ChatGPT 能判断 AI 图片吗？从信息论看“看懂”与“鉴别”的区别

ChatGPT 能判断一张图片是不是 AI 生成的吗？它可能指出有用线索，但“看懂图片”并不自动等于“辨别图片来源”。 两张来源不同的图片，可以表达完全相同的内容。真正的鉴别问题，是系统是否保留了与来源有关的信息，以及这些信息能否支持经过验证的判断。

Fileverity 的检测流程不调用 LLM。 我们使用专用机器学习与文件技术核验完成检测。本文只讨论一个公开的理论问题：内容信息与来源信息为什么不能相互替代。不展开我们的内部网络结构、特征选择或技术组合。

同一句正确描述，为什么可能对应两种不同来源

设想两张图片：一张由相机拍摄，另一张由生成模型合成，画面都是“一辆红色汽车停在砖墙旁”。一个视觉助手对两张图片都给出这句话，甚至准确说明了车身颜色、构图和光照。

描述没有错，但它没有回答来源问题。假如后续审核只接收这句话，两张图片就变成了同一个输入。无论再对这句话推理多少次，都无法仅凭它区分刚才那两份不同的文件。

这也解释了为什么“画面有没有不合理的地方”不能成为完整的检测逻辑。手指正常，不意味着照片一定来自相机；反光奇怪，也不意味着图片一定由 AI 生成。视觉异常可以成为线索，但线索与来源的关联需要用数据验证，而不是凭直觉赋予它确定性。

如果需要实际检查步骤，可以先阅读如何判断图片是否由 AI 生成。这里进一步解释：为什么专业检测要研究来源信号，而不是仅仅描述内容。

信息瓶颈：判断之前，哪些信息已经被丢掉了

用三个符号表示这个问题：Y 是来源类别，X 是可供检查的图片，T 是从图片得到的一种表示，例如文字描述。当判断只依据 T 时，关键在于 T 保留了多少关于 Y 的信息。

MIT 信息论讲义中的数据处理不等式给出了这一关系：I(Y; T) ≤ I(Y; X)。在这条处理链中，变换不会凭空增加有关来源的信息。

这里并不是说“任何压缩或特征提取都会损害检测”。设计得当的表示，可以保留某项任务需要的信息。问题在于：适合描述场景的表示，不一定充分保留了区分来源所需的信息。 理解对象、容忍外观变化与辨别生成过程，是不同的优化目标。

这条原理也不等于证明所有多模态 LLM 都不可能检测图片。有的模型直接接收图像信息，专门训练也可能改变其能力。它说明的是一个更严格的结论：不能从“通用理解能力很强”，直接推导出“来源检测能力已经得到验证”。

专用检测如何把来源信号变成可以检验的问题

假设 E 是一个抽象的观测量。来源判别关注的不是 E 是否符合故事情节，而是：在生成图片和相机照片中，观察到 E 的相对可能性有什么不同？这一问题可以用一般的似然比表达：

L(E) = p(E | 生成图片) / p(E | 相机照片)

这不是我们的实现公式，而是解释检测目标的统计模型。比值越大，表示在所假设的分布下，这个观测更支持生成来源。但它不直接等于“这张图片为假的概率”；后者还涉及先验比例与模型是否适用于当前数据。

实际工作中，可以在不知道真实分布的情况下，对学习得到的检测分数进行经验评价：固定阈值，在已知来源的样本上统计检出、漏检与误报。改变阈值，就会形成不同的检出率与误报率组合，ROC 曲线记录的正是这种关系。

公开研究也体现了这种任务划分。例如，《Zero-Shot Detection of AI-Generated Images》研究图像在真实图片模型下的统计可预测性。引用它是为了说明“来源信号”是一类可研究的问题，并不表示 Fileverity 使用了该论文的方法。

真实数据：FVIMG V2 的来源区分能力如何表现

下面的图由 2026 年 11 月 1 日 FVIMG V2 评测保存的逐图预测记录计算得到。它与前面的理论图性质不同：这里展示的是 Synthbuster 生成图片与 RAISE-1k 相机照片的实际检测结果。两者都是公开数据集，可以自行查阅；Fileverity 的模型则基于海量独家自有的专业化数据样本研发与验证。

ROC 展示分数在不同阈值下区分来源的表现；它不意味着任意单张文件的分数都可以直接解释为真实性概率。

完整 Synthbuster 报告公开了输入处理与评测范围。主成绩来自图片像素检测核心，没有将元数据或来源凭证叠加进去，也没有将 LLM 作为同场比较对象。这些数字支持的是一个具体版本在明确测试任务上的能力。

多重技术的价值，仍然取决于有没有新增信息

假设已经观察到 E1，再加入 E2：如果 E2 只是把 E1 换一种说法，就没有新增观测；如果 E2 提供了此前没有的信息，才有机会进一步区分来源。

这就是多重核验与“多问几个模型”的根本区别。不同检查也可能重复犯错，组件越多并不必然越准确。真正需要验证的是：组合后的系统是否在代表性样本上改善了判断，而不是它能否生成更长的解释。

Fileverity 的图片取证与真实性检测遵循这种以证据为中心的思路。FVIMG V2 与文档检测模型 FVDOC V3 分别具有明确的版本和评价范围。具体特征与组合方式属于内部实现；面向客户展示的是可以检查的结果，以及与任务、版本对应的性能证据。

企业应该关注什么，而不是只看解释是否专业

选择检测工具时，可以把问题改成：它的来源判断依据是什么？在哪些文件上验证过？固定阈值对应多少检出与误报？结果能否帮助团队定位下一步需要核查的材料？

检测准确率与误报指南进一步解释这些指标。对 Fileverity 而言，专业能力体现在完整检测流程中：让来源相关信息进入检查，形成定义清楚的结果，再用实际数据验证它的表现。理解内容是一个能力；建立来源判断的依据，是另一个需要专门完成的任务。如果您打算把检测器接入自己的系统，如何选择 AI 检测 API列出了十项集成评估项。

作者 Yang Zheng