摘要：人工智能生成文本检测（AIGTD）旨在对候选文本进行分类，判断其是由人类撰写还是由人工智能（AI）生成。近年来，AIGTD引起了广泛关注，提出了众多创新方法。然而，现有研究较为零散，缺乏系统性和全面的理解框架。为填补这一空白，本文系统梳理并总结了最新进展与前沿技术，并提出了一种新的多层次分类框架，以统一现有研究方向，推动领域发展。具体而言，该框架将现有方法归纳为三大研究方向，即针对分类器训练、内在属性以及信息嵌入的核心挑战。同时，本文引入了基于可解释性和透明度的黑盒与白盒模型分类及其计算需求，进一步分析不同方法在检测与对抗场景中的适用性。此外，为系统评估现有方法的性能，本文整理并收集了常用的基准数据集，全面比较和分析现有方法在多个数据集上的表现。最后，本文总结和展望了AIGTD领域未来的潜在研究方向。为支持该领域研究，我们整理并公开相关资源，Github访问地址为：AIGTD-Survey

  论文信息： Zhiwei Yang, Zhengjie Feng, Rongxin Huo, Huiru Lin, Hanghan Zheng, Ruichi Nie, Hongrui Chen. The Imitation Game revisited: A comprehensive survey on recent advances in AI-generated text detection[J]. Expert Systems with Applications, 2025, 272: 126694.