SynthID Text คืออะไร? ลายน้ำ LLM (LLM watermark) กลไก วิธีใช้ และวิธีตรวจจับ

เราจะแยกแยะข้อความที่ AI เขียนได้ภายหลังหรือไม่ว่า "เป็นสิ่งที่ AI เขียน" เครื่องมือตรวจจับ AI ที่คาดเดาจากลักษณะของข้อความมักมีปัญหาการตัดสินผิด จึงมีการวิจัยและนำไปใช้จริงซึ่งวิธีใส่ ลายน้ำดิจิทัลที่มองไม่เห็น (watermark) ไว้ตั้งแต่ขั้นตอนที่ AI สร้างข้อความ ลายน้ำแบบนี้ที่ใส่ในผลลัพธ์ของ LLM (โมเดลภาษาขนาดใหญ่) ยังถูกเรียกว่า ลายน้ำ LLM (LLM watermarking) ตัวอย่างที่โดดเด่นคือ SynthID Text ของ Google DeepMind บทความนี้สรุปกลไกของ SynthID Text ผลต่อคุณภาพ วิธีที่นักพัฒนาใช้งาน วิธีตรวจจับ และกรณีที่ใช้ได้ไม่ดี โดยอ้างอิงเอกสารทางการและบทความใน Nature ด้วยข้อมูล ณ วันที่ 9 ตุลาคม 2026

ภาพรวมของ SynthID ทั้งหมดซึ่งรวมรูปภาพ วิดีโอ และเสียง อธิบายไว้ใน "SynthID คืออะไร"

SynthID Text คืออะไร

SynthID Text คือเทคโนโลยีสำหรับใส่ลายน้ำดิจิทัลลงในข้อความที่โมเดลภาษาขนาดใหญ่ (LLM) สร้าง และตรวจจับในภายหลัง ในบรรดาลายน้ำ LLM ด้วยกัน นี่คือการใช้งานตัวแทนที่ถูกใช้ในบริการจริงในระดับใหญ่และเปิดซอร์สให้ทุกคนใช้ได้ Google DeepMind เป็นผู้พัฒนา และเมื่อวันที่ 23 ตุลาคม 2024 ได้ตีพิมพ์กลไกเป็นบทความในวารสารวิทยาศาสตร์ Nature พร้อมกับเปิดซอร์สในเวลาเดียวกัน

จุดเด่นคือไม่ได้แทรกสัญลักษณ์หรืออักขระที่มองไม่เห็นลงในข้อความ แต่ทิ้งลายน้ำไว้ใน วิธีที่ AI เลือกคำ โดยตรง เมื่ออ่านแล้วแยกไม่ออกจากข้อความทั่วไป และระบุว่าไม่ส่งผลต่อคุณภาพของข้อความ

ในช่วงที่ตีพิมพ์บทความ มีการอธิบายว่าคำตอบของ Gemini ของ Google ก็มีลายน้ำ SynthID Text อยู่ด้วย แต่ ณ เดือนตุลาคม 2026 ยังไม่พบคำอธิบายทางการฉบับใหม่เกี่ยวกับการใช้งานใน Gemini ในปัจจุบัน

นอกจาก Google แล้วก็มีผู้อื่นนำไปใช้ด้วย ในเดือนสิงหาคม 2026 Anthropic อธิบายว่าลายน้ำในข้อความที่ Claude สร้าง "พัฒนาขึ้นโดยอิงวิธีของ SynthID Text"

กลไก: ทิ้งลายน้ำไว้ในการเลือกคำ

เมื่อ LLM สร้างข้อความ จะกำหนดความน่าจะเป็นให้กับคำ (หรือให้ถูกต้องคือโทเค็น) ที่อาจตามมาแต่ละตัว แล้วเลือกมา 1 คำ ทำซ้ำไปเรื่อย ๆ SynthID Text เข้าไปปรับในขั้นตอน "เลือก" นี้

บทความใน Nature เรียกวิธีนี้ว่า tournament sampling (การสุ่มแบบทัวร์นาเมนต์) ขั้นตอนโดยย่อมีดังนี้

เลือกคำที่เป็นตัวเลือกถัดไปหลายคำตามความน่าจะเป็นของ LLM
ให้ตัวเลือกแข่งกันแบบแพ้คัดออก โดยตัดสินแพ้ชนะด้วยคะแนน (ฟังก์ชัน g) ที่คำนวณจากคีย์ลับและคำไม่กี่คำก่อนหน้า
ตัวเลือกที่ชนะผ่านหลายรอบจะกลายเป็นคำที่ถูกส่งออกจริง

เนื่องจากตัวเลือกมาจากคำที่ LLM น่าจะเลือกอยู่แล้ว ข้อความจึงยังเป็นธรรมชาติ ในทางกลับกัน หากผู้ที่รู้คีย์คำนวณคะแนนใหม่ จะเห็นว่าคำที่ถูกส่งออกมีแนวโน้มเอียงไปทางคะแนนที่สูงกว่าค่าเฉลี่ย ความเอียงนี้เองคือลายน้ำ

เอกสารสำหรับนักพัฒนาของ Google อธิบายว่าเป็น "logits processor" ที่ใช้หลังจากการคัดตัวเลือกตามปกติอย่าง Top-K หรือ Top-P นอกจากนี้ยังมีกลไกที่ไม่ใส่ลายน้ำในส่วนที่วลีเดิมซ้ำกัน เพื่อรักษาความง่ายในการตรวจจับ

ผลต่อคุณภาพและความเร็ว

จุดเด่นสำคัญของ SynthID Text คือผ่านการตรวจสอบในบริการจริงในระดับใหญ่ บทความใน Nature เปรียบเทียบคำตอบที่ใส่ลายน้ำกับคำตอบที่ไม่ใส่ลายน้ำ จากคำตอบของ Gemini ประมาณ 20 ล้านรายการ

ส่วนต่างของสัดส่วนการให้คะแนนชอบจากผู้ใช้คือ 0.01% และส่วนต่างของสัดส่วนการให้คะแนนไม่ชอบคือ 0.02% แทบไม่พบความแตกต่างด้านคุณภาพ

ส่วนการวัดความเร็วที่ทำแยกต่างหาก พบว่าการใส่ลายน้ำทำให้เวลาในการสร้างเพิ่มขึ้นเพียงประมาณ 0.57%

นอกจากนี้ไม่จำเป็นต้องฝึก LLM ใหม่ เพียงเปลี่ยนขั้นตอนการสร้างข้อความก็ใช้ได้ และตอนตรวจจับก็ไม่ต้องใช้ LLM ต้นฉบับ

วิธีที่นักพัฒนาใช้งาน

SynthID Text ถูกรวมไว้ในไลบรารี Transformers ของ Hugging Face (เวอร์ชัน 4.46.0 ขึ้นไป) และเผยแพร่ใน Responsible GenAI Toolkit ของ Google และ google-deepmind/synthid-text บน GitHub ด้วย โค้ดบน GitHub ใช้สัญญาอนุญาต Apache 2.0 และมีสถานะเป็นการใช้งานอ้างอิงสำหรับทำซ้ำผลในบทความ หากใช้ในระบบจริง มีคำแนะนำให้ใช้การใช้งานทางการใน Transformers

เมื่อใช้กับ Transformers ให้สร้างค่าตั้งลายน้ำ (SynthIDTextWatermarkingConfig) แล้วส่งให้ฟังก์ชันที่สร้างข้อความ ค่าตั้งหลักมีดังนี้

keys (จำเป็น): รายการจำนวนเต็มแบบสุ่มที่เป็นคีย์ของลายน้ำ หากรั่วไหลออกไปอาจถูกปลอมลายน้ำได้ จึงต้องเก็บเป็นความลับ
ngram_len (จำเป็น): จำนวนคำก่อนหน้าที่ใช้คำนวณคะแนน ยิ่งมากยิ่งตรวจจับง่าย ยิ่งน้อยยิ่งทนต่อการเขียนใหม่ ทางการแนะนำค่าเริ่มต้นที่ 5
sampling_table_size: ขนาดของตารางที่ใช้ภายใน แนะนำให้ไม่ต่ำกว่า 2 ยกกำลัง 16 (65536) เพื่อป้องกันความเอียง
sampling_table_seed: ซีดของเลขสุ่มสำหรับสร้างตาราง ใช้จำนวนเต็มใดก็ได้
context_history_size: ปริมาณบริบทที่บันทึกไว้เพื่อตัดสินการซ้ำ ค่าเริ่มต้นคือ 1024

วิธีเขียนค่าตั้งแบบเจาะจงมีโค้ดตัวอย่างอยู่ในเอกสารทางการของ Transformers

วิธีตรวจจับลายน้ำ

การตรวจจับลายน้ำต้องใช้ ค่าตั้งคีย์และ tokenizer ชุดเดียวกัน กับตอนสร้างข้อความ ดังนั้นจึงมีเพียงผู้ที่ใส่ลายน้ำเอง (หรือผู้ที่ได้รับคีย์ร่วม) เท่านั้นที่ตรวจจับได้

การใช้งานทางการมีวิธีตรวจจับ 3 แบบ ได้แก่ วิธีใช้ค่าเฉลี่ยของคะแนน วิธีใช้ค่าเฉลี่ยถ่วงน้ำหนัก และ ตัวตรวจจับแบบเบย์ (Bayesian detector) ที่ผ่านการฝึกแล้ว ตัวตรวจจับแบบเบย์จะให้ผลเป็น 3 แบบ คือ "มีลายน้ำ" "ไม่มีลายน้ำ" และ "ตัดสินไม่ได้" และปรับความเข้มงวดในการตัดสินได้ด้วยค่าเกณฑ์ 2 ค่า

ตัวตรวจจับแบบเบย์ต้องฝึกด้วยโมเดลและคีย์ของตนเองก่อนใช้ และคำอธิบายของ Hugging Face ระบุว่าต้องใช้ตัวอย่างอย่างน้อย 10,000 รายการ นอกจากนี้ ตามเอกสารสำหรับนักพัฒนาของ Google ขอบเขตการเปิดให้ใช้ตัวตรวจจับเลือกได้ 3 แบบ คือ ใช้ภายในองค์กรเท่านั้น ให้บริการภายนอกเป็น API หรือแจกจ่ายตัวตรวจจับเอง

อนึ่ง ไม่มีคำแนะนำว่าลายน้ำที่ใส่ด้วยคีย์ของตนเองจะตรวจจับได้ด้วย SynthID Detector ของ Google หรือเครื่องมืออื่น

กรณีที่ใช้ได้ไม่ดีและข้อจำกัด

เอกสารสำหรับนักพัฒนาของ Google และบทความใน Nature ระบุข้อจำกัดไว้ดังนี้

คำตอบเชิงข้อเท็จจริง: คำถามที่คำตอบแทบจะมีแบบเดียว มีช่องให้เปลี่ยนการเลือกคำน้อย ประสิทธิภาพของลายน้ำจึงลดลง
การเขียนใหม่อย่างมาก: หากเขียนข้อความใหม่อย่างละเอียด ความมั่นใจในการตรวจจับจะลดลงมาก
การแปล: หากแปลเป็นภาษาอื่น ความมั่นใจในการตรวจจับจะลดลงมาก
การโจมตีโดยเจตนา: การป้องกันจากผู้ไม่หวังดีที่พยายามลบลายน้ำไม่ได้อยู่ในเป้าหมายของการออกแบบ
โมเดลแบบเปิด: สำหรับโมเดลที่ใครก็รันได้ ยากที่จะบังคับให้ใส่ลายน้ำ

ความแตกต่างจากเครื่องมือตรวจจับข้อความ AI

วิธีแยกแยะข้อความที่ AI เขียน นอกจากลายน้ำดิจิทัลอย่าง SynthID Text แล้ว ยังมี เครื่องมือตรวจจับ AI ที่คาดเดาความเป็น AI จากลักษณะของข้อความ

ลายน้ำดิจิทัล: ฝั่งผู้สร้างใส่เครื่องหมายไว้ล่วงหน้า หากมีคีย์ก็ตัดสินได้อย่างมีหลักฐาน แต่แยกแยะข้อความจาก AI ที่ไม่ได้ใส่ลายน้ำไม่ได้
เครื่องมือตรวจจับ AI: คาดเดาข้อความจาก AI ใดก็ได้ แต่เป็นเพียงการคาดเดา และอาจตัดสินข้อความที่มนุษย์เขียนผิดว่าเป็น AI

ความเคลื่อนไหวในการติดเครื่องหมายให้ผลลัพธ์ของ AI กำลังขยายไปยังบริษัทอื่นด้วย ตัวอย่างเช่น Anthropic ใส่ลายน้ำที่อิงวิธีของ SynthID Text ลงในข้อความที่ Claude สร้าง (การตรวจจับในขณะนี้เป็นพรีวิวแบบไม่เปิดสาธารณะที่จำกัดเฉพาะกลุ่มอย่างหน่วยงานกำกับดูแล) OpenAI ก็ประกาศลายน้ำข้อความของตนเอง "textGrain" ในเดือนตุลาคม 2026 เช่นกัน การเปรียบเทียบแต่ละวิธีอธิบายไว้อย่างละเอียดใน "เปรียบเทียบลายน้ำ AI (ลายน้ำดิจิทัล)"

สรุป

SynthID Text คือเทคโนโลยีที่ทิ้งลายน้ำไว้ในกระบวนการที่ AI เลือกคำ เพื่อติดเครื่องหมายให้ข้อความของ AI ในรูปแบบที่อ่านแล้วไม่รู้สึก การตรวจสอบราว 20 ล้านรายการใน Gemini แสดงให้เห็นว่าแทบไม่มีผลต่อคุณภาพ และการวัดแยกต่างหากพบว่าผลต่อความเร็วก็น้อยมาก ปัจจุบันเปิดให้ทุกคนใช้ได้ผ่าน Transformers

ในทางกลับกัน ยังอ่อนต่อคำตอบเชิงข้อเท็จจริงสั้น ๆ การแปล และการเขียนใหม่อย่างมาก และมีเพียงผู้ที่ใส่ลายน้ำเองเท่านั้นที่ตรวจจับได้ จึงควรมองว่าเป็นหนึ่งในกลไกเพื่อรับผิดชอบต่อผลลัพธ์จาก AI ขององค์กรตนเอง มากกว่าจะเป็นตัวชี้ขาดในการแยกแยะข้อความของ AI