C2PA 与 SynthID：欧盟《人工智能法案》之后，媒体来源溯源成为一项工程任务

AI 生成的文本、图像、音频和视频越来越难以与人类创作的内容区分开来。这使来源溯源从研究课题变成了流水线要求，而合规截止日期也已开始产生约束力。

欧盟《人工智能法案》第 50 条规定的透明度义务自 2026 年 8 月 2 日起适用，标注方面的宽限期持续至 2026 年 12 月 2 日。印度于 2026 年 2 月修订了其《信息技术规则》，将合成生成的信息纳入监管范围。为生成媒体添加标注，如今已是团队必须落地的实现工作，而不只是讨论的话题。

三种工具，回答三个不同的问题

大多数团队犯的错误，是把来源溯源、水印和检测视为可以互换的手段。它们并非如此，而且各自会以不同的方式失效。

就 C2PA 而言，来源溯源是附加在文件上或被文件引用的、经过加密签名的元数据。它回答一个具体问题：是谁用何种工具签署了它，以及此后它是否被改动过。它的主要弱点在于容易被剥离。一次截图、一次重新编码，或者一个会丢弃元数据的平台，都会使清单（manifest）消失。

隐形水印是嵌入内容本身的信号，无论是嵌入像素、音频采样，还是 token 选择之中。它回答的是：这是否由应用了该水印的系统生成。它的弱点是，大幅编辑、改写或对抗性攻击都可能削弱甚至移除该信号，而且通常只有厂商自己的检测器才能检测出来。

检测分类器是一个经过训练的模型，用于猜测内容是否为合成内容。它回答的是：这看起来像 AI 生成的吗。它具有概率性，会随着生成器的进步而漂移，并且会对真实内容产生误报。

关键区别在于：来源溯源和水印是在创作时由配合的一方施加的。检测则是在事后对来自任何人的内容进行，包括来自对手的内容，这使其成为最弱的证据形式，尽管对于从未被标记的内容来说，它是唯一的选择。

为什么仅靠检测还不够

检测是一场军备竞赛。分类器学习已知生成器的痕迹特征，而新模型加上简单的后处理就会改变这些痕迹。误报会伤害真实的人，因为经过编辑的真实照片、压缩过的视频以及非母语写作都会被标记出来。当这变成公平性问题时，一张真实的客户自拍也可能被拒绝。

而且，一个干净的评分什么也证明不了。内容可能来自该模型从未见过的生成器。实用的指导原则是：把检测仅仅视为一种风险信号，对于有重大后果的决策，应辅以人工审核。

C2PA 实际上是如何运作的

内容来源与真实性联盟（Coalition for Content Provenance and Authenticity）发布了一项开放技术标准，用于记录数字内容的来源和编辑历史。其指导委员会成员包括 Adobe、Google、Microsoft、Meta、OpenAI、Amazon、Sony 和 BBC 等。该规范目前处于 2.x 系列，并会定期修订，因此设计时应核对当前版本，而不是固定在某一个发布版本上。

核心单元是 C2PA 清单（manifest），这是一种经过加密签名的数据结构，用于描述某个资产的来源。一个清单存储库可以容纳多个清单，资产生命周期中的每一步对应一个。断言（assertions）是关于该资产的一条条独立陈述，其中标准断言涵盖“创建”或“编辑”等操作（包括由 AI 系统执行的操作），以及素材成分（ingredients）和缩略图。

到 2026 年年中，OpenAI 已为其图像模型生成的每一张图像附加 C2PA 清单，Google 也为其图像和视频生成输出同时附加 C2PA 清单和 SynthID 水印。Adobe 的 Firefly 自 2024 年起便已如此。佳能、索尼、尼康和徕卡的相机固件现在会在拍摄时写入 Content Credentials，这意味着让新闻编辑室能够验证照片的那套底层机制，同样也能让招聘经理验证一张头像照片。

SynthID 有何不同做法

Google DeepMind 的 SynthID 是一系列水印技术，它会针对每种内容类型调整信号，而不是对一切都使用同一种技术。图像会在整幅画面中分散嵌入信号，从而在保持正常视觉质量的同时，使某些常见变换无法将其抹除。视频将水印信息分布到各帧之中，帮助验证者审视整段视频，而非孤立的一个区域。音频将信号置于声音内部，人耳听不见但机器可检测。文本则由模型微妙地调整 token 概率，验证者需要检查足够多的文本来确认其是否符合预期的统计模式。

文本水印是最脆弱的情况。较短的回复可能不包含足够的证据。大幅改写、翻译，或混合来自多个模型的输出，都可能削弱这一模式。因此，阴性结果应报告为“未检测到受支持的水印”，而不是“由人类撰写”。

这对发布生成媒体的团队意味着什么

由这些工具差异可以得出三条实践做法。

在创作时签名，并保留原始文件。C2PA 有时能在重新编码后留存，但元数据在下游往往会被丢弃。唯一可靠的来源记录，就是你保留的那份文件。

不要把水印缺失当作人类创作的证据。信号缺失可能意味着生成器没有应用水印、编辑过程移除了水印，或者检测器不可用。每一种都是不同的事实。

把技术问题与真实性问题区分开来。C2PA 加密有助于揭示未经授权的改动，但它本身并不能证明产品描绘是准确的，也不能证明清单中的每一条陈述都属实。来源溯源告诉你文件来自哪里，但它不会告诉你这份文件是否诚实。

市场已对这一切作出回应。2025 年，AI 水印与来源溯源方面的支出估值约为 4.8 亿美元，预计到 2034 年将保持 28% 以上的年增长率。这是企业级支出，而非消费者采用，它反映了一个简单的现实：随着生成媒体的成本下降，证明媒体来源的价值在上升。那些把来源溯源视为流水线基础设施、而非实验室里新鲜玩意儿的团队，将在标注规则产生约束力时做好准备。

合规的流水线是什么样子

抛开抽象概念，如今必须为生成媒体添加标注的团队需要一套具体的步骤顺序，而每一步都对应上文提到的某一种工具。

在创作阶段，流水线对输出进行签名。对于通过主流 API 生成的图像，这一过程会自动完成：OpenAI 为每张图像附加 C2PA 清单，Google 同时附加清单和 SynthID 水印，Adobe 也通过 Firefly 采取同样做法。而使用小型提供商的团队，可能不得不自行添加清单。

在编辑过程中，流水线要保全这条链。每一个接触该资产的工具都应追加断言，而不是替换清单，这样历史记录才能留存。大多数流水线正是在这里出现泄漏，因为一个重新编码文件的工具可能会丢弃它不理解的元数据。

在分发阶段，流水线要保留原始文件。平台通常会剥离元数据、重新压缩上传内容并生成预览。离开生产系统的、已签名的文件是唯一可靠的记录，应当独立于图像被发布到何处而予以留存。

在人工层面，流水线要添加标签。可见标签是最简单的披露形式，也是监管机构对某些用途所期望的方式。但它也最容易被裁剪掉，这正是它要与机器可读信号并存、而非取代它们的原因。

监管机构划出的区分

欧盟《人工智能法案》第 50 条以及印度修订后的《信息技术规则》，都划出了一条在工程讨论中很容易被模糊的界线。

该义务关乎透明度，而非准确性。一张被标记的图像，是证明其由某个已识别的过程生成或编辑，标记所能断言的全部就止于此。这一区分之所以重要，是因为它决定了清单的用途。它记录来源，即谁以何种方式制作了该文件；它不为内容背书，即不担保文件所描绘的内容是否真实。

把这一区分搞错，会导致可预见的失败。团队会把有效的 Content Credential 当作图像值得信赖的证据，而该凭证只能确认图像来自它声称的来源系统。一张经过篡改但清单完好的照片，仍然是经过篡改的照片，而清单并不会检测出这种篡改。

给实干团队的要点

由此可得出三点，它们全都关乎纪律，而非技术。

把标注视为导出步骤的一部分，而不是事后的附加项。来源溯源是在创作时施加的，对于已在流通中的资产，无法事后补加。

保留原始文件，因为别人看到的副本通常已被剥离。只有当团队能够拿出携带清单的那份文件时，清单才有用。

并且，在团队谈论输出结果的方式上，要把来源溯源问题与检测问题分开。来源溯源告诉你文件来自哪里。检测告诉你模型对它从未见过的内容所作的猜测，这是更弱的主张。在内部和对客户都坦率地说明这一点，才能让合规项目对其能证明什么、不能证明什么保持诚实。