shù)特征來(lái)區(qū)分人類創(chuàng)作內(nèi)容與AIGC。”

如今

，很多大語(yǔ)言模型幾乎覆蓋了互聯(lián)網(wǎng)上的全部數(shù)據(jù)。因此，相比于模型訓(xùn)練分類器，零樣本分類器在不同領(lǐng)域、不同語(yǔ)言的文本上表現(xiàn)較為一致。

不過(guò)

，零樣本分類器也存在明顯缺點(diǎn)。一方面，現(xiàn)有零樣本分類器依賴生成文本的源語(yǔ)言模型進(jìn)行檢測(cè)