新智元报道 刚刚，ChatGPT写的字里，要开始逐词「埋暗号」了！ 这套水印叫textGrain。模型每挑一个词，都会悄悄掺进一把只有OpenAI知道的密钥。 肉眼看不出任何痕迹，读起来和原来没有两样，可检测器一扫，立刻就能认出这段话是不是出自OpenAI的模型。 从此，你让 AI 代写的作业、简历、周报，只要原样复制粘贴，就可能被当场认出来。 划重点，这次发布最关键的有四条。 1. 即刻生效 ：全球API客户今天就能自行开启水印，ChatGPT和Codex也将在未来几周陆续接入。 2. 检出率高 ：误报率控制在1%时，一段400个token的心理学类回答，九成以上能被检出。OpenAI还放出狠话，效果追平甚至超过谷歌的SynthID。 3. 性能几乎无损 ：旗舰模型GPT-6 Astra加上水印后，8项核心跑分基本持平，有5项甚至略涨。 4. 检测权受控 ：检测器暂不对公众开放，只发给审核通过的研究者和专业机构，textGrain本身则会开源。 AI写作的「实名制时代」，正式拉开大幕。 至此，谷歌、Anthropic、OpenAI三巨头，全部给AI写的字装上了「身份证」 1781年的搬土难题，被搬进了ChatGPT 大模型写字，每次只往外吐一个词。吐之前，它会给所有候选词各打一个概率，再按概率抽一个出来。 比如「The morning was ___」（早上天气很____）后面，「warm」占30%，「cold」占25%，其余几个词分掉剩下的。 水印要做的，就是让这次抽签悄悄听密钥的话。 但有一条铁律不能破，叫「无偏」。把所有可能的密钥平均起来，每个词被抽中的概率必须和原来一模一样。 这样，不知道密钥的人看到的就是完全正常的随机文字，模型想说的话也一点没变。 当年Scott Aaronson在OpenAI做的第一版水印，满足了无偏，却留下一个毛病—— 同一个问题、同一把密钥，模型每一步都会选同一个词，同一个问题问十遍，回答可能一字不差。 而textGrain的解法，则是来自一个有近250年历史的数学问题， 最优传输 。 它的起点，真的是「搬土」。 1781年，法国数学家蒙日琢磨过一个很具体的问题。一堆土要填进另一个坑，每一份土运到哪儿，总运费才最低。 到了20世纪40年代，苏联数学家康托洛维奇把问题放宽，一份土可以拆开运往多处，只要两头的总量对得上。搬土问题由此变成了线性规划。 康托洛维奇后来凭最优资源配置理论，和库普曼斯分享了1975年诺贝尔经济学奖。 巧的是，库普曼斯正是耶鲁的经济学家，而这篇技术报告的作者之一、耶鲁经济学家陈晓红，如今坐的就是以他命名的讲席。 再往后，2010年菲尔兹奖得主维拉尼把最优传输和几何、概率、偏微分方程打通。 2013年，Marco Cuturi引入熵正则化和Sinkhorn算法，把原本昂贵的计算大幅提速，最优传输这才成了机器学习里的常用工具。 两个多世纪后，textGrain把这条数学链条搬进了大模型。只不过这一次，被搬来搬去的换成了下一个词的概率。 textGrain的核心想法，是给水印设一笔「随机性预算」。 论文证明了一条恒等式。水印让选词和密钥之间多出来的关联，恰好等于模型平均损失掉的随机性，两边是同一个量。 水印 获得多少统计关联，就要付出多少随机性，分毫不差。 于是OpenAI可以事先定好一个比例，规定水印最多花掉原本随机性的多少。比如定为0.2，平均下来至少保留八成随机性，留给回答的多样性。 具体过程，分为三步。 第一步 ，密钥和前文一起，把候选词随机分成几组，每组的概率加在一起。 图里的六个词被分成三组，「warm、calm」占0.40，「cold、sunny」占0.35，「mild、bright」占0.25。分组以后只需要在几个组之间分配概率即可。 第二步 ，OpenAI相当于准备了4套「偏心」方案，图里的4列就是这4套方案。 密钥给每个「组×方案」的格子生成一个随机分数，再用带熵约束的最优传输，借Sinkhorn算法一遍遍修正行和列，把概率尽量往高分格子上挪，挪到预算用完为止。 每套方案各偏向不同的组，4套平均下来，每组的概率仍然是0.40、0.35、0.25，谁也不偏。 第三步 ，密钥选中其中一套。图里选中的是第2列，「cold、sunny」这组的概率就从0.35被提到了0.69。 再在组里按原来25比10的比例挑词，写下了「cold」。 不知道密钥的人，看到的是一次正常的抽签；手握密钥的人，知道这一步本该偏向哪一组。 检测时，要回答的其实只有一个问题，这段文字的选词，是不是总「碰巧」踩中密钥指定的偏好。 普通人写的字和密钥毫无关系，每个位置的分数都是纯随机的，总分落在哪个范围，可以用一个现成的概率分布精确算出来。 而带水印的文字，则会踩在高分格子上，因此总分也会高得离谱