今天小編分享的科技經驗：谷歌DeepMind研究再登Nature封面，隐形水印讓AI無所遁形，歡迎閱讀。
君可知，我們每天在網上的見聞，有多少是出自 AI 之手？
除了「注意看！這個男人叫小帥」讓人頭皮發麻，
真正的問題是，我們無法辨别哪些内容是 AI 生成的。
養大了這些擅長一本正經胡說八道的 AI，人類面臨的麻煩也随之而來。
（LLM：人與 AI 之間怎麼連最基本的信任都沒有了？）
子曰，解鈴還須系鈴人。近日，谷歌 DeepMind 團隊發表的一項研究登上了 Nature 期刊的封面：
研究人員開發了一種名為 SynthID-Text 的水印方案，可應用于生產級别的 LLM，跟蹤 AI 生成的文本内容，使其無所遁形。
論文地址：https://www.nature.com/articles/s41586-024-08025-4
一般來說，文本水印跟我們平時看到的圖片水印是不一樣的。
圖片可以采用明顯的防盜水印，或者為了不影響内容觀感而僅僅修改一些像素，人眼發現不了。
但本文添加的水印想要隐形貌似不太容易。
為了不影響 LLM 生成文本的質量，SynthID-Text 使用了一種新穎的采樣算法（Tournament sampling）。
與現有方法相比，檢測率更高，并且能夠通過配置來平衡文本質量與水印的可檢測性。
怎麼證明文本質量不受影響？直接放到自家的 Gemini 和 Gemini Advanced 上實戰。
研究人員評估了實時互動的近 2000 萬個響應，用戶反饋正常。
SynthID-Text 的實現僅僅修改了采樣程式，不影響 LLM 的訓練，同時在推理時的延遲也可以忽略不計。
另外，為了配合 LLM 的實際使用場景，研究者還将水印與推測采樣集成在一起，使之真正應用于生產系統。
大模型的指紋
下面跟小編一起來看下 DeepMind 的水印有何獨到之處。
識别 AI 生成的内容，目前有三種方法。
第一種方法是在 LLM 生成的時候留個底，這在成本和隐私方面都存在問題；
第二種方法是事後檢測，計算文本的統計特征或者訓練 AI 分類器，運行成本很高，且限制在自己的數據網域内；
而第三種就是加水印了，可以在文本生成前（訓練階段，數據驅動水印）、生成過程中、和生成後（基于編輯的水印）添加。
數據驅動水印需要使用特定短語觸發，基于編輯的水印一般是同義詞替換或插入特殊 Unicode 字元。這兩種方法都會在文本中留下明顯的偽影。
SynthID-Text 生成水印
本文的方法則是在生成過程中添加水印。
下圖是标準的 LLM 生成過程：根據之前的 token 計算當前時刻 token 的概率分布，然後采樣輸出 next token。
在此基礎之上，生成水印方案由三個新加入的組件組成（下圖藍色框）：随機種子生成器、采樣算法和評分函數。
随機種子生成器在每個生成步驟（t）上提供随機種子 r ( t ) （基于之前的文本 token 以及水印 key），采樣算法使用 r ( t ) 從 LLM 生成的分布中采樣下一個 token。
通過這種方式，采樣算法把水印引入了 next token 中（即 r ( t ) 和 x ( t ) 的相關性），在檢測水印的時候，就使用 Scoring 函數來衡量這種相關性。
下面給出一個具體的例子：簡單來說就是拿水印 key 和前幾個 token（這裡是 4 個），過一個哈希函數，生成了 m 個向量，向量中的每個值對應一個可選的 next token。
然後呢，通過打比賽的方式，從這些 token 中選出一個，也就是 SynthID-Text 使用的 Tournament 采樣算法。
如下圖所示，拿 2^m 個 token 參加 m 輪比賽（這裡為 8 個 token3 輪比賽，token 可重復），
每輪中的 token 根據當前輪次對應的向量兩兩 pk，勝者進入下一輪，如果打平，則随機選一個勝者。
以下是算法的偽代碼：
水印檢測
根據上面的賽制，最終勝出的 token 更有可能在所有的随機水印函數（g1，g2，...，gm）中取值更高，
所以可以使用下面的 Scoring 函數來檢測文本：
把所有的 token 扔進所有的水印函數中，最後計算平均值，則帶水印的文本通常應該得分高于無水印的文本。
由此可知，水印檢測是一個程度的問題。影響評分函數檢測性能的主要因素有兩個。
首先是文本的長度：較長的文本包含更多的水印證據，可以讓檢測有更多的統計确定性。
第二個因素是 LLM 本身的情況。如果 LLM 輸出分布的熵非常低（意味着對相同的提示幾乎總是返回完全相同的響應），那麼錦标賽采樣（Tournament）無法選擇在 g 函數下得分更高的 token。
此時，與其他生成水印的方案類似，對于熵較小的 LLM，水印的效果會較差。
LLM 本身的熵取決于以下幾個因素：
模型（更大或更高級的模型往往更确定，因此熵更低）；
來自人類反饋的強化學習會減少熵（也稱為模式崩潰）；
LLM 的提示、溫度和其他解碼設定（比如 top-k 采樣設定）。
一般來說，增加比賽的輪數（m），可以提高方法的檢測性能，并降低 Scoring 函數的方差。
但是，可檢測性不會随着層數的增加而無限增加。比賽的每一層都使用一些可用的熵來嵌入水印，水印強度會随着層數的加深而逐漸減弱。本文通過實驗确定 m=30。
文本質量
作者為非失真給出了由弱到強的明确定義：
最弱的版本是單 token 非失真，表示水印采樣算法生成的 token 的平均分布等于 LLM 原始輸出的分布；
更強的版本将此定義擴展到一個或多個文本序列，确保平均而言，水印方案生成特定文本或文本序列的概率與原始輸出的分布相同。
當 Tournament 采樣為每場比賽配置恰好兩個參賽者時，就是單 token 非失真的。而如果應用重復的上下文掩碼，則可以使一個或多個序列的方案不失真。
在本文的實驗中，作者将 SynthID-Text 配置為單序列非失真，這樣可以保持文本質量并提供良好的可檢測性，同時在一定程度上減少響應間的多樣性。
計算可擴展性
生成水印方案的計算成本通常較低，因為文本生成過程僅涉及對采樣層的修改。
對于 Tournament 采樣，在某些情況下，還可以使用矢量化來實現更高效率，在實踐中，SynthID-Text 引起的額外延遲可以忽略不計。
在大規模產品化系統中，文本生成過程通常比之前描述的簡單循環更復雜。
產品化系統通常使用 speculative sampling 來加速大模型的文本生成。
小編曾在将 Llama 訓練成 Mamba 的文章中，介紹過大模型的推測解碼過程。
簡單來說就是用原來的大模型蒸餾出一個小模型，小模型跑得快，先生成出一個序列，大模型再對這個序列進行驗證，由于 kv cache 的特性，發現不符合要求的 token，可以精準回滾。
這樣的做法既保證了輸出的質量，又充分利用了顯卡的計算能力，當然主要的目的是為了加速。
所以在實踐中，生成水印的方案需要與推測采樣相結合，才能真正應用于生產系統。
對此，研究人員提出了兩種帶有推測采樣算法的生成水印。
一是高可檢測性水印推測采樣，保留了水印的可檢測性，但可能會降低推測采樣的效率（從而增加整體延遲）。
二是快速水印推測采樣，（當水印是單 token 非失真時）保留了推測采樣的效率，但可能會降低水印的可檢測性。
作者還提出了一個可學習的貝葉斯評分函數，以提高後一種方法的可檢測性。當速度在生產環境中很重要時，快速帶水印的推測采樣最有用。
上圖表明，在非失真類别中，對于相同長度的文本，非失真 SynthID-Text 提供比 Gumbel 采樣更好的可檢測性。在較低熵的設定（如較低的溫度）下，SynthID-Text 對 Gumbel 采樣的改進更大。
