人而无信：AI 写的东西，开始自带“身份证”了

2026-11-10silcano

人而无信：AI 写的东西，开始自带“身份证”了

江楠AI · 2026-11-10 · 约 1841 字

01 ／ 水印不是盖章，是留指纹

很多人对“水印”的理解是：文字里藏个标记，去掉就行。

统计水印不是这样。它不藏标记，它改变概率。生成每个词的时候，模型会在一组“都说得通”的候选里，稍微偏向某一部分。单看一句话看不出来，但把几千字拿去统计，分布会露馅。

好处是不影响阅读，也不改接口。代价是三个：

一是它可能影响结构化输出和工具调用——因为那些地方本来就要求“必须选某一个词”，偏置会带来副作用。

二是它可被“改写”削弱。同义词替换、翻译一遍再译回来、大幅删改，都可能把指纹洗掉。xAI 自己也没公布准确率、误报率和抗改写的数据。

三是它会留下审计日志。你可以声明法律例外后退出，但“谁在什么时候退出了”这件事本身会被记下来。

02 ／ 孔子那句话，讲的是“车怎么走”

《论语·为政》里，孔子说：

“人而无信，不知其可也。大车无輗，小车无軏，其何以行之哉？”

輗和軏，是牛车马车辕前端那个关键的销子。木头和木头靠它咬住，没有它，车看起来完整，一拉就散。

孔子不是在做道德训话，他在讲结构：信任不是美德，是连接件。

今天的内容生态，正缺这个销子。一段话不知道谁写的、哪个模型出的、有没有被改过，它就没法被引用、没法被追责、没法被相信。它看起来像一篇文章，一用就散。

没有来历的内容，不是信息，是噪音。它占的地方越大，你判断的成本越高。

03 ／ 为什么“证明来源”比“检测 AI”更靠谱

这两年出现过上百个“AI 检测器”，绝大多数不好用。原因很简单：它们在猜。

猜的依据是文风——太整齐、太多排比、爱总结。可人也能写得整齐，AI 也能写得糙。猜得越多，误伤越多。

FlashProve 走的是另一条路：不猜，证。用密码学方法证明“这段输出来自这个模型、这个版本、这次调用”，同时不暴露模型权重。它解决的是“谁生产的”，不是“像不像 AI”。

这个思路的转变很关键：从“鉴别文本”转向“登记生产”。 前者永远被动，后者可以主动。

▲ 读书图（AI 配图）

04 ／ 给你自己的内容留一份“可验证的痕迹”

平台的水印你控制不了，但你可以给自己留证据。三件事，成本极低。

① 存生成记录，不只存结果：模型名、版本号、时间、完整提示词、原始输出。一个 JSON 或一个文本文件就够。将来要证明“这是我原创的”，这份记录比任何检测报告都硬。

② 给成稿算个哈希，存到第三方：文件哈希值 + 时间戳，发到自己邮箱、写进博客、或者提交到一个公开仓库。改动一个字，哈希就变。这叫“存在性证明”，成本几乎为零。

③ 发布时带上“生产方式”声明：哪部分是 AI 生成、哪部分人工改写、用了什么模型。别嫌麻烦——这恰恰是让读者信你的那个销子。

再加一条心态上的：别把水印当敌人。 对认真做内容的人，可溯源是保护，不是枷锁。真正该担心的是那些靠批量生成灌水的人。

05 ／ 以后拼的不是写得多，是认得清

内容过剩的时代，稀缺的从来不是产量，是可信度。

当所有人的生成速度都被拉平，唯一还能拉开差距的，是“这段话能不能被追溯到你”。

所以从今天起，给自己立个规矩：每条发出去的东西，都能说清是谁、什么时候、用什么做的。

这不是防 AI，这是给自己装那个销子。车要跑得远，靠的从来不是马力大，是木头咬得住。

能被追溯，才配被引用。来历清楚，是新的基本功。

最后想问问你：

你最近发出去的一篇东西，能说清是哪个模型、哪一版、什么提示词做的吗？

江楠AI

向内看，向前走。

文中配图为 AI 生成，仅作意境示意。文中数据与仓库信息截至 2026 年 11 月 10 日。

事实来源：xAI 2026-11-07 对七个 Grok API 文本模型默认启用统计水印；Anthropic 发布 FlashProve 模型溯源方案（2026 年 11 月）。经典出处：《论语·为政》。