再也不能用ChatGPT寫作業了！新算法給AI生成文本加水印，置信度高達99.999999999994%

魚羊 2023-02-04 13:45:10 來源：量子位

明敏 Alex 發自 凹非寺

量子位 | 公眾號 QbitAI

AI生成文本，又遇新對手！

憑借識別AI生成文本中的“水印”，一種新算法能夠準確判斷文本到底是誰寫的。

無需訪問模型參數、API，結果置信度高達99.999999999994%。

方法一經發布就引來大量網友圍觀。這回拿ChatGPT“作弊”，怕不是要更難了？

要知道，最近一段時間，ChatGPT先是成為美國高中生的寫作業利器，后面幫專業媒體寫稿子，引發巨大恐慌。如Nature、紐約教育部等，都針對ChatGPT發布禁令。

馬里蘭大學學者們提出的這一新方法，為解決這些麻煩提出了個新思路。

不少網友都覺得，這個方法提出的正是時候，而且效果看著也不錯。

有學者還和美國高中生喊話，你們要做好準備了！

作者表示，方法代碼將在2月15日免費開源。

計算文本由AI生成的概率

所謂模型水印，人類無法看到，但是計算機可以。

這是一種現在被常用于大規模語言模型（LLM）中的方法，能讓AI生成的文本帶有“特殊標記”。即把信號嵌入到生成的文本中，讓算法能從一小段token中檢測出來。

最近，OpenAI方面也表示，考慮在ChatGPT中添加水印，以降低模型被濫用帶來的負面影響。

這篇最新論文的作者，就想驗證下這個想法到底靠不靠譜。他們通過給LLM中嵌入水印，然后再進行檢測。其中水印的嵌入不會影響文本生成質量。

具體來說，大規模語言模型每次生成一個token，每個token將從包含大約5萬個詞匯的詞匯表中進行選擇。

在新token生成之前，該方法會從基于最近已生成的token為隨機數生成器（RNG）提供“種子”，以此來壓一個水印。

然后使用RNG，能將詞匯表分為黑名單和白名單，并要求LLM接下來只能從白名單中選擇詞匯。

如果整段文本中，白名單中的詞匯越多，就意味著越有可能是AI生成的。

黑白名單的區分，基于一個原則：

人類使用詞匯的隨機性更強。

舉例來說，如果在“美麗的”后面生成詞匯，水印算法會將“花”列入白名單，將“蘭花”列入黑名單。

論文作者認為，AI更可能使用“花”這個詞匯，而不是“蘭花”。

然后，就能通過計算整段文本中白名單token出現的情況，來檢測水印。

如果一共有生成了N個token，所有的token都使用了白名單詞匯，那么這段文字只有2的N次方分之一概率是人類寫的。

即便這段文字只有25個詞組成，那么水印算法也能判斷出它到底是不是AI生成的。

但作者也表示，水印有時候也不一定完全靠譜。

比如模型輸出了“SpongeBob Square”，下一個單詞一定會是“Pants”吧？但是Pants會被標記到黑名單里，即認為是只有人才會寫的詞。

（注：SpongeBob SquarePants是《海綿寶寶》動畫片的英文，可理解為一個專有名詞）

這種情況會嚴重影響算法的準確性，因此作者將其定義為低熵token，因為模型幾乎不會有更好的選擇。

對應來看，也會有高熵token，比如“海綿寶寶感覺____”這個句式里，能填入的詞匯太多了。

對于這一情況，作者選擇針對高熵token制定更強的規則，同時保留低熵token，確保水印質量更好。

與此同時，他們還添加了波束搜索（Beam search），允許LLM能夠排布一整個token序列，以避免黑名單詞匯。

這么做，他們能確保LLM使用白名單詞匯的概率在大約80%左右，而且不影響文本生成質量。

舉例來看，對于下面這段文字，水印算法認為它有99.999999999994%的可能是由AI生成的。

因為在這段文字中，包含36個token。如果是人類寫的，那么文本中應該包含9±2.6個白名單詞匯（白名單詞匯的概率約為25%）。

但這段文字中，包含了28個白名單詞匯。

計算來看，這段文字由人類寫出的概率，僅有0.0000000000006%?（6乘以10的-15次方）。

如下標注的是文本中的黑名單token。

需要注意的是，如果想要水印正常發揮作用，并不受到攻擊，就必須對文本進行一些標準化處理，并且需要檢測某些類型的對抗性提示。

這一方法是對外公開的，將在2月15日開源代碼。

加一個隨機秘鑰，也能變成保密模式并且托管到API上，這能保證水印不會被篡改。

論文中使用的模型是Meta開源的OPT-1.3B模型。

由于不用訪問底層模型，所以該檢測方法的速度很快，成本也不會很高。

而且可以使用標準語言模型生成帶水印的文本，不用再重新訓練。

網友：似乎很容易繞過？

巴特，不少網友覺得，這個方法的具體實踐效果可能遠不及理想，質疑之聲迭起。

有人提出：

如果我在AI生成的文字基礎上，修改幾個詞，還能被查出來嗎？那在替換成近義詞后，檢測準確率會下降多少？

畢竟大家往往不會一字不改、直接用AI生成的內容。

對此，論文通訊作者、馬里蘭大學副教授Tom Goldstein回答稱：

對于一段自帶水印的文字，至少得修改40%-75%的token，才可能成功去除水印。

（如果用其他程序修改內容話），為發生同義詞攻擊，導致生成內容的質量很低。

簡而言之，想要通過換近義詞來消除水印，得大篇幅修改，而且若不是人親自手動修改的話，效果會很拉胯。

還有人提出：

對于專門設計過的低熵token序列，應該能檢測出水印。但是，長度和檢測率之間（存在一些矛盾），它們的優先級應該如何權衡？

對此，Tom教授表示：

根據設定，使用波束搜索時，絕大多數（通常是90%）的token在白名單上，即使是低熵token，也會被列入白名單。

所以，至少得修改一半以上的token，才能刪除水印，而這需要一個超級強大的LLM模型才行，一般人很難接觸到。

不過，研究者們也在論文中承認，這種方法確實存在一些局限性。

比如，檢測水印的z統計量，只取決于白名單大小參數γ和生成白名單的哈希函數，和其他不少重要的參數并沒有什么相關性。

這就讓他人可以在下游水印檢測器上做手腳，可以改變水印采樣算法，重新部署水印，最終讓原本生成的水印失效。

就連OpenAI CEO Sam Altman也表示：

創造完美檢測AI抄襲的工具，從根本上來說是不可能的。

（盡管他說OpenAI打算啟用水印大法）

但話說回來，人們為了限制AI生成文字的負面影響，還是煞費苦心——

之前就有人搞出了一個檢測ChatGPT的網站，名曰GPTZero，只需要把相應的內容粘進去，幾秒內就能分析出結果。

論文地址：
https://arxiv.org/abs/2301.10226

參考鏈接：
[1]https://twitter.com/tomgoldsteincs/status/1618287665006403585
[2]https://twitter.com/goodside/status/1610552172038737920
[3]https://www.technologyreview.com/2023/01/27/1067338/a-watermark-for-chatbots-can-spot-text-written-by-an-ai/

— 完 —

量子位 QbitAI · 頭條號簽約

關注我們，第一時間獲知前沿科技動態