OpenAI近日宣布推出一系列更新举措,旨在帮助用户更轻松地识别网络上由其AI模型生成的内容。此次更新不仅进一步强化了对C2PA内容凭证标准的支持,还将引入谷歌的SynthID水印技术,构建AI内容标注的"多层防护体系"。C2PA目前是检验图片、视频及音频内容来源与编辑历史最权威的行业标准。
OpenAI在公告中表示:"这两套系统相辅相成。C2PA帮助内容携带详尽的来源信息,SynthID则在元数据丢失时仍能保留有效信号。水印在截图等格式转换后依然具有较强的持久性,而元数据所能承载的信息量又超出单一水印的范畴。两者结合,使内容溯源能力远超任何单一层次所能实现的效果。"
SynthID水印将首先应用于ChatGPT、Codex及OpenAI API生成的图像。值得关注的是,相比C2PA,SynthID在实际应用中已被事实核查机构和媒体机构更广泛地用于识别网络上的深度伪造图像。此次双重机制的引入,有望减少OpenAI生成内容在身份核验环节中的漏洞,使深度伪造内容更易于识别,同时帮助各大网络平台为用户标注AI生成或经AI处理的内容。
与此同时,OpenAI还预告了一个面向公众的内容验证门户,用户可上传图片,查看其是否携带AI元数据或水印标记。该门户将同时检测C2PA与SynthID来源信号,判断图片是否由ChatGPT、OpenAI API或Codex生成。目前该功能仅限于OpenAI自身生成的图像,但公司表示将在未来数月内扩展对其他验证系统的支持,并逐步覆盖更多类型的网络内容。
对于检测失败的情况,OpenAI也作出了说明:"没有任何检测方法是万无一失的,因此在检测未能得出结论时,我们会采取审慎的处理方式。例如,若未能检测到元数据或水印,该工具不会对图片是否由OpenAI工具生成作出明确判断,因为来源信号在某些情况下可能已被剥离。"
此外,OpenAI还正式加入了C2PA合规计划。该计划旨在确保相关产品符合内容凭证规范,并满足一系列安全要求,以保证C2PA数据的正确生成与验证。不过值得注意的是,OpenAI此前已在图片和视频内容中嵌入C2PA数据,但该机制在实际场景中识别深度伪造内容的效果并不理想——原因在于,一旦内容离开原始发布平台,其元数据便可能被轻易移除,部分平台甚至会在上传过程中意外将其抹除。
Q&A
Q1:SynthID水印和C2PA内容凭证有什么区别?
A:两者各有侧重。C2PA是目前最权威的内容来源标准,能携带详细的生成与编辑信息,但元数据容易在内容传播过程中被剥离。SynthID是谷歌开发的水印技术,在截图等格式转换后仍具较强持久性,更难被去除。OpenAI将两者结合使用,形成互补,提升AI生成内容的溯源可靠性。
Q2:OpenAI的内容验证门户具体怎么用?能识别所有AI图片吗?
A:用户可通过该门户上传图片,系统会自动检测图片是否携带C2PA元数据或SynthID水印,从而判断其是否由ChatGPT、OpenAI API或Codex生成。目前该工具仅支持识别OpenAI自身生成的内容,且每次只能上传一张图片。OpenAI表示后续会扩展对其他验证系统的支持,逐步覆盖更多内容类型。
Q3:C2PA元数据为什么经常失效,识别深度伪造图片效果有限?
A:C2PA元数据嵌入在文件信息中,内容一旦离开原始发布平台,元数据便可能被人为删除,甚至被某些平台在上传过程中意外清除。这导致即便OpenAI已长期在生成内容中嵌入C2PA数据,在实际网络环境中识别深度伪造内容的效果依然有限。SynthID水印的引入正是为了弥补这一缺陷。
好文章,需要你的鼓励
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。