给ChatGPT打水印的人，是「统计学诺奖」得主苏炜杰
编辑｜Panda
今天，OpenAI 宣布正式启用 文 本水 印 。从当天起，全球 API 客户可以为部分模型自行开启水印，默认仍保持关闭。未来几周内，欧盟地区符合条件的 ChatGPT 与 Codex 文本输出将被加上肉眼不可见的水印，覆盖所有付费档位。检测器则只向通过审核的研究者和专业机构开放申请，暂不面向公众。
这次上线的直接推手是欧盟。《人工智能法》（EU AI Act）第 50 条自 2026 年 8 月 2 日起适用，要求生成式 AI 提供方以机器可读的方式标记输出内容。欧盟委员会 6 月发布的《AI 生成内容透明度行为准则》进一步把「不可感知的水印」列为基本要求，并指出自由文本无法像图片文件那样携带元数据，水印几乎是唯一可行的标记手段。
文本水印对 OpenAI 来说并不是新课题。早在 2023 年，时任 OpenAI 客座研究员的计算机科学家 Scott Aaronson 就公开介绍过一套基于 Gumbel-max 技巧的水印方案。此后数年，外界多次传出 OpenAI 内部早已具备文本水印能力、却迟迟没有推出的消息。
拖延的原因之一，是文本水印在工程上的两难。它真正的难题不在于「能不能打上」，而在于能否精确计量： 为了换取 可检测的信号 ，模型究竟让出了多少生成自由。
一同发布的，还有一份题为《 textGrain: Entropy-Calibrated Watermarking for Language Model Text 》的技术报告，详细交代了这套水印如何在两难之间取舍。
报告标题：textGrain: Entropy-Calibrated Watermarking for Language Model Text
报告地址：https://cdn.openai.com/pdf/e9508624-d767-41b6-a26d-e34ca798ada6/textgrain-entropy-calibrated-watermarking-for-language-model-text.pdf
报告的通讯作者一栏，写着一个中国统计学界熟悉的名字：今年的 考普斯会长奖（COPSS Presidents' Award） 得主 苏炜杰 。
从研究 OpenAI 的水印，到设计 OpenAI 的水印
苏炜杰（Weijie Su）与 OpenAI 水印的缘分，比他入职 OpenAI 早得多。
大语言模型水印是他近几年的核心研究方向之一。他与合作者 2025 年发表在《统计年鉴》（The Annals of Statistics）上的论文，为水印检测建立了一套统计框架，研究对象正是 OpenAI 此前的 Gumbel-max 方案，并为其推导出了优于已有做法的检测规则。
此后，这条研究线又延伸到人类编辑下的稳健检测、拟合优度检验、混合文本中水印比例的估计等问题。换句话说，在加入 OpenAI 之前，他已经花了几年时间从外部研究「OpenAI 的水印该怎么测才最准」。
今年 5 月底，苏炜杰在 𝕏 上宣布以学术休假身份加入 OpenAI，参与模型训练，同时晋升为宾夕法尼亚大学沃顿商学院统计与数据科学系正教授。
8 月 5 日，他在波士顿举行的联合统计会议上领取了 2026 年考普斯奖 。
这一奖项由五个主要统计学会于 1976 年设立，每年只授予一位青年统计学家，常被称作统计学界的「诺贝尔奖」。
他是 2012 年以来首位获此奖项的华人统计学家 ，评奖委员会列举的贡献中，第一项就是生成式 AI 的统计基础。
在此之前，他的履历是一条数学精英路线：北京大学数学科学学院 2007 级，2011 年本科毕业，2016 年在斯坦福大学获统计学博士学位，师从 Emmanuel Candès，随后在沃顿任教至今。
textGrain 是一项九人合作的成果，作者团队同样延续了这条学术脉络。除苏炜杰外，作者还包括宾夕法尼亚大学的 Xiang Li、Qi Long，耶鲁大学的 Garrett Wen、Xiaohong Chen，以及 OpenAI 的 Arzav Jain、Florent Joly、Mike Lam 和 Qingquan Song。其中 Xiang Li 是报告第一作者，也是上述《统计年鉴》论文的第一作者，与苏炜杰合作水印研究多年。
「无偏」不等于「自由」
要理解 textGrain 在解决什么问题，先要看水印是怎么工作的。
LLM 逐词生成文本，每一步都从一个「下一词预测分布」中抽样。水印的做法是用一把密钥和前文生成一串伪随机数，再让抽样过程依赖这串数字。检测时，只要拿着密钥重建同一串数字，就能检验文字与它之间是否存在统计关联。
学术界此前追求的一个重要性质叫「无偏」：在任意固定的前文下，如果把密钥看作随机抽取的，那么对所有密钥取平均后，水印模型的输出分布与原模型完全一致。听上去，这已经意味着水印「不影响」模型。
问题在于，实际部署时密钥是固定的。以 Aaronson 的 Gumbel-max 方案为例，也就是苏炜杰团队此前研究过的那套方案，它在固定前文和固定密钥下，总是选中同一个词。
这就像一位按暗号配菜的厨师：从所有可能的暗号平均来看，各道菜出现的比例与菜单完全吻合；可只要暗号不换，同一桌客人每次点同一道菜，端上来的永远是同一盘。
落到大模型上，就是同一个提示词反复生成，得到的回答一字不差。对于需要多次采样再择优、或者希望得到多个不同方案的应用，这是实打实的损失。
另一个极端同样不可取：如果生成过程与密钥毫无关联，模型的随机性完好无损，但水印信号也就不存在了。
textGrain 要回答的问题是，在这两个极端之间，能否用一个可解释的旋钮来精确控制位置。
把水印写成一道最优传输题
技术报告的第一个关键观察是，任何无偏水印都可以看作生成词与密钥随机数之间的一个「耦合」，也就是一个两侧边缘分布都被固定的联合分布。在这个视角下，耦合偏离「相互独立」的程度可以用 KL 散度衡量，而这个 KL 散度恰好等于两者的互信息，也等于固定密钥之后平均丢失的抽样熵。
这一恒等式把一个抽象的正则项变成了有明确信息论含义的量。研究团队据此引入 「熵预算」β ，取值在 0 到 1 之间，表示允许损失的熵占原始预测分布熵的比例。
β 等于 0 时水印退化为普通抽样；β 越大，密钥对生成的支配越强，信号也越强。可以把它理解成一本账：模型每一步原本有若干「选词自由」，β 规定其中最多拿出多大比例交给密钥。报告也特意强调，这一预算约束的是对密钥取平均后的熵损失，并不保证每个具体密钥、每个位置都恰好损失这么多。