相比之下，零样本分类器法不需要对机器进行训练，也无需收集数据。它利用已训练好的大模型，抽取语言模型生成文本的特征，据此来区别人类与机器。“似然函数是零样本检测法中比较常用的基准之一，它可以简单理解为一段文本在某个模型的建模分布中出现的概率。概率是一种特征，不同的概率体现了人类创作内容与AIGC的差异。”鲍光胜进一步解释，“零样本分类通过综合考虑多种函数特征来区分人类创作内容与AIGC。”

　　如今，很多大语言模型几乎覆盖了互联网上的全部数据。因此，相比于模型训练分类器，零样本分类器在不同领域、不同语言的文本上表现较为一致。

　　不过，零样本分类器也存在明显缺点。一方面，现有零样本分类器依赖生成文本的源语言模型进行检测，这意味着如果是未知源模型生成的文本，分类器就无法准确检测。另一方面，为提高检测准确率，零样本分类器往往需要多次调用模型，这增加了模型的使用成本和计算时间。

　　“文本水印法则是一类‘主动方法’。区别于前两类方法，它不是检测已生成的文本，而是在AI生成文本时加入水印。人类虽然看不出这些水印，但却能通过技术手段检测出来。”鲍光胜说，文本水印法的准确率较高，但缺点在于水印可能被人为弱化甚至移除。此外，对于无法访问模型内部结构的大语言模型，技术人员可能无法在生成内容时成功加入水印。

　　检测技术需不断改进

　　“未来，我们要不断更新、完善现有技术，力争实现快速、准确、低成本检测，在大模型这把‘矛’越来越锋利的同时，让检测技术这面‘盾’更为坚固。”鲍光胜说。

　　记者了解到，为提升检测准确性，目前市面上的商用AI检测软件大多融合了多种技术手段。国内外研究团队也在进一步完善相关技术。

　　例如，西湖大学文本智能实验室团队在DetectGPT基础上研发的Fast-DetectGPT模型，可提升AI检测准确性，缩短检测时间。“Fast-DetectGPT与其他零样本分类器原理一致。其中一个创新点在于，我们提出通过条件概率曲率指标进行检测。”鲍光胜说，“与DetectGPT相比，Fast-DetectGPT在速度上提升340倍，在检测准确率上相对提升约75%。”

　　对AI检测AI的前景，有两种截然不同的观点。一种观点认为，未来AIGC将会与人类创作极为相似，以至于检测工具无法判别。还有一种观点认为，随着技术发展，检测技术或将赶超大模型技术，实现对AIGC的有效识别。