你的 AI 生成的圖，真的有辦法標記嗎？
2026 年的今天，AI 生成的內容已經多到讓人眼花撩亂。從 ChatGPT 寫的新聞稿、Midjourney 畫的插圖，到 Suno 譜的音樂——你幾乎無法分辨眼前的東西到底是不是 AI 做的。為了解決這個問題，Google DeepMind 在 2023 年推出了 SynthID，一個直接在 AI 生成內容中嵌入「看不見的浮水印」的技術框架。
聽起來很美好，對吧？但 Ars Technica 在 2026 年 7 月發表的一份深度測試報告卻戳破了這個泡泡：SynthID 確實很難被完全破壞，但光靠浮水印根本無法解決 AI 不實資訊的根本問題。 更慘的是，攻擊者只要花 50 美元就能繞過文字浮水印。
這篇文章就帶你深入理解 SynthID 的技術原理、實測結果，以及為什麼專家們說「標記 AI 內容可能是一場必敗的遊戲」。
SynthID 是怎麼運作的？
SynthID 不是一個簡單的「蓋個章」就好的技術。它由 Google DeepMind 開發，是一套多模態的數位浮水印框架，可以嵌入到文字、圖像、音訊和影片中。關鍵在於，這些浮水印是肉眼（或耳朵）無法察覺的，而且在經過壓縮或編輯之後仍然能被偵測。
文字浮水印：錦標賽抽樣（Tournament Sampling）
想像一下，當 AI 模型在生成文字時，每一次選擇下一個詞彙都是一場抽獎——模型會根據機率分佈來決定要選哪個詞。SynthID 的文字浮水印技術叫做「錦標賽抽樣」，它的做法是：
- 透過一個加密密鑰，把詞彙庫分成「綠名單」（選取機率稍微提高）和「紅名單」（選取機率稍微降低）
- 讓詞彙進行多層次的「淘汰賽」
- 最終選出的詞彙會帶有可被系統辨識的統計學偏差
這個過程完全不影響文字的語意和通順度——你讀起來完全不會覺得怪怪的，但系統可以透過分析詞彙的統計分佈來判斷這段文字是不是 AI 生成的。
圖像與影片浮水印：神經嵌入（Neural Embedding）
圖片和影片的浮水印則採用雙神經網路架構：一個「嵌入器」和一個「偵測器」。嵌入器將浮水印以全像分佈（holographically）的方式藏在影像的每個像素中。系統透過「對抗性訓練」，不斷模擬 JPEG 壓縮、縮放、裁切與濾鏡等攻擊，來確保浮水印在經歷各種圖像處理後仍然能被偵測出來。
截至目前，SynthID 已經標記了超過千億個 AI 生成內容，涵蓋 Google 的 Gemini 模型、Google Search、YouTube 等產品。
Ars Technica 實測：破解到底有多難？
Ars Technica 的團隊對 SynthID 進行了一系列嚴格測試，結果既令人放心又令人憂心。
文字浮水印：50 美元就能繞過
好消息是：文字浮水印在正常使用下非常穩健。但 Ars Technica 發現一個令人震驚的事實——攻擊者只需要花費大約 50 美元的 API 呼叫費用，透過數千次查詢反向推算浮水印的統計規律，就能成功移除或偽造文字浮水印。
更具體地說，學術界已經發現了一種叫做「層數膨脹攻擊」（Layer Inflation Attack）的手法。SynthID 文字浮水印的偵測機制依賴「平均分數」，而攻擊者只需疊加額外的抽樣層數，就能讓 87% 的浮水印文字無法被正確偵測。
圖像浮水印：ComfyUI 工作流輕鬆洗白
圖片浮水印也並非金剛不壞之身。在 Reddit 社群上，有開發者展示了一種利用客製化 ComfyUI 工作流繞過 SynthID 圖像浮水印的方法：
- 使用低去噪設定的擴散模型對影像重新加噪
- 配合 ControlNet 和臉部細節修復
- 有效打亂像素結構
- 完全繞過 SynthID 的圖像浮水印偵測
這種方法不需要什麼高深的技術知識，只要有 ComfyUI 和一些基礎操作就能做到。
聲音與影片：尚待大規模考驗
對於音訊和影片浮水印，Ars Technica 的測試較為有限，但初步結果顯示它們比文字和圖像浮水印更穩健一些——不過專家們認為，這只是因為針對這些模態的攻擊工具還不夠普及而已。
為什麼 SynthID 無法解決 AI 不實資訊？
這才是整篇文章最關鍵的問題。就算 SynthID 100% 完美、完全無法被破解，它仍然無法解決 AI 不實資訊的問題。原因有三：
1. 浮水印可以被「選擇性忽略」
SynthID 是開源模型無法使用的——它只存在於 Google 的產品生態系中。這意味著：
- 使用開源模型（如 Llama、Mistral）產生的內容根本沒有浮水印
- 惡意行為者可以刻意選擇不使用 SynthID 的模型來生成內容
- 有些模型根本沒有內建浮水印功能
2. 不實資訊的核心不是「誰做的」，而是「誰信的」
即使一段文字被精確標記為 AI 生成，相信它的人仍然會相信。不實資訊的心理學基礎——確認偏誤、團體極化、情感驅動——跟內容的來源完全無關。研究顯示，即使人們知道某張圖片是 AI 生成的，只要它符合他們的政治立場或情感需求，他們仍然會分享它。
3. 全球標準化遙不可及
要讓浮水印真正有效，需要全球所有 AI 公司、所有模型、所有平台都採用統一的標準。但現實是：
- OpenAI 有自己的浮水印方案
- Meta 也在開發自己的技術
- 中國的 AI 模型（如 Kimi、DeepSeek）可能採用完全不同的標準
- 許多小公司和開源社群根本沒有資源做浮水印
這就像要讓全球所有國家的貨幣都用同一種防偽技術——理論上可行，實務上不可能。
對比：其他 AI 內容偵測技術
| 技術 | 原理 | 優點 | 缺點 |
|---|---|---|---|
| SynthID（嵌入浮水印） | 生成時嵌入統計特徵 | 檢測準確率高、來源可追溯 | 只適用於合作模型、可被繞過 |
| AI 文字偵測器（如 Pangram） | 分析文字模式 | 不依賴模型合作 | 準確率不穩定、可被改寫繞過 |
| 元數據標記（如 C2PA） | 嵌入內容來源資訊 | 標準化程度高 | 可被移除、平台支援不足 |
| 社群驗證 | 人工+AI 協作檢查 | 靈活、適應性強 | 成本高、速度慢 |
結語：浮水印是工具，不是解藥
Google SynthID 是一項了不起的技術。它在技術層面上的成就——在不影響內容品質的前提下嵌入可偵測的浮水印——確實令人印象深刻。但 Ars Technica 的測試清楚地告訴我們：技術解決方案無法解決社會性問題。
要應對 AI 不實資訊的挑戰，需要的不是更強的浮水印，而是：
- 媒體素養教育：讓人們學會質疑和驗證資訊
- 平台責任：社群媒體需要更積極地標記和降級可疑內容
- 跨國監管框架：讓 AI 生成內容的標記成為法律義務
- 技術+人類協作：AI 負責初步篩選，人類負責判斷
SynthID 是工具箱裡的一個好工具，但它不是萬靈丹。在 AI 內容淹沒網路的時代，保持懷疑和批判性思考，可能才是我們最需要的能力。
原始來源：Ars Technica — “Tested: Google SynthID works great, but labeling AI content may be a losing game” (2026-07-29)