1. 从“未标识就下线”说起：AIGC内容合规到底在管什么

9月16号这条消息在圈子里传得很快，核心就一句话：AI生成的内容如果没有按规定打上标识，平台可以直接做下线处理。很多人第一反应是“又来新规了”，但如果你真正在业务一线做AIGC应用，会发现这件事的逻辑其实非常清晰——它不是突然冒出来的，而是过去两年AIGC从“新鲜玩意”变成“基础设施”之后，必然要补上的一环。

我先把这件事翻译成人话：你用一个AI工具生成了一段文案、一张图、一段视频，或者一个数字人播报，如果这段内容对外发布时没有明确告诉受众“这是AI生成的”，那么一旦被识别出来，平台有权把它拿掉。注意，这里的关键词是“标识”，不是“禁止”。也就是说，监管并不是不让你用AI生产内容，而是要求你在内容流转的每一个环节，把“AI参与”这件事说清楚。

这个变化影响的面比很多人想象的要大。它不只管那些专门做AI绘画、AI写作的工具平台，还管所有“用了AI能力但没吭声”的产品。比如你做一个电商详情页生成工具，底层调了大模型，生成出来的文案直接铺到商品页上，这算不算需要标识？再比如你用AI给短视频配了个音，声音是合成的，画面是实拍的，这算不算？还有企业内部的AI知识库问答，输出内容只在内部流转，要不要标识？这些问题在9月16号之后，从“可以讨论”变成了“必须回答”。

我自己的判断是，这次进入执法期，意味着两件事同时发生。第一，平台侧的审核能力已经跟上来了。以前识别AI内容主要靠水印或者元数据，现在很多平台已经能用模型去判断一段文本的“AI概率”，准确率虽然做不到百分之百，但足够支撑批量筛查。第二，合规责任开始向“发布者”和“工具提供方”双向传导。你用了AI，你得标；你提供AI工具让别人生成内容，你也得在输出环节留好标识能力。两边都跑不掉。

所以这篇文章我想聊的不是“政策解读”，而是从一个实际做AIGC应用的人的角度，把这件事拆成可操作的部分：标识到底怎么做、C2PA这类技术方案怎么落地、安全评估要评什么、以及在实际工程里最容易踩的坑在哪里。如果你正在做AIGC相关的产品、内容运营或者技术架构，这些内容应该能直接拿去对照检查。

2. 标识不是加个水印那么简单：三层标识体系拆解

2.1 显式标识与隐式标识的分工逻辑

很多人一听到“标识”，第一反应是在图片角落加个“AI生成”的水印，或者在文章末尾写一句“本文由AI辅助完成”。这属于显式标识，也是最容易被用户感知的一层。但如果你只做这一层，在实际合规检查里大概率是不够的。

显式标识的作用是“让普通受众知道”，它解决的是知情权问题。比如一张AI生成的新闻配图，右下角有一个清晰的“AI生成”标签，读者一眼就能看到。一段AI合成的语音，在播放前有一句“以下内容由AI合成”的提示音。这些都属于显式标识，特点是可见、可听、可感知。

隐式标识的作用是“让机器能识别”，它解决的是溯源和审核问题。比如在文件的元数据里写入生成工具的名称、生成时间、模型版本，或者在像素层面嵌入不可见的数字水印。普通用户看不到，但平台侧的审核系统可以读出来。这一层才是真正让“未标识就下线”具备可执行性的技术基础。

还有第三层，我把它叫做关联标识，也就是把内容和一个可验证的凭证绑定起来。C2PA就是这一层的典型代表。它不只是说“这是AI生成的”，而是说“这段内容由谁在什么时候用什么工具生成，之后经过了哪些编辑”。这一层解决的是深度伪造和恶意篡改的问题。

三层标识的关系可以这样理解：显式标识是给用户看的，隐式标识是给平台看的，关联标识是给监管和司法看的。只做第一层，平台一扫描发现元数据里什么都没有，照样判定为未标识。只做第二层，用户感知不到，投诉照样来。所以实际落地时，三层要配合使用。

2.2 文本、图片、音视频的标识差异

不同模态的内容，标识的实现方式差别很大，不能一套方案打天下。

文本内容的标识最麻烦。你没法在文字里嵌入不可见水印，因为文字本身就是离散的字符。常见的做法是在元数据里记录生成信息，比如在API返回时附带一个ai_generated: true的字段，或者在数据库里单独存一张生成记录表。但问题是，文本一旦被复制粘贴到另一个平台，元数据就丢了。所以文本的隐式标识更多依赖平台侧的AI检测模型，而不是内容本身携带的信息。这也是为什么“降AIGC率”这类需求会存在——有人试图让AI生成的文本看起来像人写的，从而绕过检测。但从合规角度说，这种做法本身就是在规避标识义务，风险很高。

图片的标识方案最成熟。显式水印可以直接叠加在画面上，隐式水印可以用LSB（最低有效位）或者频域水印技术嵌入。C2PA对图片的支持也最完善，可以在JPEG、PNG、WebP等格式里写入签名信息。实际工程里，我建议图片至少做两层：一层可见的角落标签，一层不可见的元数据签名。如果图片要对外发布，再额外生成一个C2PA凭证。

音视频的标识介于两者之间。音频可以嵌入不可听的频段水印，视频可以逐帧嵌入或者用整体元数据。但音视频的挑战在于转码和剪辑。一段带水印的视频，经过平台二次压缩、裁剪、拼接之后，水印很可能被破坏。所以音视频的标识策略要更偏向“发布时声明”而不是“内容内嵌”。比如在视频开头加一个持续两秒的“AI生成”提示画面，同时在描述字段里写明生成工具。

2.3 标识的粒度：整段标还是逐段标

这个问题在实际产品设计里经常被忽略。一篇长文，如果只有开头一段是AI写的，后面都是人工写的，你怎么标？一张图，如果背景是AI生成的，主体是实拍的，你怎么标？

我的经验是：按最小可独立传播单元来标。什么意思？如果一段内容可能被单独截取出来传播，那它就应该有自己的标识。比如一篇公众号文章，如果AI只参与了标题生成，那标题旁边就应该有提示；如果整篇都是AI生成的，那文章开头或结尾要有整体声明。再比如一张海报，如果AI只生成了背景图，那背景图作为一个独立图层应该有元数据标识，但最终合成后的海报是否要加显式标签，取决于AI参与的程度。

实际操作中，我建议采用“分级标识”策略：

这个分级不是官方标准，是我在实际项目中总结的参考框架。核心逻辑是：AI参与越多、内容越可能被独立传播，标识要求就越严格。

3. C2PA落地实操：从原理到工程实现

3.1 C2PA到底解决了什么问题

C2PA的全称是Coalition for Content Provenance and Authenticity，翻译过来就是“内容来源和真实性联盟”。它本质上是一套技术标准，用来给数字内容附上一张“身份证”。这张身份证里记录了内容的来源、生成方式、编辑历史，而且这些信息是防篡改的。

为什么需要它？因为传统的元数据太容易被修改了。你用任何一款图片编辑软件，都能轻松改掉EXIF信息。但C2PA用的是密码学签名，一旦内容被改动，签名就会失效，验证方立刻就能知道“这个内容被动过”。

对于AIGC合规来说，C2PA的价值在于：它不只是告诉你“这是AI生成的”，而是告诉你“这段内容从生成到发布，中间经历了什么”。如果一段AI生成的视频被恶意剪辑后用来造谣，C2PA凭证可以证明原始版本是什么样、被谁改过。这在执法期里非常关键，因为平台和监管需要的不只是“标识”，而是“可验证的标识”。

3.2 在生成环节嵌入C2PA凭证

如果你在做AIGC工具，最理想的嵌入点是在内容生成的那一刻。以图片生成为例，流程大致是这样的：

# 伪代码示意，实际实现依赖具体C2PA库 from c2pa import Builder, Signer # 1. 初始化签名器，使用私钥对凭证签名 signer = Signer(private_key="your_key.pem", cert_chain="cert.pem") # 2. 创建builder，声明生成信息 builder = Builder() builder.add_assertion("c2pa.actions", { "actions": [{ "action": "c2pa.created", "softwareAgent": "YourAIGCApp/1.0", "when": "2024-09-16T10:00:00Z" }] }) builder.add_assertion("ai_generation_info", { "model": "your-model-name", "prompt_hash": "sha256:...", "generation_id": "uuid" }) # 3. 将凭证嵌入生成的图片 with open("generated.png", "rb") as f: image_data = f.read() signed_image = builder.sign(image_data, signer) with open("output_with_c2pa.png", "wb") as f: f.write(signed_image)

这段代码的核心逻辑是：在图片生成的最后一步，把生成信息打包成一个断言（assertion），用私钥签名后嵌入图片。验证方拿到图片后，可以用公钥验证签名，读取里面的生成信息。

实际工程里要注意几个点。第一，私钥管理必须严格，一旦泄露，别人可以伪造你的凭证。第二，签名操作会增加生成延迟，图片越大延迟越明显，需要做异步处理或者批量签名。第三，不是所有图片格式都支持C2PA嵌入，JPEG和PNG支持较好，WebP和AVIF还在完善中。

3.3 发布环节的验证与透传

内容生成时嵌入了C2PA，不代表发布时就能自动合规。中间还有一道关键工序：验证与透传。

很多平台在上传图片时会做压缩和转码，这个过程很容易把C2PA凭证弄丢。所以如果你是一个内容发布平台，需要在接收内容时先读取C2PA凭证，验证有效性，然后在转码后的版本里重新嵌入。如果原内容没有C2PA凭证，平台应该根据自身策略决定是否拒绝发布或者强制添加平台侧的标识。

我见过一个典型的坑：某团队在生成端做了C2PA，但发布端用的是第三方CDN，CDN自动做了图片压缩，把元数据全删了。结果用户看到的是带C2PA的图，平台审核系统读到的却是无标识的图，直接触发下线。后来他们的解决方案是在CDN回源时保留原始文件，只在最终渲染时做压缩，同时把C2PA信息单独存一份在数据库里，审核时从数据库读取。

这个案例说明，C2PA的落地不是单点技术问题，而是贯穿生成、存储、传输、发布全链路的一致性问题。任何一个环节断了，前面的工作就白做。

3.4 没有C2PA时的替代方案

C2PA的生态还在完善中，不是所有场景都能用。如果你的技术栈暂时不支持C2PA，可以考虑以下替代方案：

• 平台侧生成记录：在数据库里为每一条AI生成内容建立记录，包含生成时间、工具、模型、操作人。发布时通过内容ID关联查询。
• 自定义元数据字段：在文件元数据里写入约定好的字段，比如X-AI-Generated: true、X-AI-Tool: xxx。虽然防篡改能力弱，但实现成本低。
• 区块链存证：把内容哈希和生成信息写到链上，验证时比对哈希。适合对防篡改要求高的场景，但性能和成本是瓶颈。
• 数字水印：在图片或音频中嵌入不可见水印，作为C2PA的补充。水印的鲁棒性取决于算法，对抗压缩和裁剪的能力有限。

我的建议是：如果面向的是国内平台生态，优先做平台侧生成记录加自定义元数据，因为国内平台审核系统目前主要读的是这些。如果面向国际平台或者对溯源要求高的场景，再上C2PA。

4. 安全评估与合规检查：实际要准备什么

4.1 安全评估的触发条件

不是所有AIGC应用都需要做安全评估。根据我的经验，触发条件通常包括：面向公众提供生成式AI服务、生成内容可能影响公众认知、涉及特定行业（如新闻、教育、医疗）。如果你只是内部用AI做代码辅助或者文档摘要，一般不触发。

但“未标识就下线”这条执法逻辑，触发条件更宽。只要你的内容对外发布，并且被平台判定为AI生成且无标识，就可能被下线。这跟是否做过安全评估是两件事。安全评估是事前准入，标识合规是事中事后监管。

4.2 安全评估材料里的AIGC检出率问题

最近有个热词叫“软著AIGC率高”，说的是申请软件著作权时，提交的文档鉴别材料被检测出AI生成比例过高，导致需要补正。这其实和内容标识是同一个逻辑的另一面：监管和技术系统都在加强对AI生成内容的识别。

如果你在准备安全评估或者软著材料，我的建议是：

• 文档类材料尽量人工撰写或深度改写，不要直接复制AI输出。
• 如果确实用了AI辅助，保留修改记录和人工审核痕迹。
• 避免使用“降AIGC工具”去刻意规避检测，一旦被认定为故意规避，性质更严重。
• 材料中的技术描述要具体，包含实际参数、架构图、测试数据，这些是AI很难凭空生成的。

4.3 合规检查清单

下面这张表是我在实际项目中用来做自查的，你可以直接拿去对照：

这张表看起来简单，但每一条在实际落地时都有细节。比如“用户告知”这一条，很多产品把AI使用说明放在用户协议第8章第3节，用户根本看不到。合规的做法是在用户首次使用AI功能时，用弹窗或明显提示告知，并且让用户确认。

5. 实操中最容易踩的五个坑

5.1 坑一：以为加了水印就万事大吉

我见过一个团队，在AI生成的图片右下角加了一个半透明的“AI生成”水印，然后就认为合规了。结果平台审核时读取元数据，发现没有任何生成信息，照样判定为未标识。水印是显式标识，元数据是隐式标识，两者不能互相替代。

正确的做法是：显式水印和隐式元数据同时做，并且在发布环节验证两者都存在。如果只能做一层，优先做隐式元数据，因为平台审核系统主要读这个。

5.2 坑二：转码和压缩把标识弄丢了

这是最高频的问题。图片上传时被压缩、视频转码时被重新编码、文档导出时被转换格式，这些操作都可能清除元数据。解决方案是在每个可能丢失标识的环节后，重新注入标识。具体来说：

• 图片上传后，服务端读取原始元数据，压缩后重新写入。
• 视频转码后，在输出文件的元数据里重新嵌入生成信息。
• 文档导出时，选择保留元数据的格式和选项。

如果技术栈允许，最好在数据库里单独存一份生成记录，以内容ID为索引。这样即使文件本身的元数据丢了，审核时也能从数据库查到。

5.3 坑三：第三方工具没有标识能力

很多团队用的是第三方AIGC工具，比如调某个API生成图片，或者用某个SaaS平台做视频合成。这些工具的输出往往不带标识，或者标识格式不符合你的平台要求。这时候责任在谁？从执法逻辑看，发布者承担主要责任。也就是说，你用了不带标识的工具，发布时没补标识，被下线的是你。

所以选型时一定要确认工具是否支持标识输出。如果不支持，你需要在工具输出后自己加一层标识处理。这个成本要在项目初期就算进去，不要等到上线了才发现。

5.4 坑四：标识信息写得太笼统

“本内容由AI生成”这句话信息量太低。合规的标识应该包含：生成工具名称、生成时间、模型版本（如果可披露）、是否有真人参与编辑。这些信息越具体，审核时越容易通过，用户信任度也越高。

我建议的标识文案模板是：“本内容由[工具名]于[日期]生成，[有/无]人工编辑参与。”如果是图片，可以在角落放一个可点击的标签，点击后展开详细信息。

5.5 坑五：忽略了内部流转内容的标识

很多团队只关注对外发布的内容，忽略了内部流转的AI生成内容。比如AI生成的会议纪要、AI写的内部报告、AI做的数据分析。这些内容如果只在内部流转，确实不需要显式标识，但建议保留生成记录。原因有两个：一是内部审计需要，二是如果这些内容后来被对外引用，追溯起来有依据。

我的做法是在内部系统里给AI生成的内容打一个内部标签，不对外展示，但在导出或分享时如果检测到标签，自动提示用户“此内容包含AI生成部分，对外发布前请确认标识”。

6. 从工程视角看AIGC合规的长期建设

6.1 把标识能力做成基础设施

如果你的产品线里有多个AIGC功能，不要每个功能单独做标识，而是把标识能力抽成一个公共服务。这个服务对外提供两个接口：一个是“生成时嵌入标识”，一个是“发布前验证标识”。所有AIGC功能都调这个服务，保证标识格式统一、逻辑一致。

这个服务需要包含几个核心模块：签名管理（私钥、证书）、元数据写入（支持不同文件格式）、数据库记录（生成日志）、验证接口（读取和校验标识）。初期投入大概两到三周，但后续每个新功能接入只需要一两天。

6.2 监控与告警

标识合规不是做完就完了，需要持续监控。我建议监控几个指标：标识嵌入成功率、发布时标识验证通过率、用户投诉中涉及标识问题的比例、平台下线通知的数量。这些指标异常时要有告警，及时排查。

特别是平台下线通知，这是最直接的合规信号。一旦收到，要立刻定位是哪个环节的标识丢了，是生成时没嵌、传输时丢了、还是发布时没验证。定位后修复，并且把案例加入内部检查清单。

6.3 与平台审核系统的对接

不同平台的审核系统对标识的读取方式不一样。有的读元数据，有的读C2PA，有的用自己的AI检测模型。如果你的内容要发布到多个平台，最好在发布前针对每个平台做一次标识适配。比如面向平台A，确保元数据字段符合它的规范；面向平台B，额外生成一个C2PA凭证。

这个适配工作听起来繁琐，但可以做成配置化。维护一个平台标识要求表，发布时根据目标平台自动选择标识策略。这样新增平台时只需要加一条配置，不需要改代码。

7. 一些实际问题的快问快答

问：AI只参与了标题生成，正文是人工写的，需要标识吗？

答：从合规角度，建议在标题附近做轻微提示，比如“标题由AI辅助生成”。如果平台审核严格，不标可能被判定为未标识。从用户体验角度，过度标识也会影响阅读，所以提示可以做得轻量一些。

问：用户用我们的工具生成内容，发布时没标识，责任在谁？

答：发布者承担主要责任，但工具提供方如果明知输出内容会被对外发布却没有提供标识能力，也可能被追责。所以工具侧最好默认开启标识，并且在使用条款里明确告知用户标识义务。

问：C2PA凭证被删了怎么办？

答：C2PA凭证被删说明内容被篡改过，这本身就是一种风险信号。如果是在你自己的发布流程中被删的，检查转码和压缩环节。如果是被第三方删的，考虑在数据库留存备份记录。

问：安全评估要准备哪些材料？

答：通常包括产品说明、技术架构、数据来源、生成内容样例、标识方案、用户告知方式、投诉处理机制。重点是技术描述要具体，避免空泛。材料中的文档部分尽量人工撰写，降低AIGC检出率。

问：内部用的AI生成内容需要标识吗？

答：不对外发布的话，显式标识不是必须的，但建议保留生成记录。如果内部内容可能被导出或对外分享，最好在导出时自动添加标识提示。

8. 我个人的几条实操建议

第一，不要等到被下线了才做标识。现在就把生成、存储、发布三个环节的标识能力检查一遍，缺哪个补哪个。检查成本很低，被下线的成本很高。

第二，标识方案要简单可执行。我见过太多团队设计了复杂的标识体系，结果落地时没人执行。最简单的方案是：生成时写数据库，发布时读数据库加元数据，审核时查数据库。三步搞定，不依赖复杂技术。

第三，把标识当成产品功能而不是合规负担。用户其实很在意内容是不是AI生成的，清晰的标识反而能增加信任。我在一些产品里看到，加了AI标识之后，用户对内容的投诉率反而下降了，因为预期更明确。

第四，关注平台侧的规则变化。不同平台对标识的具体要求不一样，有的严有的松。定期检查你的内容在主要平台上的状态，收到下线通知立刻处理，不要拖。

第五，保留所有生成和标识记录。执法期里，记录就是证据。你能证明自己在生成时嵌入了标识、在发布时验证了标识，即使某个环节出了问题，也能说明你尽了合规义务。

这个领域变化很快，今天的要求可能明天就调整。但底层逻辑是不变的：AI参与内容生产这件事，必须让受众知道，必须让系统可验证。把这两件事做好，大部分合规问题都能解决。