Người dùng sắp hết đường "nhận vơ"? Khám phá công nghệ đóng dấu văn bản tàng hình trên Claude

Khác với các tệp hình ảnh, việc chèn watermark vào văn bản là một thách thức lớn hơn nếu muốn không làm thay đổi chất lượng đầu ra của mô hình.

Watermark chỉ ra rằng nhiều khả năng Claude đã tham gia vào quá trình xử lý nội dung tại một thời điểm nào đó. Nguồn ảnh: Anthropic.

Anthropic vừa chia sẻ thêm thông tin chi tiết về kế hoạch chèn watermark vào văn bản do Claude tạo ra, trong bối cảnh ngày càng có nhiều lo ngại rằng việc áp dụng watermark hàng loạt ở cấp độ mô hình có thể ảnh hưởng đến chất lượng các câu trả lời của mô hình AI.

Bất kỳ văn bản nào dài hơn 200 token (khoảng 150 từ) do các mô hình AI Claude trong tương lai tạo ra sẽ mang một watermark mà máy móc có thể đọc được nhưng người dùng bình thường không thể nhận thấy. Watermark này không thể bị xóa bỏ bằng cách sao chép và dán nội dung sang nơi khác, và thậm chí có thể vẫn tồn tại sau khi nội dung đã được chỉnh sửa. Ngoài ra, các tệp hình ảnh do AI tạo ra sẽ được đính kèm dữ liệu nguồn gốc được ký bằng mật mã để cho biết liệu tệp hình ảnh đó có được xử lý bằng Claude hay không.

Khác với các tệp hình ảnh, việc chèn watermark vào văn bản là một thách thức lớn hơn nếu muốn không làm thay đổi chất lượng đầu ra của mô hình. Phương pháp này cũng phải hiệu quả để mở rộng quy mô, không tốn kém, vô hình đối với người đọc và khó có thể bị loại bỏ. Anthropic khẳng định rằng phương pháp chèn watermark mà họ lựa chọn đáp ứng đầy đủ tất cả các tiêu chí này.

Kỹ thuật của Anthropic dựa trên bài báo nghiên cứu SynthID-Text của Google DeepMind. Nó không liên quan đến việc ẩn các ký tự Unicode không in được (non-printing Unicode characters) vô hình trong văn bản như một số báo cáo đã suy đoán ban đầu, đồng thời sẽ không ảnh hưởng đến tốc độ và mức tiêu thụ token của mô hình. Anthropic cũng cho biết các watermark sẽ không chứa thông tin nhận dạng cá nhân nhằm liên kết văn bản với người dùng, tổ chức hoặc phiên trò chuyện.

Về câu hỏi lớn hơn là liệu việc chèn watermark có đánh đổi bằng chất lượng đầu ra hay không, chúng ta cần xem xét kỹ hơn cách thức công nghệ này hoạt động.

Đầu tiên, tại sao Anthropic lại thực hiện thay đổi này?

Anthropic nằm trong danh sách ngày càng tăng các nhà cung cấp AI lớn như OpenAI, Google, Meta và Microsoft đã tự nguyện ký kết 'Bộ quy tắc Thực hành về Tính minh bạch của Nội dung do AI tạo ra' (Code of Practice on Transparency of AI-Generated Content) của Liên minh Châu Âu (EU). Nhưng chính xác hơn, sự thay đổi này đang được thực hiện nhằm tuân thủ các nghĩa vụ về tính minh bạch được quy định tại Điều 50(2) thuộc Đạo luật AI của EU, vốn đã có hiệu lực vào ngày 2 tháng 8 năm 2026.

Mặc dù việc tuân thủ Bộ quy tắc là tự nguyện, nhưng các yêu cầu minh bạch theo Đạo luật AI của EU lại là các nghĩa vụ pháp lý. Các công ty được chỉ định là nhà cung cấp AI cũng phải triển khai các giải pháp phát hiện AI tuân thủ luật bảo vệ dữ liệu và quyền riêng tư của khối. Để hiện thực hóa điều này, Anthropic cho biết họ đang nỗ lực ra mắt một API (Giao diện Lập trình Ứng dụng) nhận diện watermark trong những tháng tới.

Nội dung được tạo bằng các mô hình Claude hiện tại của Anthropic cũng sẽ mang các watermark ẩn trong những tháng tới.

Nền tảng của việc chèn watermark vào văn bản AI là gì?

Các mô hình ngôn ngữ lớn (LLM) tạo ra một chuỗi các token, với mỗi token đại diện cho các cụm từ. Thay vì tạo ra một token duy nhất tại một thời điểm, một LLM sẽ xuất ra một danh sách (giả sử là 100.000) các token, mỗi token được chỉ định một điểm xác suất (probability score) dựa trên văn bản trước đó. Sau đó, mô hình sẽ chọn token từ những tùy chọn có khả năng cao nhất trong một quy trình lấy mẫu bán ngẫu nhiên (semi-random sampling) để tạo ra đầu ra cuối cùng.

Ví dụ, trong một câu đang viết dở như "Thời tiết hôm nay lạnh và…", tập hợp các token tiếp theo khó có khả năng đại diện cho từ "ngọt ngào" (sugary). Các token có nhiều khả năng được chọn hơn sẽ đại diện cho từ "u ám" (overcast) hoặc "xám xịt" (grey).

Những người tham dự tập trung tại sự kiện Code W/ Claude của Anthropic ở San Francisco, ngày 7 tháng 5 năm 2026. Nguồn ảnh: Jason Henry/The New York Times.

Lưu ý rằng, các LLM thường được mô tả là các hệ thống không tất định (non-deterministic systems) vì khi hỏi một mô hình cùng một câu hỏi, nó sẽ tạo ra các đầu ra có ý nghĩa tương tự nhau, nhưng cách diễn đạt sẽ hơi khác một chút.

Tại mỗi điểm quyết định để tạo ra token tiếp theo, LLM sẽ đưa ra một lựa chọn được quyết định bởi một con số ngẫu nhiên. Nhưng sẽ ra sao nếu quy trình này có thể bị tác động để để lại một mẫu hình có thể phát hiện được trong các câu trả lời của mô hình? Đó chính là điểm cốt lõi của phương pháp chèn watermark SynthID-Text do Google DeepMind tiên phong giới thiệu trong một bài báo nghiên cứu xuất bản năm 2024.

Tính năng watermark văn bản của Claude sẽ hoạt động như thế nào?

Anthropic đã áp dụng một phiên bản của phương pháp tiếp cận watermark SynthID-Text.

Với SynthID, mỗi token được chỉ định một điểm SynthID riêng biệt dựa trên các token trước đó. Việc chèn watermark được áp dụng bằng cách thông qua một chiến lược lấy mẫu, ví dụ như "trong số năm token có khả năng nhất, hãy chọn token có điểm SynthID cao nhất". Watermark này sau đó có thể được phát hiện bằng cách tính tổng điểm SynthID của một khối văn bản. Nếu tổng điểm này cao một cách đáng ngờ, rất có thể văn bản đó là do AI tạo ra.

Kỹ thuật của Anthropic khác với SynthID chủ yếu ở cách phát hiện watermark, vì quy trình của Anthropic liên quan đến một khóa giải mã (key). Mặc dù các token do Claude chọn vẫn sẽ mang tính ngẫu nhiên, nhưng bất kỳ ai có khóa đều có thể kiểm tra chuỗi token để xem liệu nó có nhất quán với những lựa chọn mà Claude sẽ đưa ra nếu nó sử dụng khóa đó hay không.

Trong câu "Thời tiết hôm nay lạnh và…", Claude có khả năng chọn 'u ám' hoặc 'xám xịt' cao nhất. Nếu khóa ưu tiên 'u ám' và hàng trăm lựa chọn token như vậy nhất quán với khóa này, thì watermark sẽ được phát hiện thành công và người ta có thể kết luận rằng văn bản có thể đã qua quá trình xử lý của Claude. Lựa chọn của mô hình vẫn tiếp tục mang tính ngẫu nhiên và đầu ra của nó sẽ không bị sai lệch (non-biased). Theo Anthropic, văn bản được dịch bằng Claude cũng sẽ mang watermark.

Phương pháp này hoàn toàn khác biệt so với các công cụ phát hiện AI như Pangram và GPTZero, vốn được thiết kế để nhận biết một số dấu hiệu (tell-tale signs) thường xuyên xuất hiện trong văn bản do AI tạo ra, chẳng hạn như cấu trúc câu hoặc một từ bị lạm dụng quá nhiều như 'lặng lẽ' (quietly).

Liệu điều này có ảnh hưởng đến chất lượng đầu ra?

Anthropic cho biết họ đã tiến hành thử nghiệm nội bộ, kết quả cho thấy phương pháp này không gây ra tác động nào đến nội dung, mức độ sáng tạo hay khả năng đọc hiểu của các văn bản do Claude tạo ra.

Công ty cũng trích dẫn một nghiên cứu của Google DeepMind, trong đó một bộ phận người dùng Gemini được yêu cầu đánh giá bằng lượt "thích" (thumbs-up) và "không thích" (thumbs-down). Nghiên cứu không tìm thấy sự khác biệt nào có ý nghĩa thống kê so với đầu ra của mô hình không được gắn watermark. Một thử nghiệm có đối chứng khác của Google DeepMind đã cho những người đánh giá là con người xem song song các câu trả lời có và không có watermark, và họ không nhận thấy sự khác biệt nào về chất lượng.

Tuy nhiên, một số người đã chỉ ra những lỗ hổng trong lời giải thích của Anthropic về việc tại sao tính năng watermark sẽ không ảnh hưởng đến sự sáng tạo của mô hình. John Gruber, blogger công nghệ nổi tiếng đứng sau trang Daring Fireball, lập luận rằng tiền đề kỹ thuật về việc chọn từ "xám xịt" so với "u ám" không quan trọng mấy là một sự thiếu sót, đặc biệt là đối với những người dùng sành sỏi thường xuyên sử dụng Claude để soạn thảo email hoặc dịch tài liệu.

Gọi đây là một "sự pha tạp xuyên tạc" đối với ý nghĩa của việc viết hoặc đọc, Gruber viết: "Tôi muốn bất kỳ LLM nào tôi sử dụng cũng đều phải chọn ra những từ ngữ xuất sắc nhất, chính xác nhất tại mọi điểm ra quyết định."

Có hạn chế nào khác không?

Watermark chỉ cho thấy rằng 'nhiều khả năng' Claude đã tham gia xử lý nội dung tại một thời điểm nào đó. Nó không thể phân biệt giữa 'Claude đã viết bài này' và 'Claude đã chỉnh sửa mạnh tay bài này'. Nó cũng không xác nhận liệu văn bản có phải do con người viết hay do một mô hình AI khác tạo ra hay không, bởi vì khóa giải mã sẽ chỉ áp dụng được cho các mô hình của Anthropic.

Quá trình suy luận theo chuỗi tư duy (chain-of-thought) của một mô hình độc quyền, mã nguồn đóng như Claude Opus 4.8 thường bị ẩn đi. Nguồn ảnh: Unsplash.

Ngay cả đối với các mô hình Claude, tính năng chèn watermark cũng không thể áp dụng cho các đoạn văn bản quá ngắn. Tính năng này cũng ít xuất hiện hơn trên các đoạn văn bản mang tính sự thật, nơi mô hình có ít sự lựa chọn để thay thế từ ngữ mà không làm giảm đi độ chính xác của văn bản. Hạn chế này cũng mở rộng sang cả quá trình hiệu đính. Sẽ có ít không gian hơn để watermark có thể tồn tại.

Ngoài ra, phương pháp chèn watermark của Anthropic sẽ không hoạt động đáng tin cậy trên các đoạn mã code do AI tạo ra, vì không có nhiều không gian cho các tùy chọn từ ngữ khi một đầu ra chính xác được yêu cầu nghiêm ngặt.