[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"$fI34nileyA04likCI9RVUgY3R9oapFe8aiWOZkOiM9qY":3},{"item":4,"related":44},{"id":5,"type":6,"title":7,"slug":8,"summary":9,"body":10,"coverUrl":11,"productScreenshots":12,"productLinks":13,"authorName":14,"authorUrl":15,"authorSubject":16,"category":17,"tags":22,"sourceLabel":35,"sourceName":36,"sourceUrl":36,"status":37,"seoTitle":36,"seoDescription":36,"canonicalUrl":36,"isFeatured":38,"sno":39,"sortOrder":40,"publishedAt":41,"updatedAt":42,"createdAt":43},"075e5848-42c9-4703-a24b-584c38b13223","article","AI 图片检测不靠谱时，C2PA 如何记录内容从哪里来","c2pa-content-provenance-explained","C2PA 不靠观察像素猜内容是不是 AI 生成，而是用签名清单记录素材来源和编辑历史。本文拆解 Content Credentials、Manifest、签名、软绑定，以及来源证明与真实性判断的边界。","当一张图片看起来像照片、视频里的人说出了从未说过的话时，很多人会问：有没有一个 AI 检测器能给它判定真假？问题是，检测器通常只能根据内容外观猜测来源，而内容一旦被压缩、裁剪或重新拍屏，原来的统计线索就可能消失。\n\n![抽象的数字内容与光影构成](https:\u002F\u002Fimages.unsplash.com\u002Fphoto-1618005198919-d3d4b5a92ead?w=1200)\n\nC2PA 走的是另一条路：不试图从每个像素猜“它是不是 AI 生成”，而是在内容产生和编辑的过程中记录一份可验证的来源声明。它更像媒体文件的“签名履历”，而不是一个会说“真”或“假”的裁判。\n\n## Content Credentials 里记录了什么\n\nC2PA Manifest 可以包含创作者或工具声明、创建时间、处理动作、素材来源（ingredients）和签名。内容文件会和这份 Manifest 建立绑定，签名用于证明声明在签署后没有被悄悄改写。\n\n```mermaid\nflowchart TD\n    A[相机或生成工具产生内容] --> B[创建来源声明]\n    B --> C[记录编辑和素材来源]\n    C --> D[对声明与内容签名]\n    D --> E[平台展示 Content Credentials]\n    E --> F{用户检查来源链}\n    F -->|签名有效| G[相信声明来自对应签署者]\n    F -->|签名失效或缺失| H[标记为未知来源]\n```\n\n这里有一个重要的边界：签名有效，只能说明“这份声明确实由某个受信或已识别的签署者发布，并且相关数据没有被篡改”。它不能自动证明声明内容符合现实，也不能证明拍摄者没有撒谎。一个恶意机构同样可以签署一份误导性声明。\n\n## 它和数字水印有什么不同\n\n数字水印通常把信号嵌入图像、音频或视频本身，目标可能是识别生成工具、追踪传播或验证内容是否被改动。C2PA 更强调结构化的 provenance（来源和处理历史），签名数据可以描述“由什么素材经过哪些步骤形成当前版本”。两者可以同时使用，也可以互相补强。\n\nC2PA 2.2 还涉及多部分资产、时间戳、撤销信息和软绑定等能力。软绑定的意义在于：即使元数据因为平台处理被剥离，系统仍可以用内容特征或外部存储尝试找回对应的来源声明。但“找回”是概率匹配，不应被误解成永久不可伪造的指纹。\n\n## 为什么截图会破坏来源链\n\n如果用户把带有来源信息的照片截图，再把截图上传到另一个平台，新的文件可能没有原始 Manifest。这个新文件不是“内容一定是假的”，而是它已经无法继续携带可验证的来源证明。\n\n因此产品界面不能把“没有 Content Credentials”显示成醒目的“AI 伪造”。更准确的文案应该是“未发现可验证的来源信息”。同理，来源链里出现“AI 工具参与编辑”，也不代表内容一定不可信；新闻图片、设计稿和视频剪辑都可能经历人机协作。\n\n## 落地时需要三层信任\n\n第一层是密码学完整性：文件、声明和签名能否对应，是否被篡改。第二层是签署者身份：证书是否来自可信的组织、设备或工具。第三层是业务语义：签署者说的“拍摄于某地”“未经修改”是否符合现实和平台规则。\n\n这三层不能混为一谈。验证器可以告诉你签名有效，却不能替编辑部判断图片是否摆拍，也不能替监管部门决定某个机构是否有资格发布特定内容。\n\n## 对普通用户最有用的理解\n\nC2PA 不是“AI 测谎仪”，而是为数字内容增加了一条可验证的履历。它能帮助平台和用户回答“这份文件从哪来、经历过什么处理、声明由谁签署”，但最终的真实性判断仍需要上下文、事实核查和责任主体。\n\n进一步阅读：[C2PA 2.2 技术规范](https:\u002F\u002Fspec.c2pa.org\u002Fspecifications\u002Fspecifications\u002F2.2\u002Fspecs\u002FC2PA_Specification.html)、[C2PA 规范总览](https:\u002F\u002Fspec.c2pa.org\u002Fspecifications\u002Fspecifications\u002F2.2\u002Findex.html)。","\u002Fuploads\u002F2026-08-11\u002F8aaab732-34e0-4eeb-a148-4b853d416242.jpg",[],[],"Foundit","https:\u002F\u002Ffoundit.cn\u002F","f39339b1-aaa6-4e86-b0c2-a6e6a21113b5",{"id":18,"name":19,"slug":20,"description":21},"6179d3b6-dc34-4483-9ded-3cd9f1b37a47","科普","abbreviation","介绍各领域新兴概念",[23,27,31],{"id":24,"name":25,"slug":26},"7c76bfc2-f80f-4ee0-a95d-27bd8708b434","技术","slug",{"id":28,"name":29,"slug":30},"4c2bbea6-eab7-40a8-8447-1de478ff7749","分析","analyse",{"id":32,"name":33,"slug":34},"88d2bc27-0e0f-468a-b907-2991cb97b87b","人工智能","ai","资料来源",null,"published",false,64,0,"2026-08-09T00:00:00.000Z","2026-08-11T04:27:24.151Z","2026-08-11T02:35:44.621Z",[45,54,63],{"id":46,"type":6,"title":47,"slug":48,"summary":49,"coverUrl":50,"authorName":14,"sno":51,"publishedAt":52,"createdAt":53},"f00e5274-8e0b-40fe-af3b-b6a8d0183b9c","一张贴纸就能骗过视觉 AI？对抗样本不是魔法","adversarial-examples-fool-visual-ai","人眼仍能认出的物体，经过精心设计的微小扰动或标记后，机器却可能改变判断。这类输入称为对抗样本。本文解释攻击者如何利用模型的决策边界，现实攻击为何比实验更难，以及为什么目前不存在一劳永逸的防御。","\u002Fuploads\u002F2026-09-08\u002F151f887b-c5f1-4647-b369-cdda8a1e1b4f.jpg",50,"2026-09-03T00:00:00.000Z","2026-08-14T03:06:09.765Z",{"id":55,"type":6,"title":56,"slug":57,"summary":58,"coverUrl":59,"authorName":14,"sno":60,"publishedAt":61,"createdAt":62},"305492d4-c146-456a-b341-31140ab9cafd","天气预报不再一格一格算空气，AI 是怎么预测风暴的？","how-ai-weather-forecasting-works","传统数值预报依据物理方程推进大气状态，AI 天气模型则从历史观测与再分析数据中学习状态如何演变。本文以 GraphCast 为例，解释图神经网络如何快速预测全球天气、它与传统方法如何协作，以及极端天气仍有哪些难点。","\u002Fuploads\u002F2026-08-16\u002Fa8b5ddad-d6db-4d12-a159-87a6c5309082.jpg",60,"2026-08-16T00:00:00.000Z","2026-08-14T03:06:12.102Z",{"id":64,"type":6,"title":65,"slug":66,"summary":67,"coverUrl":68,"authorName":14,"sno":60,"publishedAt":69,"createdAt":70},"7f962194-e0c6-4072-9b50-c70054beb0e5","同一个问题问三遍，AI 为什么会给出三个答案？","why-ai-gives-different-answers-sampling","大模型每次回答都在从候选词中继续选择，而不是从数据库里取出一段固定文字。温度、Top-p 和随机采样共同决定回答更稳定还是更有变化。本文用抽签与岔路的比喻，解释 AI 的随机性从哪里来，以及什么时候应该追求一致。","\u002Fuploads\u002F2026-08-14\u002Fb322d338-b5c0-48c7-addf-fbd91421e316.jpg","2026-08-14T00:00:00.000Z","2026-08-14T03:06:07.351Z"]