本文批判性地审视了当前广泛讨论的AI生成内容水印机制，指出其在区分机器与人类创作时的局限性。作者认为，将水印技术（尤其是不可见水印转换为可见的“AI生成”标签）应用于新闻、学术、公共宣传等以信息准确性为核心关注的领域，存在概念与实践上的根本误解。不可见水印仅编码模型来源，而可见标签将复杂的协同创作过程简化为二元区分，且无法提供关于内容真实度的任何信息。这种二元标签可能污名化合法使用生成式AI工具的创作，同时让未标记的内容获得不合理的信任。为此，论文提出应转向以过程透明（process transparency）和信息素养（information literacy）为核心的替代方案，强调将创作过程公开化、让消费者理解内容的生产链条，而非简单地打上“AI生成”标签。作者论证，这种基于透明与教育的方法能更有效地应对AI生成虚假信息的认知与伦理挑战，将作者身份重塑为一种透明的人类实践，而非机器参与的二元指示。研究适合AI治理、信息伦理、内容审核与媒体素养领域的从业者、政策制定者及学者阅读。

近年来，计算机视觉领域取得了显著进展，尤其是卷积神经网络（CNN）、生成对抗网络（GAN）、扩散模型、视觉变换器（ViT）以及视觉-语言模型（VLM）等架构的发展，使得生成的视觉内容越来越逼真。然而，这些进步也带来了潜在的滥用风险，例如虚假信息、身份盗窃以及隐私和安全威胁。与此同时，基于Mamba的架构作为一种新兴工具，已在图像分类、分割、医学成像、目标检测和图像恢复等多种任务中展现出潜力，但在AI生成图像检测方面的应用尚未被充分探索。本研究对Vision Mamba模型在AI生成图像检测中的性能进行了系统评估和比较分析。我们在多个数据集和合成图像源上，将多种Vision Mamba变体与代表性的CNN、ViT和VLM检测器进行基准测试，重点关注准确性、效率以及跨不同图像类型和生成模型的泛化能力。通过全面分析，我们旨在阐明Vision Mamba相对于现有方法在适用性、准确性和效率方面的优势与局限性。总体而言，我们的研究结果揭示了Vision Mamba作为区分真实与AI生成视觉内容的系统组成部分的潜力与当前局限。这项研究对于在区分真实与AI生成内容成为重大挑战的时代提升检测能力至关重要。