8 月 2 日生效：Claude 的文字輸出全面帶上隱形水印
2026 年 8 月上旬，Claude 的輸出出現了一般使用者完全察覺不到的變化：Anthropic 在官方公告中確認，未來推出的 Claude 模型所生成的文字，一律嵌入肉眼不可見、但機器可讀的水印。依 Claude 說明中心的定義，Claude 以兩種互補的技術標記其生成與處理過的內容：其一是直接織進文字本身的水印，其二是附加在檔案上的簽署 metadata。而文字水印的技術基礎，是 Google DeepMind 開發、已經開源的 SynthID-Text。
這不是實驗室裡的原型。SynthID-Text 的原始研究 2024 年登上 Nature，論文將它定位為兼顧文本品質與偵測準確度的生產級水印方案，並且已在 Google Gemini 上大規模部署，處理過數以百萬計的真實使用者回應。Anthropic 等於是把這條已被線上流量驗證過的技術路線，原封不動搬進了 Claude 的生成管線。
時間點也不是巧合。歐盟《AI 法案》第 50 條的透明度義務自 2026 年 8 月 2 日開始適用，而 Claude 的水印正是從這一天起隨新模型生效；Anthropic 並同步簽署了歐盟執委會的《AI 生成內容透明度實務守則》。值得留意的是範圍——水印並非只在歐盟啟用，而是隨新模型在全球統一開啟。
水印藏在選字機率裡：錦標賽抽樣的原理
SynthID-Text 最反直覺的地方在於：它不改模型訓練、不在文字表層加料、也不輸出任何看得見的記號——它改寫的是「模型選下一個字」的抽樣程序。大型語言模型生成文字時，每一步都是從一個機率分布中抽樣出下一個 token。SynthID-Text 要求模型在每個生成步驟先列出 g 個候選 token 與各自的合理性分數（論文稱為 g 值），再由水印演算法以隨機化的「錦標賽」規則，讓候選者兩兩對決、層層淘汰，選出最終勝出的 token。
勝出者的選擇過程暗中偏向特定模式，於是整段文字的「勝出 g 值序列」會帶有可檢定的統計特徵。偵測端拿到一段文字後，對這串序列執行統計檢定，就能回報「這段文字由 SynthID-Text 系統生成」的可能性分數。Google 已在 GitHub 公開水印嵌入與偵測的完整參考實作，讓外部研究者可以重現論文結果，這也是這套方案可信度有別於閉源宣稱的原因。
也因為只動抽樣、不動文字表層，水印不需要多輸出任何 token，文字被複製貼上後訊號依然跟著內容走，讀者端則完全無感。這三個特性——不改表層、不加 token、不怕複製——正是它能被推向全系統預設的工程前提。
品質不變的證據：Nature 論文與 Gemini 的百萬級實測
「水印會不會讓文章變得奇怪」是最常見的疑慮，而這正是 Nature 論文花了最大篇幅處理的問題。SynthID-Text 屬於「非失真」（non-distortionary）設計：錦標賽規則被刻意設計成不改變輸出的整體機率分布，因此在論文的評測中，水印文本與無水印文本在品質評分上無法區分；在 Gemini 的線上實驗裡，數以百萬計的真實互動同樣沒有觀察到品質退化。Anthropic 的官方口徑與此一致：水印不影響 Claude 的輸出品質，也不增加額外成本。
從成本結構看原因很直觀。水印的運算發生在取樣階段——多出來的只是 g 個候選之間的一層對決，相對於模型本身動輒數十億參數的前向計算只是零頭。對 API 使用者來說，計費以 token 計，水印不產生任何額外 token，帳單與回應速度都不改變。換句話說，這是一次幾乎零邊際成本的透明度升級，這在合規工程裡相當少見。
為什麼是現在：歐盟 AI 法案第 50 條
把日期對起來看，這波水印的觸發點非常清楚。歐盟執委會的官方指引明載：《AI 法案》第 50 條自 2026 年 8 月 2 日起適用，對特定 AI 系統的提供者與部署者課予透明度義務。其中對生成式 AI 提供者的關鍵要求，是以機器可讀的形式標記合成內容，讓下游平台與使用者得以辨識「這是 AI 生成的」。
Anthropic 簽署的《AI 生成內容透明度實務守則》正是執委會為協助業者遵循這些義務而設計的框架。在工程選擇上，Anthropic 沒有為歐盟單開一條合規分支，而是把水印做進所有新模型的預設輸出、全球一致——對在多個司法轄區部署的企業來說，同一個模型只有一種行為，整合與稽核的負擔反而更低。這個「合規驅動、全球交付」的路徑，也可能成為其他供應商面對類似法規時的參考模板。
從 Gemini 到 Claude：水印走向產業預設
放在產業版圖裡看，水印正在從單一公司的實驗變成前沿模型的預設配備。Google 的 Gemini 率先以 SynthID 標記文字輸出；Anthropic 的 Claude 是第二家把文字水印推到全系統等級的前沿實驗室；OpenAI 也在其內容來源證明公告中說明，支援的語音輸出同樣採用 SynthID 水印。水印與 C2PA 類的簽署 metadata 是互補關係：metadata 附著於檔案，轉存或截圖時容易被剝除；水印則織進文字本身的統計結構，跟著內容走。Claude 的做法是兩者並用。
需求面也真實存在。從偽造學術文獻到內容農場，AI 生成內容混入資訊生態的案例早已氾濫，例如宣稱「100% 人類撰寫」卻被調查踢爆全程 AI 代寫的論文代工網站。當鑑別成本高到人類編輯無法逐一負荷，機器可讀的標記就成了唯一可規模化的第一道防線——前提是偵測端跟得上。
偵測的但書：測不到水印，不代表是人寫的
但水印不是真偽法庭。Claude 說明中心特別提醒：未偵測到標記，並不代表該內容不是 AI 生成或處理過的——水印訊號會隨改寫、翻譯、刪減而衰減，偵測回傳的也是可能性分數，而非二值保證。換句話說，「測到水印」是強而有力的證據，「測不到」什麼都不證明；把後者當成「這是人寫的」免死金牌，是對這套機制最危險的誤用。
另一個現實限制是偵測管道。水印設計上需要專門工具判讀，目前偵測能力主要掌握在模型提供方端；企業稽核、平台與獨立研究者能否取得、以什麼條件取得偵測管道，決定這套機制最終是公共的內容鑑識基礎設施，還是平台自家的私有稽核工具。此外，已公開的參考實作與後續理論分析都指向同一個結論：面對刻意的大幅改寫攻擊，任何統計式水印都有其耐受上限，水印應是分層鑑識的一環，而不是唯一關卡。
對開發者與內容團隊的實際影響
對直接使用 Claude API 或產品的開發者，這次變化幾乎零工時：水印在模型端自動生效，呼叫方式、計費與 token 計數都不變。真正要調整的是下游假設——如果你的產品會把 Claude 的輸出再改寫、重組後發布，就應假設水印訊號會隨之衰減，不要把它當成唯一的溯源依據；需要強溯源的場景，應搭配檔案層的簽署 metadata 與流程紀錄一起設計。
對負責內容治理的團隊，比較務實的態度是把「來源水印＋簽署 metadata」視為新的可採購能力，寫進對模型供應商的要求，同時為無法依賴水印的情境（人力撰寫、第三方模型、已被改寫的內容）保留人工與程序性查核。後續值得追蹤三個指標：其他模型供應商是否跟進採用 SynthID 或相容方案、偵測工具是否對第三方開放，以及水印在真實改寫攻擊下的存活率數據。
回到整體圖像：這次上線把「這段文字是不是模型寫的」從純主觀判斷，變成可機器檢定的統計問題——在 AI 內容占比持續攀升的資訊環境裡，這是方向正確的一步；但只要記住官方自己寫下的但書「未偵測到標記不代表內容非 AI 生成」，就不會把統計證據誤當成真偽保證。
