要降低AIGC的总体疑似率，可以考虑以下几个方面：

优化模型训练：AIGC的性能要看其训练数据和模型架构。通过优化训练过程，提高模型的准确性和泛化能力，可以降低疑似率。

数据增强：对于模型训练来说，更多的数据总是更好的。通过数据增强技术，可以生成更多的训练样本，提高模型的鲁棒性和泛化能力。

引入对抗性训练：对抗性训练是一种提高模型鲁棒性的方法，通过在训练过程中加入一些扰动或噪声，使模型能够在面对恶意攻击时保持稳定。

模型评估和调试：在模型训练完成后，需要进行评估和调试，以确保模型的性能和准确性。通过使用测试数据集进行评估，可以发现模型可能存在的缺陷和错误，并进行相应的调整。

集成学习：集成学习是一种将多个模型组合起来以提高性能的方法。通过将多个模型的结果进行融合，可以降低疑似率，提高模型的准确性。

考虑场景和任务：不同的场景和任务可能需要不同的模型和算法。在选择AIGC技术时，需要考虑其适用性和适用范围，以确保其能够满足实际需求。

总之，要降低AIGC的总体疑似率，需要从多个方面入手，包括优化模型训练、数据增强、引入对抗性训练、模型评估和调试、集成学习以及考虑场景和任务等。