AI 的浮水印：為什麼你能看出是 AI 寫的
Google DeepMind 後來發表的 SynthID-Text 走的是另一個路線，用「錦標賽取樣」（tournament sampling）之類的機制，讓水印對改寫與剪裁有更好的耐受度，並且已經實際部署在 Gemini 的輸出中。
這類方法的共同弱點也很明顯：水印是綁在「生成」這個動作上的。只要有人把文字重寫一遍、翻譯一次、大幅增刪，統計訊號就會被稀釋甚至抹除。水印的強韌度與可偵測性之間，永遠存在一條取捨曲線。
1.3 感知性浮水印：人眼看得見的「味道」
但我們真正的問題意識，其實不在這裡。
多數時候，你判斷一篇文章是 AI 寫的，並不是因為你破解了什麼統計訊號，而是因為你讀出了它的「味道」。這種味道不是密碼學意義上的浮水印，卻是最有效、最普遍、也最常被誤用的判準。它由一連串細微的語言習慣累積而成，像是模型在訓練過程中對人類文本的過度模仿，模仿得太整齊，反而露了餡。
以下這一節，我們就來拆解這個「味道」到底由什麼組成。
二、人眼看得出來的八個特徵
需要先聲明：這些特徵沒有一項是「AI 專屬」的。人類也會寫出結構整齊、轉折詞豐富、缺乏細節的文章，尤其是受過制式作文訓練、或長期撰寫商業文案的人。所以以下每一項都應該被當成「可疑訊號」，而不是「定罪證據」。真正有參考價值的是它們的密度與組合。
2.1 結構過度工整：每一段都長得一樣高
打開一篇疑似 AI 生成的文章，先看它的骨架。人類寫作是會歪的：某個重點會忍不住多講兩句，某個不感興趣的部分會草草帶過，段落長度自然參差不齊。AI 不會。它對「均衡」有一種近乎潔癖的堅持，每段大約三到五句，每句大約二十到四十字，每個小節的篇幅誤差極小。
更明顯的是對稱性。AI 極愛「三段式」：提出問題、分析原因、給出解方。也極愛「兩面並陳」：一方面……另一方面……。這種結構本身沒有錯，甚至很適合教學型內容，但當你連續讀十篇結構完全一樣的文章，那種整齊就會變成一種壓迫感。
人類的結構是「長出來的」，AI 的結構是「排出來的」。差別就在這裡。
2.2 詞彙永遠落在安全區間
AI 選詞有一個特性：它傾向選擇高頻、低風險、跨語境都成立的詞。這使得文字讀起來非常「安全」，幾乎不會有令人眼睛一亮的用詞，也不會有明顯不當的搭配。整篇文章的詞彙分布，像是被削掉了兩端的鐘形曲線——沒有尖峰，也沒有長尾。
相對地，人類寫作會出現「不對稱」的用詞選擇。有人偏愛冷僻的動詞，有人習慣用某個口頭禪，有人會突然冒出一個行業黑話。這些不規則的稜角，正是人味的來源。AI 的文章摸起來是圓的，滑順到沒有摩擦力。
如果你讀完一篇兩千字的文章，發現自己沒有任何一個「這個詞用得真好」的瞬間，那可能就是一個訊號。
2.3 轉折詞的機械化排列
這大概是最容易被辨識的一項。AI 對轉折詞有一種近似強迫症的依賴：
「然而」、「此外」、「因此」、「首先」、「其次」、「最後」、「總而言之」
「值得注意的是」、「換句話說」、「更重要的是」、「換言之」
「不僅……而且……」、「不是……而是……」、「既……又……」
單看這些詞都沒問題，問題在於它們出現的位置過於規律。人類使用轉折詞是為了標記思路的轉彎，所以會有不平均的分布；AI 使用轉折詞更像是在填格子，每一段開頭都要有一個連接詞當「路標」，深怕讀者迷路。
還有一種更細微的癖好：AI 特別喜歡用「不是……而是……」這種讓句子聽起來很有洞見的句型，即使前後兩者根本不是對立關係。這種句式用一次是修辭，用五次就是模板。
2.4 資訊密度與廢話比例失衡
一篇文章的價值，很大程度取決於每一句是否都在推進。人類寫作會有「離題」的時刻：突然補一個親身經歷、插入一句吐槽、或是花一整段講一個看似無關的細節。這些離題有時候是缺點，但有時候正是文章最有人味的地方。
AI 的問題不是離題，而是「不離題卻也沒前進」。它會用大量的句子去鋪陳一個其實一句話就能講完的觀點，用不同的說法重複同一件事，製造出「內容豐富」的錯覺。學術上把這種現象叫做「冗餘膨脹」：字數很多，資訊量卻很低。
判斷方法很簡單：讀完之後，試著用三句話總結這篇文章說了什麼。如果你發現自己只講得出一句，而那句話其實不需要兩千字來包裝，那這篇文章的資訊密度就有問題。
2.5 缺乏具體細節與可驗證的個人經驗
這是 AI 最大的破綻，也是最難靠提示詞完全修補的一項。
AI 可以寫出「我在台北住了五年」這種句子，但它沒辦法告訴你巷口那家早餐店的老闆娘總是忘記加蛋，或是某個下雨天你在騎樓下等雨停時想到的事。人類經驗的質地來自於不可替代的具體性：時間、地點、名字、氣味、觸感、當時的天氣、對話裡的口頭禪。
AI 的文字往往停留在「普遍性」的層次。「很多人都有類似的經驗」、「這種情況並不少見」、「或許你也曾經遇過」——這些句子安全、正確，但沒有體溫。它們描述的是統計上的典型，而不是某一個人的某一天。
當你讀到一段文字，感覺它「什麼都說了，但什麼都沒留下」，很有可能就是因為它缺少了這種不可替代的細節。
2.6 過度對稱與「三段式」的濫用
前面提過結構對稱，這裡要講的是更細的層面：句式對稱。
AI 很擅長生成排比句，因為排比在語料裡是「好文章」的常見標記。於是它會不自覺地產出「要有效率，就要有方法；要有方法，就要有紀律；要有紀律，就要有決心」這類句子。讀起來鏗鏘有力，仔細一想卻是套套邏輯，沒有實際內容。
這種「排比成癮」在社群貼文與商業文案特別常見，因為它看起來很適合被截圖分享。但作為一篇需要說服讀者的文章，排比應該用來強調真正重要的對比，而不是拿來填滿版面。
2.7 情緒落在「中位數」
AI 不是不會表達情緒，而是它的情緒永遠溫和。它會說「這確實令人擔憂」、「這樣的做法值得商榷」、「我們應該審慎以對」——這些都是正確的態度，但沒有一句會讓你覺得作者真的生氣了、真的興奮了、真的受傷了。
人類的情緒是有顆粒的，會失控、會偏激、會突然柔軟。AI 的情緒像一杯加了太多水的果汁，顏色對了，味道淡了。
這也是為什麼很多讀者說 AI 的文章「讀起來很舒服，但不會想再看第二次」。舒服，正是問題所在。
2.8 開頭與結尾的固定套路
最後來看頭尾。AI 的文章開頭有幾個高頻模板：
「在這個快速變遷的時代……」
「你是否曾經想過……」
「隨著科技的發展……」
「想像一下這樣一個場景……」
結尾同樣有跡象：「總而言之」、「綜上所述」、「希望這篇文章能幫助你」、「讓我們一起迎接更美好的未來」。這些收尾不是不好，但它們出現的頻率高到失去辨識度。
人類的結尾往往比較「不負責任」：可能停在一個畫面，可能是沒說完的話，可能是自嘲，可能是反問。那種不完美的收束，反而更像真實的思考。
三、AI 偵測器為什麼常常失準
既然人眼都有這麼多線索，那為什麼市面上的 AI 偵測工具還是經常出錯？這一節要說明偵測器的原理與極限，以及它在現實中被誤用的風險。
3.1 偵測器的原理：它其實也在「猜」
多數文字 AI 偵測器的運作方式，是計算文本的「困惑度」（perplexity）與「突發性」（burstiness）。困惑度衡量的是：如果由一個語言模型來寫這段話，它會覺得多「意外」。AI 生成的文字通常困惑度低，因為它本來就是模型覺得「順」的產物。突發性衡量的是句子長度與複雜度的變化幅度，人類寫作的起伏通常比較大。
問題在於，這兩個指標都只是統計傾向，不是決定性證據。一篇由人類寫的、經過精心潤飾的正式文章，困惑度可能很低；一篇由 AI 生成的、刻意加入長短句變化的文章，突發性可能被拉高。偵測器給出的分數，本質上是「這段文字有多像模型會寫的東西」，而不是「這段文字是不是模型寫的」。
這兩者之間的差距，就是所有誤判的來源。
3.2 誤判的代價：非母語者與正規寫作者的困境
二〇二三年有研究指出，部分 AI 偵測器對非英語母語者的文章誤判率顯著偏高。原因不難理解：非母語寫作者的用詞較為保守、句式較為規整、少用俚語與破格用法——這些特徵恰好與 AI 的統計輪廓重疊。
同樣的邏輯也適用於中文世界。長期撰寫公文、論文、技術文件、商業提案的人，本來就被訓練成「結構清楚、用詞精準、少開玩笑」的寫作模式。這些人的文章被偵測器標記為 AI 生成，不只是冤枉，更可能造成實質的職涯與學術傷害。
這也是為什麼多數嚴謹的機構與期刊，都不建議把 AI 偵測器的分數當成唯一的判斷依據。它可以是起點，但不能是結論。
3.3 改寫與人類潤飾：浮水印的破解競賽
從技術面來看，文字浮水印的脆弱性是個老問題。只要經過一輪改寫（paraphrase），綠名單的統計優勢就會大幅下降；經過翻譯再翻回來，幾乎必然失效。這也是為什麼學界不斷在追求「強韌水印」——能在改寫、摘要、局部刪改之後仍然存活的機制。
但這是一場無止境的軍備競賽。水印越強韌，通常意味著對生成品質的干預越大；干預越大，使用者就越有動機去改寫。而只要改寫存在，任何統計水印都不可能百分之百可靠。
換句話說，技術水印能解決的是「大規模、非針對性的溯源需求」，例如平台想要標記明顯由 AI 生成的內容。它解決不了「這個人是不是用 AI 寫作業」這種需要精確歸因的問題。
四、浮水印技術的現況與戰場
把視角拉遠一點，AI 浮水印的發展其實反映了一場更大的角力：內容的真實性由誰來定義。
4.1 SynthID 與 C2PA：從模型端到檔案端的追溯
目前最具體的兩個方向，一個是模型端的水印，一個是檔案端的憑證。
模型端以 Google 的 SynthID 為代表，已經應用在 Gemini 的文字輸出與 Imagen 的圖像生成上。它的好處是「自動化」：使用者不需要做任何事，水印就在裡面。壞處是「僅限自家模型」：它管不到別家的輸出，也管不到被大幅改寫的內容。
檔案端則以 C2PA（內容來源與真實性聯盟）為核心，透過在檔案裡嵌入簽章與編輯歷程，讓圖片、影片、音訊的來源可以被驗證。這套標準已經被 Adobe、Microsoft、相機廠商等多方採用。它的優勢是跨平台，弱點是依賴生態系配合——一旦檔案被截圖、重新壓縮、上傳到不支援的平台，憑證就斷了。
兩者互補，但都無法單獨解決問題。
4.2 文字浮水印的根本難題：改一個字就失效
文字之所以比圖像難處理，在於它的離散性。一張圖片有數百萬個像素，刪掉幾個像素不影響整體；一段文字只有幾百個詞，每個詞都承載語意，任何改動都會直接改變統計訊號。
更麻煩的是，文字很容易被「合法地」重寫。同義詞替換、語序調整、長句拆短句，這些都是正常編輯行為，卻足以讓水印失效。這使得文字水印在實務上很難作為「著作權主張」或「學術不端認定」的證據。
所以目前比較務實的定位是：文字水印是一種「輔助訊號」，用於大規模監測與平台標示，而不是精確歸因。
4.3 開源模型與浮水印的矛盾
還有一層結構性矛盾。浮水印要有效，前提是生成端願意且能夠嵌入。但開源模型的使用者可以直接修改程式碼、關閉水印模組，甚至用自己的密鑰重新產生一套。當模型權重公開，任何「強制水印」的設計都可以被繞過。
這意味著浮水印生態最終可能會走向「分層」：少數大型商業模型提供可驗證的內容憑證，開源模型則回歸到「靠內容特徵判斷」的老路。對一般讀者而言，這不會讓辨識變得更簡單，反而更複雜。
五、對內容創作者與論壇社群的意義
講了這麼多技術與現象，回到最實際的問題：這對每天在網路上寫字、發文、經營社群的人有什麼影響？
5.1 SEO 與內容農場：搜尋引擎正在改變規則
過去幾年，搜尋引擎對「大量生成、低資訊密度」的內容已經明顯降低評價。這類內容的特徵，正好與前面提到的 AI 文字味道高度重疊：結構工整、轉折詞密集、資訊重複、缺乏具體經驗。
對內容創作者來說，這其實是個好消息。當「產量」不再是優勢，「獨特性」就會重新變得值錢。一段親身經歷、一個只有你做過的實驗、一句只有你會說的吐槽，這些是 AI 無法複製的資產，也是搜尋引擎越來越擅長辨識的價值。
換句話說，對抗 AI 味最有效的策略，不是去買什麼「去 AI 化」工具，而是老老實實地寫一些只有你能寫的東西。
5.2 論壇生態：原創價值的回歸
像雅寶社區 · 頂客論壇這類以討論為核心的社群，其實站在一個很有意思的位置。論壇的價值從來不在於「文章有多完美」，而在於「人與人之間真的在對話」。
一段有錯字、有情緒、有前後矛盾的發言，往往比一篇結構完美的長文更能帶動討論。因為前者留有缺口，讓人想回覆；後者已經把話說完了，讀者只能按讚。
當 AI 生成內容大量湧入網路，社群平台反而會成為「真人濃度」最高的地方。這也意味著，論壇的經營重點應該從「內容數量」轉向「互動品質」：鼓勵提問、鼓勵反駁、鼓勵分享未經修飾的經驗。這些都是 AI 難以偽裝的部分。
5.3 如何讓自己的文章「去 AI 味」
如果你確實會用 AI 輔助寫作，但又不想被讀者一眼看穿，以下是幾個實務建議：
這些做法不只是為了「看起來像人寫的」，更是為了讓文章真的有價值。當內容本身足夠具體、足夠有觀點，讀者根本不會去猜它是誰寫的。
六、結語：浮水印之外，我們真正該在意的事
回到最初的問題：為什麼你能看出是 AI 寫的？
技術層面的答案是：因為生成過程可能留下了統計訊號，而這些訊號在特定條件下可以被偵測。但這個答案只解釋了一小部分現象，而且隨著改寫工具普及，它的解釋力只會越來越低。
感知層面的答案比較誠實：因為你讀過太多好文章，你知道人寫的東西長什麼樣子。你知道人會猶豫、會偏題、會突然激動、會寫出一個不太工整但很真誠的句子。當這些東西消失，你就會感覺到。
AI 的浮水印，最終不只是藏在 token 裡的密鑰，更是藏在「過度完美」裡的破綻。它提醒我們一件很樸素的事：寫作的價值，從來不在於把話說得滴水不漏，而在於說話的那個人真的存在。
所以，與其花力氣去猜哪篇文章是 AI 寫的，不如把力氣花在寫出一些只有你能寫的東西。在一個生成成本趨近於零的時代，那才是真正稀缺的浮水印。
```