أنواع العلامات المائية للذكاء الاصطناعي: تصنيف كامل

النوع 1 — أحرف Unicode ذات عرض صفري

النوع الأكثر انتشارًا في تطبيقات الويب الحالية الخاصة بالذكاء الاصطناعي. هذه هي نقاط ترميز Unicode التي لا تحتوي على حرف رسومي مرئي وعرض تقدم صفري: يتحرك المؤشر إلى اليمين بمقدار صفر بكسل بالضبط. إنهم يبقون على قيد الحياة بعد النسخ واللصق من المتصفح إلى المستند دون أي أثر مرئي. تشمل الأمثلة الشائعة ما يلي:

U+200B — مساحة ذات عرض صفري

أكثر علامات الذكاء الاصطناعي شيوعًا. إدراجها بين الكلمات أو الحروف.

U+200C — عرض غير واصل

شرعي في النص العربي/الفارسي لقمع الحروف المركبة. شاذة في الوثائق ذات النص اللاتيني.

U+200D — وصلة ذات عرض صفري

تستخدم في تسلسلات الرموز التعبيرية. إن تقديمه بنص عادي بدون رموز تعبيرية هو دائمًا قطعة أثرية.

U+2060 — أداة ربط الكلمات

مكافئ وظيفيًا لمساحة بدون انقطاع ذات عرض صفري. يتم استبداله أحيانًا بـ U+200B في الموديلات الأحدث.

U+FEFF — علامة ترتيب البايت

UTF-8 BOM. شرعي فقط في بداية الملف؛ يعد وضع منتصف النص دائمًا بمثابة عملية إدراج.

النوع الثاني – بدائل علامات الترقيم

يتم تدريب نماذج الذكاء الاصطناعي على مجاميع غنية بالطباعة وتستخدم بشكل افتراضي علامات الاقتباس المتعرجة ("الذكية") والشرطات em بدلاً من مرادفات ASCII الخاصة بها. على الرغم من أنها صالحة لـ Unicode ولا تسبب أي أخطاء في الترميز، إلا أنها ليست في مكانها الصحيح في التعليمات البرمجية وواجهات برمجة التطبيقات وقواعد البيانات وحقول CMS التي تتوقع علامات ترقيم ASCII مباشرة. يرتبط كلود بشكل خاص باستبدال em-dash.

U+2013 شرطة داخلية / U+2014 شرطة طويلة

يُستخدم بدلاً من واصلة ASCII البسيطة. مؤشر موثوق لتأليف كلود وGPT-4 في مجموعات تدريب الكاشف.

U+00AD — واصلة ناعمة

غير مرئي في العرض العادي، ويكون مرئيًا عند فواصل الأسطر. تستخدم كعلامة موضعية، وليست واصلة حقيقية.

U+2018–U+201D — اقتباسات مجعدة

صحيح مطبعيًا ولكنه يعطل استعلامات SQL وسلاسل JSON والعديد من أدوات CLI التي تتوقع علامات الاقتباس المستقيمة.

النوع 3 - المساحات غير القابلة للكسر والخاصة

تظهر عدة أحرف مسافات خارج U+0020 في نص AI. تمنع المسافات غير المنفصلة (U+00A0) فواصل الأسطر وتتسبب في حدوث مشكلات في التخطيط في HTML سريع الاستجابة. تظهر مسافات ضيقة بدون فواصل (U+202F) حول علامات ترقيم معينة في النماذج المحلية الفرنسية. تظهر المسافات الإيديوغرافية (U+3000) في مخرجات نموذج CJK الممزوجة بالنص الغربي. كلها غير ضارة لغويًا ولكنها مدمرة في السياقات المنظمة.

النوع 4 - بصمات HTML وسمات البيانات

عند التصدير أو النسخ من واجهة ويب ChatGPT، تتضمن حمولة الحافظة علامات HTML مع سمات البيانات الخاصة: data-message-id، وdata-start، وdata-end، وdata-scroll-id. تحدد هذه السمات المحادثة بشكل فريد وموضع كل رمز مميز بداخلها. سيؤدي اللصق في محرر نص منسق أو نظام إدارة المحتوى (CMS) الذي يقبل إدخال HTML إلى تضمين بصمات الأصابع هذه بصمت في التعليمات البرمجية المصدر للمستند الخاص بك.

النوع 5 - العلامات المائية للاحتمالية الرمزية الإحصائية

تعمل العلامات المائية الإحصائية، التي يتم تنفيذها على مستوى النموذج، عن طريق تقسيم مفردات النموذج إلى "قائمة خضراء" و"قائمة حمراء" في كل خطوة توليد. يتم تحويل سجلات النموذج لصالح الرموز المميزة للقائمة الخضراء. ويكون التحيز صغيرًا بدرجة كافية بحيث لا تتأثر جودة المخرجات، ولكن عبر المستند بأكمله، يمكن اكتشاف فائض الرمز الأخضر إحصائيًا بثقة عالية. يستخدم Google SynthID للنص هذا الأسلوب. لا يمكن لأي ماسح ضوئي للأحرف اكتشاف هذه العلامات المائية أو إزالتها.

النوع 6 - علامات مائية دلالية ومقاومة لإعادة الصياغة

تتضمن النماذج البحثية علامات مائية عن طريق الاختيار بين المرادفات أو إعادة هيكلة الجملة التي تحافظ على المعنى ولكنها تحمل جزءًا مخفيًا. نظرًا لأن العلامة المائية موجودة في الدلالات وليس في الشكل السطحي، فإنها تظل قابلة لإعادة الصياغة. لم يتم نشر هذه العلامات المائية بعد في منتجات الذكاء الاصطناعي الاستهلاكية ولكنها تخضع لجهود توحيد نشطة بموجب أحكام شفافية المصدر الخاصة بقانون الاتحاد الأوروبي للذكاء الاصطناعي.