Identification（识别）是指从数据、内容或行为中判定对象身份、来源或性质的过程，在人工智能领域，它既包括内容溯源与真伪鉴别，也涵盖对模型输出质量与学习效果的判定。2024 年以来，随着生成式 AI 内容大量涌入互联网，identification 正在从学术概念走向平台级的基础设施，成为监管、版权与信任机制的关键环节。
Identification 近期进展
Meta AI 于 2024 年推出内置 Content Seal 水印并为图像提供公开验证工具，用户可借此判断图片是否由 Meta 的生成式模型产出。这一举措把 identification 从模型内部的隐式标记，转变为面向公众可查询的验证入口，也让水印的鲁棒性、可移除风险成为讨论焦点。(Meta AI 内置 Content Seal 水印，提供公开验证工具)
在模型评估侧，arXiv 论文 FATE 提出用知识蒸馏来评估 AI 导师的教学质量，通过让学生模型模仿导师输出来间接判定教学效果。这为 identification 提供了一种新思路：不直接打分，而是用下游模型的表现反推源模型的能力，把识别问题转化为可量化的迁移实验。(FATE：用知识蒸馏评估AI导师的教学质量)
另一篇 arXiv cs.LG 论文则指出“结构优于非线性”，提出用于动态学习的显式交互架构。该工作强调显式建模特征间交互比单纯堆叠非线性层更有效，这对识别任务中的特征归因与可解释性具有参考价值，也暗示 identification 的精度可能更多取决于架构设计而非参数规模。(结构优于非线性：用于动态学习的显式交互架构)
当前焦点与观察点
围绕 identification 的争议主要集中在三方面：水印能否抵抗裁剪、重编码等攻击；评估类识别方法的结论是否可复现；以及显式结构带来的可解释性提升，是否会以泛化能力为代价。可以观察的是，内容溯源与模型评估这两条原本独立的路线正在靠拢——都试图用可验证的信号替代主观判断，而公开验证工具与蒸馏式评估能否形成统一标准，仍待更多实证。