如何判断一张图片是不是 AI 生成的：来源、标识与检测的核查方法

判断一张图片是不是 AI 生成的，应先追溯来源，再读取文件中的 AI 生成内容标识与内容凭证（C2PA）等记录，然后用检测工具检查像素内容，最后结合业务记录下结论。这几项检查各自回答问题的一部分：来源说明图片从哪里来，标识与凭证说明文件声明了什么，检测说明像素呈现出什么特征。“看手指、看文字、看光影”一类视觉破绽只能提出线索，不能作为判断标准。

判断来源的同时，还要回答另一个问题：这张图片能否支持它所附带的主张？真实拍摄的照片可能拍的是另一件商品，或是更早的一次事故；明确标注为 AI 生成的示意图，用作说明配图则完全正当。“是否使用了 AI”与“是否存在欺骗”是两个不同的结论。

先确定从哪里入手

单张图片可以先用 AI 生成图片检测 做免费检测。Fileverity 在同一次分析中检查 AI 生成、篡改与来源三类证据，结果用于决定下一步：是继续追溯来源、细查某个被编辑区域，还是索取更好的文件。关于图片来源的结论，最终仍要落到您正在审核的那项主张上。

第一步：写明这张图片要证明什么

先用一句话写明对象、时间与情境。“这辆自行车 10 月 14 日签收时车架已经开裂”给了复核人员可以核实的对象；“这张图是真的吗”则把几个需要不同证据的问题混在了一起。

以这辆自行车为例，至少可以拆出四个问题：照片是否为相机拍摄；裂纹是否被后期添加；照片中的车是否就是订单中的那辆；损坏发生在签收之前还是之后。整图生成检测回答第一个问题，局部篡改分析回答第二个问题，订单、物流与验货记录回答其余两个问题。把问题拆开，每项检查才有明确的用途。

在查看检测结果之前，先定好判断规则。例如：“破损类售后申请，须提供能看清缺陷的照片，并有证据将照片中的商品与本笔交易关联。”这样可以避免一个醒目的分数在不知不觉中取代审核要求。

第二步：追溯来源，保全收到的文件

原样保存收到的文件，同时记录发送人、接收时间和对方声称的拍摄情境。给每个版本一个固定的编号；计算文件的 SHA-256 哈希值，可以准确标识被分析的究竟是哪一份文件。之后收到的补充文件和各项分析结果，都与这个编号关联。

如果手头只有截图或聊天预览图，应索取原始文件，并把要求说清楚：“请直接从手机相册发送原图，或以‘文件’方式发送，不要截图。”需要注意，原始文件本身也可能来自生成工具，因此索取原图的目的是取得更好的证据，而不是一种真伪测试。截图会丢失哪些信息，详见截图与压缩图片的核查指南。

追溯来源与信任来源是两回事。长期合作的联系人也可能无意中转发误导性的图片，对方说得再肯定，也不能替代文件本身的流转记录。请问清楚：图片是本人拍摄、从他人处收到，还是从网上下载的。

在材料性质允许时，可以用以图搜图（例如百度识图）查找更早的出处。打开匹配的网页，比对具有辨识度的细节，而不是只看缩略图；同一处缺陷的另一种裁切，往往比外观相似的同款商品更有说服力。记录网页地址以及网页实际能够支持的日期：页面上显示的发布时间不一定是拍摄时间。搜索没有结果，只说明这次搜索没有找到，不能证明图片是首次出现。未经授权，不要把保密材料上传到公共搜索或分析服务。

Fileverity 提供可选的网络副本搜索，默认关闭。开启后，图片的缩小副本会发送至 Google Cloud Vision，报告列出公开网页上的完全匹配与部分匹配，并链接到展示该图片的网页。网上存在副本并不能证明图片被篡改，但可以说明图片此前已经发布过，例如一张理赔照片其实取自互联网。数据处理方式见信任中心。

第三步：区分普通元数据、隐式标识与内容凭证

文件里与来源有关的记录分为三层，可信程度各不相同，必须分开阅读。

普通元数据：线索，不是记录

元数据可能包含相机型号、拍摄参数、时间、地点和作者等信息，常见格式有 EXIF、IPTC 和 XMP。美国国家标准与技术研究院（NIST）的报告指出，这些元数据标准并未对签名作出专门规定，与带有保护措施的来源记录是两回事。见 NIST AI 100-4 第 3.1.2 节。

解读日期前，先看清字段名称：文件修改时间、导出时间与拍摄时间回答的是不同问题。字段之间不一致，就如实记为不一致。不要因为出现某个软件名称就推断使用了生成式编辑，也不要因为缺少相机字段就推断不是相机拍摄。在不了解传输经过的情况下，字段缺失是很弱的证据。

隐式标识：服务提供者写入文件的声明

国家互联网信息办公室等四部门发布的《人工智能生成合成内容标识办法》自 2025 年 9 月 1 日起施行。该办法第三条把标识分为显式标识和隐式标识，其中隐式标识是指“采取技术措施在生成合成内容文件数据中添加的，不易被用户明显感知到的标识”。第五条要求服务提供者“在生成合成内容的文件元数据中添加隐式标识”，其内容包含“生成合成内容属性信息、服务提供者名称或者编码、内容编号等制作要素信息”，并鼓励添加数字水印等形式的隐式标识。配套的强制性国家标准 GB 45438-2025《网络安全技术 人工智能生成合成内容标识方法》于 2025 年 2 月 28 日发布，与办法同于 2025 年 9 月 1 日实施。

读取隐式标识时，关注三点：它声明内容是否为生成合成内容；它写明的服务提供者是谁；是否还带有传播平台写入的信息。依该办法第六条，提供网络信息内容传播服务的平台在特定情形下，应在文件元数据中添加“传播平台名称或者编码、内容编号等传播要素信息”。

隐式标识的局限同样明确。第一，它通常不带可供第三方核验的签名，可以被修改、伪造或删除。办法第十条明确规定，任何组织和个人不得“恶意删除、篡改、伪造、隐匿”生成合成内容标识，因此核查时不能把“画面上没有 AI 字样”当作结论。第二，标识缺失不等于不是 AI 生成：截图、转存和部分编辑软件会丢失元数据；而画面上没有“AI 生成”字样，也可能只是因为依第九条，用户可以申请服务提供者提供不含显式标识的内容。第三，标识声明的是文件的来历，不能说明画面所示事件是否属实。

Fileverity 读取 GB 45438-2025 规定的隐式标识，在报告中列出其声明的内容，包括生成服务提供者和传播平台。由于标识通常不带可供第三方核验的签名，报告将其作为文件中的声明列出，而不是作为证明。标识的概念与报告字段，详见 AI 生成内容标识；与内容凭证、水印的系统比较，见隐式标识、内容凭证与水印。

内容凭证（C2PA）：带签名的来源记录

内容凭证（C2PA）是与文件关联、带有数字签名的声明。验证可以检查记录本身是否完整、是否与当前文件绑定，以及签名方是否可信，这与单纯读取元数据不同。C2PA 也把来源与事实区分开来：凭证有效，并不证明画面所示事件属实；采用与否由各方自行决定，记录可能不完整，来源元数据也可能被移除。见 C2PA 2.2 说明文档第 2 节与第 7 节。

实务中，应保存验证工具的结果，并弄清它描述的究竟是什么：记录涉及的是拍摄、生成、编辑还是后来的导出？它针对的是这份附件，还是更早的某个素材？签名方是否得到验证工具认可？这些细节决定了一个凭证图标能否成为可用的证据。

还要区分三种观察：“未发现凭证”“无法完成验证”“验证通过，并含以下声明”。验证失败时，保存诊断信息，不要把每一次失败都解读为故意篡改。

第四步：看图，是为了提出可检验的问题

视觉检查的价值，在于确定下一步查什么。以合适的显示尺寸查看与主张相关的区域：缺陷本身、序列号标签、背景地标、反光以及物体之间的交界。放大可以帮助看清已有的像素，但不能创造文件中本来没有的证据。

记录时写“车架编号无法辨认”或“车轮边缘与地面衔接不连续”，而不是“看起来像 AI”。前一种写法记录的是别人可以复核的观察；后一种把外观、原因和把握程度捆在一起，形成了没有依据的结论。

在把某处异常归因于生成之前，先考虑寻常的解释：运动模糊、浅景深、眩光、压缩以及常规的美颜与修图，都会影响画面。反过来，手指、文字、阴影没有常见错误，也不能说明图片来自相机。网上流传的“辨别清单”可以帮助发现值得追问的地方，但不能作为唯一的验收标准。

后续请求应直指不确定之处。标签看不清，就索取一张能同时看到标签与商品的近照；争议细节只占画面一小块，就按局部篡改的思路调查，而不是指望整图分类器去定位或解释它。

第五步：选择能回答剩余问题的检查

水印验证与学习型检测是两种不同的机制。水印验证寻找特定的嵌入信号；学习型检测器评估的是内容中的模式。NIST 把来源追踪与基于内容的检测作为不同的方法分别讨论，并在报告开篇指出，这些技术单独使用都不是完整的解决方案。见 NIST AI 100-4。

部分生成服务会在像素中嵌入肉眼不可见的隐形水印，只有对应的验证工具才能检出。验证结果为阳性，是关于该服务输出的具体线索；结果为阴性，其他生成服务与编辑方式仍未排除。因此应写明使用的是哪个验证工具、它覆盖哪些生成服务。Fileverity 可检测已知的隐形水印；如果内容凭证已被移除而其隐形水印仍在，报告也会指出。

每项检查应对应它能回答的问题：

当来源历史缺失，或需要核对内容是否与声称的来源相符时，学习型检测很有用。检测器要与任务匹配：整图生成、局部编辑，或两者兼顾。还要确认其评估是否覆盖您实际收到的输入，例如原始导出文件与经即时通讯压缩的附件。对影响重大的决定，应要求服务商提供拟用阈值下的评估数据；NIST 同样强调误报问题以及在明确阈值下评估检测的重要性。见 NIST AI 100-4 第 4.2.2 节。如何读懂准确率与误报率，见 AI 生成图片检测准确率与误报。

记录工具名称、可获得的版本号、运行日期、输入文件编号、输出结论和阈值。不要把一个数字擅自解读为“此人作假的概率”。除非服务商说明了分数在相关用途下的含义与校准方式，否则就用工具自己的术语表述。两个服务结论一致，也不应自动算作两次独立确认；先弄清它们提供的证据是否确有实质差异，再决定是否提高把握程度。

检测原理：检测器如何把像素变成证据

Fileverity 的学习型检测由多个相互独立的检测器组成，分别分析生成式模型在像素中留下的统计痕迹，输出经校准后再合并，见工作原理。这类检测有两点会直接影响结果。

第一，预处理会改变可获得的证据。例如，把 4,032 × 3,024 的图片缩小到 1,008 × 756，长宽各缩为四分之一，像素数减为十六分之一，原图中 16 像素宽的特征，缩小后只剩约 4 像素宽。

第二，评估集的构成会影响结果的可信度。设想相机照片都是 JPEG，生成图片都是 PNG：区分效果好，可能反映的是生成痕迹，也可能是格式差异。要排查这一点，应让两类图片经过相同的传输条件，先比较相机原图与生成原图，再比较两者经微信等即时通讯转发后的版本；同一来源的各个版本应放在评估的同一侧，否则，模型见过相似画面，评估结果会偏高。

第六步：先化解矛盾，再下结论

内容凭证显示由相机拍摄，像素检测却提示 AI 生成，两者未必针对文件历史的同一阶段。首先确认两项结果是否针对同一份文件，再查看记录的操作与检测器的任务。后期编辑、历史记录不完整、输入不在支持范围内或分类错误，都是需要调查的可能性，而不是可以直接采用的解释。

矛盾记录可以分三栏：观察、可能的解释、能够区分各种解释的证据。例如：

• “早先的附件带有凭证，截图没有”：应比较两个版本及传输路径，不能据此认定某位发送人不诚实。
• “未检出水印，像素检测提示”：可能只是一个覆盖面很窄的水印检查与一个覆盖面较宽的内容分类器的组合。
• “隐式标识声明为生成合成内容，像素检测未提示”：标识是声明，应核对其中的服务提供者，按披露要求处理，并询问图片的制作经过。
• “未见隐式标识，像素检测提示”：缺少标识不构成否定，应继续追溯来源。

不要把互不相关的输出取平均，自制一个“真实度百分比”。应取得能够化解分歧的证据：确切的早先附件、验证工具的诊断信息、作者有记录的导出历史，或对争议对象的另一次独立拍摄。如果现有证据无法区分各种解释，就保留“无法判定”的结论。

案例：自行车车架开裂的售后申请

以下为示例，平台、时间与编号均为虚构。买家在售后沟通中发来一张聊天截图，画面显示自行车车架开裂，称收货时即已损坏。商家对照片提出异议。售后规则要求提供与所购商品相关联的损坏证据。

此时稳妥的阶段性结论是：“所提交的截图不足以证明收货时已有损坏。相同照片早于本次购买已在网上出现。是否由 AI 生成仍无法判定；补充证据把缺陷与所购自行车联系了起来，但尚不能确定损坏发生的时间。”

在这个案例中，自动检测负责缩小范围，来源追溯与交易证据负责定案；两者配合，才把“无法判定”的图片转为可处理的结论。Fileverity 报告在其中的作用，是固定前两行的观察：记录截图的 SHA-256 哈希值与时间戳验证状态，列出文件缺少元数据与内容凭证这一事实，并在证据不足时给出“无法判定”及索取原图的建议；收货时点与商品身份仍由订单、物流与验货记录确定。换一种情形：如果文件带有经验证有效、签名方可信的生成声明，按审核规则可能足以支持“AI 生成”的结论，下一步则是判断这张图片是否适合其声称的用途。如果文件只带有声明为生成合成内容的隐式标识，它是需要向提交方核实的线索，而不是定论。下一项检查应针对缺失的事实；再多一个检测分数，只有在能提供新的相关证据时才有意义。

复核记录与停止条件

记录应详细到另一位复核人员可以重现推理过程：

• 主张与要求：图片需要证明什么，适用的验收标准是什么。
• 文件与来源：收到的版本、发送人、接收时间、更早的版本及其编号或哈希值。
• 观察：可见细节、元数据、隐式标识内容、验证工具诊断信息和工具的原始输出。
• 佐证：来源链接、匹配的记录或独立拍摄的照片，以及各自的局限。
• 结论与处理：有依据的结论、尚未解决的问题、复核人员和下一步。

当再运行一个工具也无法回答剩下的问题时，就停止增加工具。缺的是拍摄时间或归属，就去找时间或归属的证据；现有文件不适合所选分析，就如实报告这一局限。对后果重大且悬而未决的争议，按既定复核流程升级处理，而不是把不确定直接变成拒绝。

结论措辞应分级：“经验证的来源声明支持 AI 生成”“检测器提示该文件需要复核”或“来源无法判定”，视情况选用，不要把它们压缩成一个“假图”标签。

常见问题

AI 生成图片检测结果能作为证据吗？

检测报告记录检测发现及其依据，用于发现线索、确定复核重点；其在相关程序中具有多大证明力，由律师和法院评估。《最高人民法院关于民事诉讼证据的若干规定》第九十三条规定，人民法院对于电子数据的真实性，“应当结合下列因素综合判断”，包括电子数据的生成、存储、传输所依赖的系统环境，是否被完整地保存、传输、提取，以及保存、传输、提取电子数据的主体是否适当等。因此，保存原始文件与完整的接收记录，往往比任何单一检测结论更重要。Fileverity 报告附有 SHA-256 文件哈希值与公开核验页，并注明时间戳和 PDF 签封的验证状态。验证通过时，这些记录可供他人核对报告的签发与完整性，但不证明图片内容属实。

图片上没有“AI 生成”字样，就说明不是 AI 生成的吗？

不能。显式标识可能从未添加，也可能被裁掉或涂抹；依《人工智能生成合成内容标识办法》第九条，用户还可以申请提供不含显式标识的内容。隐式标识也可能在截图、转存中丢失。没有标识，只说明这一条证据通道没有给出信息。

有没有一眼识别 AI 图片的办法？

没有可靠的办法。生成质量在不断提高，手指、文字、光影上的典型错误越来越少，而真实照片也会因为压缩、运动模糊或修图出现类似的异常。视觉检查适合提出问题，结论应建立在来源、文件记录、检测结果与业务记录相互印证的基础上。

开始核查

需要判断来源的单张图片，可先用 AI 生成图片检测 进行免费检测，并把文件的来源信息与结果放在一起。需要以像素坐标定位被编辑区域、读取隐式标识与内容凭证，并出具可核验报告时，使用图像鉴伪。如果问题在于照片中某一块被改动，请按 AI 修图核查流程 处理。

如果这是持续的业务流程，请联系 Fileverity，说明您收到的图片类型、传输渠道，以及检测结果应当触发的处理动作。Fileverity 在 Entogo 运营、位于多伦多的服务器上分析文件，分析后即删除；企业版可按需私有化部署，详见信任中心。

作者 Yang Zheng