花费上亿美元、集结顶尖算力训练出的大模型，为什么会被别人以极低成本复制甚至窃取？2026年，Anthropic公开披露了一起针对Claude的大规模疑似模型蒸馏事件，攻击者利用欺诈账户和代理服务疯狂收集模型输出。只用账户封禁、访问控制这些外部手段，面对隐蔽的“白嫖”与盗用，已经防不胜防。数据从哪来？模型是否被克隆？生成的AI内容到底出自谁手？这三个问题，正把大语言模型“身份认证”推向安全防御的第一线。

近日，西安交通大学、中国科学院信息工程研究所和澳大利亚迪肯大学的研究团队，在人工智能顶会IJCAI 2026上发表综述论文，首次提出大模型“隐式身份（Implicit-ID）”统一理论框架。论文系统厘清了业内长期混用的“水印”与“指纹”概念，梳理了贯穿数据集、模型、生成内容全生命周期的身份认证方案，为大模型的安全与可追溯提供了技术全景图。刘冰、王顺平、朱煜帆、余欣怡、黄晶、杜林康、裴红斌（通信作者）和罗玮是这篇论文的共同作者，预印本已在arXiv公开。

打开网易新闻 查看精彩图片

大语言模型的训练需要海量数据与巨额算力，仅GPT-4的训练成本就有报道估算达到亿美元量级。参数泄露、未经授权使用、训练数据违规利用、输出滥用，以及生成内容来源难以识别等安全问题随之而来。Anthropic在2026年披露的事件，更加清晰地暴露了单纯的账户管理与行为检测的局限：攻击者能够规模化绕过外部围栏，试图将大模型的能力低成本迁移到自己的系统里。这一现实把问题引向根源——仅靠外部防线不够，还需要一种能够嵌在模型内部