AI Watermarking
يُخفي وضع العلامات المائية بالذكاء الاصطناعي إشارة يمكن للآلة اكتشافها في الصور أو النصوص أو الصوت أو الفيديو المُنشأ. آلية عمل SynthID ومخططات القوائم الخضراء ومواضع إخفاقها.
الوسم المائي للذكاء الاصطناعي هو تضمين إشارة مخفية قابلة للاكتشاف آليًا في المحتوى الذي ينتجه نظام الذكاء الاصطناعي التوليدي، بحيث يستطيع كاشف يمتلك المفتاح الصحيح تحديد ما إذا كانت صورة أو مقطع فيديو أو ملف صوتي أو نص قد صدر عن ذلك النظام. صُممت الإشارة لتكون غير محسوسة للبشر، ولتصمد أمام التعديلات اليومية مثل تغيير الحجم والضغط. وتشكّل العلامات المائية جزءًا من مصدر البيانات للوسائط الاصطناعية، كما تجعلها اللوائح إلزامية: إذ تُلزم المادة 50 من قانون الاتحاد الأوروبي للذكاء الاصطناعي مزودي الأنظمة التوليدية بوسم المخرجات بتنسيق قابل للقراءة آليًا والكشف ابتداءً من 2 أغسطس 2026، مع منح الأنظمة المتاحة في السوق مهلة حتى 2 ديسمبر 2026؛ كما تشترط القواعد الصينية لوسم المحتوى المولّد بالذكاء الاصطناعي، السارية منذ سبتمبر 2025، وضع تسميات مخفية في بيانات الملفات الوصفية إلى جانب التسميات المرئية.
آلية عمل العلامات المائية للذكاء الاصطناعي#
تُضمّن معظم الأساليب الحالية الإشارة أثناء إنشاء المحتوى، ما يجعل إزالتها أصعب من علامة تُضاف لاحقًا.
- الصور والفيديو: يُجري مُرمّز مدرّب تغييرات طفيفة موزعة على الصورة كلها، ثم يستعيد مفكك ترميز عصبي مقترن الإشارة لاحقًا. تعمل SynthID من Google DeepMind بهذه الطريقة مع الصور والفيديو والصوت الناتج عن نماذج مثل Imagen وVeo وLyria، كما يضبط Stable Signature من Meta مفكك ترميز نموذج الانتشار الكامن بدقة بحيث تحمل كل صورة ينتجها توقيعًا ثنائيًا ثابتًا. وتُدخل أساليب أخرى نمطًا في الضجيج الأولي يزيله نموذج الانتشار تدريجيًا، فتُنسج العلامة في تمثيل الفضاء الكامن للصورة منذ الخطوة الأولى.
- النص: يختار نموذج لغة كبير (LLM) كل رمز من توزيع احتمالي، ويوجّه الوسم المائي النصي تلك الاختيارات وفق نمط لا يستطيع اختباره إلا حامل المفتاح. وقد جرى تقييم SynthID Text، الموصوفة في مجلة Nature عام 2024، على ما يقارب 20 مليون إجابة من Gemini من دون انخفاض قابل للقياس في الجودة، وهي مفتوحة المصدر ضمن Hugging Face Transformers.
- العلامات اللاحقة للتوليد: يمكن إضافة علامات معالجة الإشارات التقليدية، مثل الأنماط في مجال التردد، إلى أي ملف بعد إنشائه، لكنها أسهل عمومًا في الإزالة.
بالنسبة إلى الصور، يكون الكشف درجة خرج مفكك الترميز؛ أما في النص فيكون اختبارًا إحصائيًا لتسلسل الرموز، ولا يتطلب الوصول إلى النموذج.
وسم مائي نصي بالقائمة الخضراء#
تقسم الطريقة الواردة في وسم مائي لنماذج اللغة الكبيرة من تأليف Kirchenbauer وزملائه المفردات إلى جزء «أخضر» وبقية «حمراء» عبر تجزئة الرمز السابق باستخدام مفتاح سري، ثم تضيف انحيازًا طفيفًا إلى لوغاريتمات احتمالات الرموز الخضراء قبل أخذ العينة. يقع النص غير الموسوم مائيًا على الرموز الخضراء بالمعدل الأساسي، بينما يقع النص الموسوم عليها بوتيرة أعلى بكثير، وهو ما يكشفه اختبار z لنسبة واحدة. وفي المقتطف أدناه، تحل لوغاريتمات احتمالية عشوائية محل نموذج اللغة:
import torch
torch.manual_seed(0)
vocab, gamma, delta, length, key = 1000, 0.25, 2.0, 200, 42 # key is the secret shared with the detector
def green_list(prev):
"""Return the green 25% of the vocabulary, picked pseudorandomly from the key and previous token."""
return torch.randperm(vocab, generator=torch.Generator().manual_seed(key + prev))[: int(gamma * vocab)]
for bias in (0.0, delta): # ordinary sampling, then watermarked sampling
tokens = [0]
for _ in range(length):
logits = torch.randn(vocab) # stands in for a language model's next-token logits
logits[green_list(tokens[-1])] += bias
tokens.append(torch.multinomial(logits.softmax(0), 1).item())
# Detection needs only the text and the key: count green tokens and apply a one-proportion z-test
hits = sum(t in green_list(p) for p, t in zip(tokens, tokens[1:]))
z = (hits - gamma * length) / (length * gamma * (1 - gamma)) ** 0.5
print(f"bias {bias}: {hits}/{length} green tokens, z = {z:.1f}")يصيب أخذ العينات العادي 44 رمزًا أخضر من أصل 200 (z = -1.0)، وهو قريب من النسبة المتوقعة البالغة 25%، بينما تصيب العملية الموسومة مائيًا 141 رمزًا (z = 14.9)، متجاوزةً بكثير عتبة z = 4 التي تستخدمها الورقة البحثية لوصف النص بأنه موسوم مائيًا. ولأن كل رمز يضيف دليلًا، تتيح المقاطع الأطول كشفًا أكثر ثقة، بينما تكون الإشارة أضعف في النصوص التي يكون فيها الرمز التالي شبه محتوم، مثل الشيفرة أو قائمة الحقائق.
الوسم المائي ومناهج ذات صلة#
- بيانات اعتماد المحتوى (C2PA): بيان بيانات وصفية موقّع تشفيريًا يسجل الأداة التي أنشأت الملف أو حررته. ويقدم تفاصيل أكثر بكثير من العلامة المائية، لكنه يختفي عند إعادة ترميز الملف أو التقاط صورة للشاشة، لذا غالبًا ما تُستخدم الطريقتان معًا.
- كشف التزييف العميق والصور المُنشأة بواسطة AI: مصنّفات تبحث عن آثار التوليد في محتوى لا يحمل علامة مضمّنة. تعمل هذه المصنّفات على مخرجات أي مولّد، لكنها تقدّم نتائج احتمالية تتراجع دقتها كلما تحسّنت المولّدات، ويستخدم الناس مؤشرات مماثلة للتعرّف على ما إذا كانت الصورة مُنشأة بواسطة AI بالعين المجردة.
- إخفاء المعلومات: إخفاء رسالة سرية داخل ملف. يستعير الوسم المائي تقنياته، لكنه يعطي الأولوية لمتانة الكشف على إخفاء حمولة كبيرة.
تجمع المنصات التي تضع تسميات على الوسائط الاصطناعية وتفلتر محتوى الذكاء الاصطناعي الرديء عادةً بين عمليات التحقق التالية:
المتانة والقيود#
يجب أن تصمد العلامة المائية أمام تغييرات غير ضارة مثل الاقتصاص وتغيير الحجم وتحولات الألوان وضغط JPEG، ويُفضّل أن تصمد أيضًا أمام الهجمات الخصومية المتعمدة. يختبر المطورون ذلك بتطبيق تحويلات شبيهة بـزيادة البيانات على المحتوى الموسوم وقياس عدد مرات نجاح الكشف. وللأساليب الحالية نقاط ضعف معروفة:
- إعادة التوليد: تؤدي إضافة ضجيج إلى صورة وإعادة بنائها بنموذج توليدي إلى إزالة العلامات المائية غير المرئية على مستوى وحدات البكسل مع الحفاظ على تشابه الصورة بصريًا.
- إعادة الصياغة والترجمة: تؤدي إعادة كتابة نص موسوم مائيًا باستخدام نموذج آخر، أو ترجمته ثم إعادته إلى لغته الأصلية، إلى إضعاف نمط الرموز الذي يحصيه الكاشف.
- التغطية: لا يمكن الكشف إلا عن مخرجات المزودين الذين يضمّنون علامة، ويمكن تشغيل النماذج ذات الأوزان المفتوحة من دونها؛ لذلك لا يدل غياب العلامة المائية على أن المحتوى من صنع البشر.
- التزوير: يستطيع المهاجم الذي يتعلم ما يكفي عن أسلوب ما أن يطبع علامته على محتوى من صنع البشر لتشويه مصداقيته.
تثير العلامات المائية المرئية مشكلة منفصلة لمجموعات بيانات الرؤية الحاسوبية: إذ تتعلمها النماذج على أنها اختصارات. وفي حالة معروفة، تعلم مصنف مدرّب على مجموعة بيانات PASCAL VOC التعرف على الخيول جزئيًا من خلال وسم حقوق نشر ظهر على نحو خُمس صور الخيول، وفشل عند إزالة الوسم. فالعلامات والشعارات المرئية محتوى اعتيادي في الصور، لذا يستطيع نموذج Ultralytics YOLO26 لـاكتشاف الأجسام، المدرّب على أمثلة موسومة، تحديد مواقعها ضمن مجموعة بيانات التدريب، ما يتيح للفرق اقتصاص الصور الموسومة أو إزالتها قبل أن تعلّم النموذج مؤشرًا خاطئًا.










