---
title: EasyEasy_20260825
tags: 
author: [paseri.kurosawa](https://www.docswell.com/user/3822049)
site: [Docswell](https://www.docswell.com/)
thumbnail: https://bcdn.docswell.com/page/47MY5XVV7W.jpg?width=480
description: EasyEasy_20260825 by paseri.kurosawa
published: August 25, 26
canonical: https://www.docswell.com/s/3822049/KN7N4D-2026-08-25-180545
---
# Page. 1

![Page Image](https://bcdn.docswell.com/page/47MY5XVV7W.jpg)

この文章、
このAIが書きました。
……本当に？
EasyEasy 2026/8/25
preencoded.png


# Page. 2

![Page Image](https://bcdn.docswell.com/page/P7R93N2WE9.jpg)

AIが書いた文章をどう見分け
る？
文章表現から推測する
AIらしい文体や繰り返しパターンを手がかりに検出を試みる方法です。
証明書を付ける
生成時に署名やメタデータを添付し、出所を明示する方法です。
隠し情報を埋め込む
文章に検出可能な信号を埋め込み、後から検証できるようにする方法です。
しかし、これらはいずれも決定打とは言い難いです。
preencoded.png


# Page. 3

![Page Image](https://bcdn.docswell.com/page/PJXQ4NDV7X.jpg)

だったら、最初から痕跡を残せばいい
AIが文章を生成する段階で、「この生成システムが生成した」という痕跡をあらかじめ組み込んでおくアプローチで
す。人間には気づきにくい形で埋め込まれます。
生成
埋込
検出
生成時に痕跡を埋め込み、必要に応じて後から検出する——これがウォーターマーク技術の基本的な考え方です。
preencoded.png


# Page. 4

![Page Image](https://bcdn.docswell.com/page/3JK9ZNX5JD.jpg)

文章にどうやって「印」を付ける？
直接「印」を付けるわけでは
ない
文字や記号を追加するのではなく、
トークンの「選ばれ方」に小さな統計
的偏りを作ります。
•
LLMが次のトークンを予測する
•
選択確率をほんの少し操作する
•
結果として痕跡を持つ文章が生成
される
この操作は人間の目には見えず、文章
の品質にもほとんど影響しません。
preencoded.png


# Page. 5

![Page Image](https://bcdn.docswell.com/page/LE3WDV51E5.jpg)

KGW(Kirchenbauer–Geiping–Wen)
系ウォーターマークの仕組み
文脈+秘密鍵でハッシュを生成し、シードとする。
トークンが選択されるステップごとに、トークンの全ての集合を
シードを用いた疑似乱数でGreenリストとRedリストに分割します。
Greenリスト
優先的に選ばれやすくなるトークンの集合
Redリスト
通常の確率で選ばれるトークンの集合
preencoded.png


# Page. 6

![Page Image](https://bcdn.docswell.com/page/8EDKP8DK7G.jpg)

Greenを「少しだけ」優遇する
確率を「少しだけ」シフトする
Greenリストのトークンを必ず選ぶわけではありません。
Greenが選ばれやすくなるように、確率をわずかに上方
シフトします。
logit[v] += δ （δは小さな正の値）
この小さな操作の積み重ねが、後から検出可能な統計的
偏りとなります。
preencoded.png


# Page. 7

![Page Image](https://bcdn.docswell.com/page/V7PKN8X3J8.jpg)

どうやって検出する？
1トークンだけでは偏りは検出できません。大量のトークンを集めることで、統計的な偏りが浮かび上がります。
トークナイズ
リスト再現
Green数集計
統計検定
ウォーター
マーク判定
偶然の場合
ウォーターマークありの場合
GreenとRedの出現頻度はほぼ均等になります。統計的
に有意な偏りは検出されません。
Greenの出現頻度が統計的に有意に高くなります。この
偏りから生成元の特定が可能になります。
preencoded.png


# Page. 8

![Page Image](https://bcdn.docswell.com/page/2JVVKNLNJQ.jpg)

文章は壊れないのか？
ウォーターマークは万能では
ない
出力に変化はある
文体の維持
短い文章
編集・パラフレーズ
ただし、文章品質を損なわない
程度の変化。
自然な文体を維持できる。
トークン数が少ないと統計的検
定が機能せず、検出が困難にな
ります。
人間による修正や書き換えが行
われると、埋め込まれた偏りが
失われる可能性があります。
重要なのは「選択可能性の偏り」
非対応のAIモデル
文章そのものを大きく変えるのではなく、トークンの選択の統計的な
傾向を変えるだけ。
ウォーターマークを実装していない生成システムからは、痕跡を検出
できません。
WMなし「東京の秋は、過ごしやすく紅葉を楽しめる季節です。」
WMあり「東京の秋は、爽やかで過ごしやすく、紅葉を楽しめる季
節です。」
重要な注意点：「検出された＝AIが書いたことの完全な証明」で
はありません。これは「特定の生成システム由来か？」を検証す
る技術です。
preencoded.png


# Page. 9

![Page Image](https://bcdn.docswell.com/page/5EGLQKX5JL.jpg)

それでも、何が嬉しい？
ウォーターマーク技術の真価は、「コンテンツの出所を確認できる」ことにあります。
AI生成物の識別
出所確認
生成AIによって作られたコンテンツを系統的に識別できま
どの生成システムから来たコンテンツかを追跡・確認でき
す。
ます。
フェイクメディア対策
コンプライアンス対応
偽情報の拡散防止や、メディアの信頼性確保に貢献します。 コンテンツポリシーや規制要件への対応を技術的に支援し
ます。
preencoded.png


# Page. 10

![Page Image](https://bcdn.docswell.com/page/4JQYKN8L7P.jpg)

LLMウォーターマークとは
何か
見える「印」を付ける技術ではない。生成時のトークン選択に小
さな統計的偏りを作り、その痕跡を後から検出することで生成元
を識別しようとする技術。
核心は「確率のわずかな操作」
トークンの生成確率をほんの少し変える。その積み重ねが、後から
検証可能な痕跡となります。
「AIかどうか」ではなく「どこから来たか」
この技術が答えるのは「このコンテンツは特定の生成システムから
来たか？」です。
preencoded.png