AI Watermarking

Đóng dấu AI là việc nhúng một tín hiệu đặc trưng, dễ nhận biết vào nội dung kỹ thuật số—như hình ảnh, video hoặc văn bản—để xác minh rằng nó được tạo ra hoặc chỉnh sửa bởi trí tuệ nhân tạo. Khi các mô hình AI tạo sinh ngày càng có khả năng tạo ra nội dung đa phương tiện chân thực như ảnh chụp, việc xác lập nguồn gốc nội dung đã trở thành một thách thức quan trọng. Bằng cách nhúng "ID AI" có thể xác minh được, các nhà phát triển và người sáng tạo có thể báo hiệu minh bạch nguồn gốc của tài sản kỹ thuật số. Công nghệ này đóng vai trò thiết yếu trong việc duy trì đạo đức và sự minh bạch của AI, giúp chống lại thông tin sai lệch, bảo vệ quyền sở hữu trí tuệ và thực thi các tiêu chuẩn pháp lý toàn cầu mới nổi như Đạo luật AI của EU.

Link to this sectionCách hoạt động của đóng dấu AI#

Khác với các dấu đóng truyền thống có thể nhìn thấy được, chẳng hạn như logo bán trong suốt ở góc của ảnh stock, việc đóng dấu AI hiện đại dựa vào steganography tinh vi để ẩn thông tin trong chính phương tiện đó. Đối với tạo hình ảnh, điều này thường xảy ra trực tiếp trong không gian tiềm ẩn của các mô hình khuếch tán hoặc mạng thần kinh tích chập.

Các công cụ như SynthID của Google DeepMind nhúng các đánh dấu mật mã không thể nhận thấy vào dữ liệu pixel của hình ảnh được tạo ra. Những mô hình ẩn này được thiết kế để có thể xác định về mặt thống kê bởi các bộ phát hiện thuật toán trong khi vẫn hoàn toàn không thể nhận thấy đối với mắt người. Để tạo ra chuỗi giám sát an toàn cho phương tiện kỹ thuật số, các tổ chức như Liên minh về Nguồn gốc và Tính xác thực của Nội dung (Coalition for Content Provenance and Authenticity) ủng hộ việc đưa siêu dữ liệu và băm kỹ thuật số cùng với các dấu đóng ở cấp độ pixel này. Hơn nữa, các tiêu chuẩn xác thực đa phương tiện của ITU đã thúc đẩy các giao thức thống nhất cho phép nhận dạng liền mạch các tài sản tổng hợp trên các hệ sinh thái phần mềm khác nhau.

Link to this sectionĐóng dấu AI so với Phát hiện Deepfake#

Mặc dù có liên quan chặt chẽ, đóng dấu AI và phát hiện deepfake phục vụ các mục đích riêng biệt trong việc xác minh phương tiện. Đóng dấu là một biện pháp chủ động, nơi hệ thống tạo sinh chèn một định danh trong chính quá trình tạo. Ngược lại, phát hiện deepfake là một quá trình thụ động liên quan đến việc phân tích phương tiện không dán nhãn sau khi tạo để tìm kiếm các tạo tác bất thường, lỗi hòa trộn hoặc các điểm không nhất quán về sinh học. Đối với các nhà phát triển đang tìm hiểu cách xác định hình ảnh do AI tạo ra, cả hai kỹ thuật đều cần thiết để đảm bảo phương pháp tiếp cận toàn diện đối với niềm tin kỹ thuật số và quyền riêng tư dữ liệu.

Link to this sectionCác ứng dụng trong thực tế#

Đóng dấu AI đang được triển khai tích cực trên nhiều ngành công nghiệp phát triển nhanh:

• Truyền thông và Báo chí: Các tòa soạn dựa vào những dấu hiệu này để xác minh tính xác thực của nội dung đa phương tiện, đảm bảo rằng phương tiện tổng hợp không bị nhầm lẫn khi đăng tải như tin tức thật. Thực tiễn này gắn kết chặt chẽ với các hướng dẫn của liên bang như Sắc lệnh hành pháp về AI của Nhà Trắng và thúc đẩy các tiết lộ rõ ràng đối với phương tiện do AI tạo ra.
• Quy trình Machine Learning cho doanh nghiệp: Các dấu đóng được sử dụng để theo dõi đầu ra của mô hình độc quyền và ngăn chặn việc cào web không mong muốn. Điều này đảm bảo rằng các quy trình đào tạo thị giác máy tính không vô tình bị đầu độc do tái chế dữ liệu tổng hợp trở lại các tập dữ liệu thực tế.

Link to this sectionĐộ bền và việc gỡ bỏ dấu đóng#

Một câu hỏi phổ biến trong cộng đồng machine learning là liệu những đối tượng xấu có thể dễ dàng xóa dấu đóng AI hay không. Độ bền của một dấu đóng phụ thuộc vào khả năng chống lại cả những thay đổi lành tính (như cắt, thay đổi kích thước hoặc nén JPEG nặng) và các tấn công đối kháng độc hại.

Các đánh giá khoa học về đóng dấu AI gần đây đã chứng minh rằng trong khi các phương pháp payload đơn giản đôi khi có thể bị phá vỡ bởi việc chèn nhiễu mạnh, các kỹ thuật nhúng tiên tiến vẫn có khả năng phục hồi cao. Ngay cả khi kẻ tấn công cố gắng sử dụng các phương pháp nghiên cứu về độ bền đóng dấu gần đây phức tạp như thêm nhiễu quét hoặc khử nhiễu tần số mục tiêu để xóa định danh AI, các thay đổi steganographic cơ bản thường được nhúng đủ sâu vào các tính năng thị giác cốt lõi để tồn tại mà không làm suy giảm nghiêm trọng chất lượng hình ảnh thực tế. Trong quá trình đánh giá mô hình, các kỹ sư thường sử dụng các chiến lược tăng cường dữ liệu mục tiêu để mô phỏng chính xác các biến dạng này và kiểm tra độ bền của dấu đóng.

Link to this sectionPhát hiện dấu đóng bằng Vision AI#

Các nhóm machine learning có thể tự xây dựng hệ thống phát hiện để xác định xem một hình ảnh có chứa dấu chân tổng hợp hay không. Bằng cách sử dụng kiến trúc phân loại hình ảnh, bạn có thể đào tạo một mô hình để xuất ra điểm xác suất cao khi tiếp xúc với các phân phối được đóng dấu cụ thể. Nền tảng Ultralytics giúp cho việc chú thích, đào tạo và triển khai các mô hình như vậy trở nên liền mạch.

Dưới đây là ví dụ về việc đào tạo mô hình phân loại Ultralytics YOLO26 để phân biệt giữa hình ảnh thật và hình ảnh có chứa dấu đóng AI:

from ultralytics import YOLO

# Load the recommended Ultralytics YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Train the model on a dataset containing both authentic and AI-watermarked images
# to help the neural network learn the hidden steganographic footprint
results = model.train(data="ai_watermark_dataset", epochs=10, imgsz=224)

# Predict whether a new, unseen image contains an AI watermark
prediction = model("path/to/test_image.jpg")