Google正在Gemini应用中推出一项新的检测功能,帮助用户回答一个关键问题:"这张图片是由AI生成的吗?"
从现在开始,Google的Gemini聊天机器人将能够检测上传图像中公司不可见的"SynthID"水印,以高度的可信度指示图片是否由Google AI模型创建或修改。
Google的AI模型在创建图像时会自动嵌入SynthID水印。虽然人眼无法看见,但可以使用专用的专有工具进行检测和解码。Google的许多现有工具已经能够检测SynthID水印,特别是目前面向记者和媒体专业人士开放的SynthID检测器门户。用户还可以通过Google Photos的"AI信息"面板查看AI归属详细信息,包括SynthID水印的存在。随着新功能集成到Gemini应用中,这种检测能力现在更加广泛可用。
然而,将这项功能添加到Gemini中,让每个人都能检查图像是否为AI生成。
如何在Gemini应用中检查Google AI图像
要分析图像,用户需要将其上传到Gemini应用或网页版Gemini,然后询问"这张图片是用AI生成的吗?"Gemini随后会分析图片并提醒用户发现的任何SynthID水印,表明该图像是用Google AI模型创建的。
即使没有找到SynthID水印,Gemini也会尝试分析图像中AI的明显迹象。Gemini 3 Pro在检测细微的AI痕迹方面特别有效,经常能发现普通观众可能错过的明显迹象,比如文本中出现常见提示词的残留、物理效果不一致的对象,或不自然光滑的"AI皮肤"外观。除了视觉痕迹,它还能发现其他线索,如生成式AI应用常用的文件命名约定和可见水印,比如Nano Banana在其AI生成图像中添加的"星花"图标。然而,与SynthID不同,这些技术无法绝对确定地确认AI生成。
Google Gemini中的SynthID:存在什么局限性?
最重要的局限性,也是一个主要问题,是SynthID只适用于Google的AI模型。其他生成式AI平台,如Midjourney或GPT Image 1,不使用SynthID水印,因此Gemini无法检测。不过,Gemini会尝试通过其他方式识别AI生成的内容,比如寻找其他AI平台通常使用的可见水印、标识和文件名,但无法给出确定答案。
更重要的是,虽然SynthID水印对于想要负责任地使用AI的创作者来说是一个有价值的工具,但它们对那些意图欺骗的人提供不了真正的防护。虽然水印对基本修改(如裁剪、调整大小或应用滤镜)保持抗性,但任何具有基本技术知识的人都能轻松破解这个系统。
Gemini中的AI内容检测:下一步是什么?
除了图像,SynthID还适用于视频、音频和文本。Google已承诺将Gemini的检测能力扩展到这些格式,但同样的局限性仍然适用。
Gemini的SynthID检测工具是朝着正确方向迈出的一步,但只是一小步,因为它仍然无法明确回答我们的核心问题:"这张图片是由AI生成的吗?"在实践中,Gemini 3 Pro识别AI图像的天生能力在这种情况下可能更有用。Google还在开发C2PA内容凭证支持,这将让用户验证来自其他平台的内容,而不仅仅是Google的。
单独的SynthID并不是深度伪造或AI虚假信息的解决方案。然而,这是一个有意义的进步,将推动用户养成验证内容而不是简单地信以为真的习惯。
Google Gemini中的SynthID检测功能正在推出,但可能需要一段时间才能覆盖所有地区。
Q&A
Q1:SynthID水印是什么?它是如何工作的?
A:SynthID是Google AI模型自动嵌入到生成图像中的不可见水印。虽然人眼无法看见,但可以使用专用工具进行检测和解码,从而确认图片是否由Google AI模型创建或修改。
Q2:Gemini能检测出所有AI生成的图片吗?
A:不能。Gemini只能检测Google AI模型生成图像中的SynthID水印。对于其他AI平台如Midjourney或GPT Image生成的图片,它只能通过分析可见水印、文件命名等线索来推测,无法给出确定答案。
Q3:如何使用Gemini检测AI图片?
A:将图片上传到Gemini应用或网页版,然后询问"这张图片是用AI生成的吗?"Gemini会分析图片中的SynthID水印和其他AI迹象,并告知检测结果。目前该功能正在推出,可能需要时间覆盖所有地区。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。