生物醫藥 / 研究進展
蛋白質水印如何留下 AI 設計的痕跡
DeepMind 的 SynthID Bio 嘗試把來源標記寫進蛋白質序列或預測的三維結構。Hassabis 與 Pichai 介紹的進展，是一項保留生物功能的概念驗證，還不是識別所有 AI 生物設計的通用檢測器。
水印不只是附在文件旁的標籤。對序列，方法輕微引導氨基酸的選擇；對預測結構，則調整原子的三維座標，讓結果攜帶可檢測的信號。序列標記的目標是讓設計被合成為真實蛋白質後，仍保有可核驗的來源線索。
團隊用 AlphaProteo 與加入水印的 ProteinMPNN 設計能與特定目標結合的蛋白質。在 VEGF-A、SARS-CoV-2 刺突蛋白的受體結合域和 PD-L1 三個目標的實驗中，團隊報告帶水印與無水印設計的成功率、結合強度和序列多樣性相近。檢驗的是這些設計能否結合目標，並不等於證明所有功能都不受水印影響。
對結構預測，團隊微調了 AlphaFold 3 的部分擴散網絡，使輸出座標自帶信號；報告稱預測準確性得到保留，檢測可承受數字噪聲或小幅座標修改。抵抗有意篡改仍是後續難題。
這項工作的用途，是給合成審核和生物數據庫增加來源線索：陌生序列可能是自然發現，也可能由 AI 設計；誤標的合成結構又可能影響後續研究。水印幫助區分來源，卻不能獨自判斷設計是否危險。此次公佈的是研究方法與實驗結果，實際採用和更強的抗篡改能力仍待推進。
Google DeepMind 的播客進一步解釋了檢測邊界：文字水印依賴可選擇的詞語，極短且答案固定的句子可能無法標記；不同系統要檢測彼此的輸出，需要共享相應密鑰。生物設計的實際部署還需要模型提供者與合成機構協調。水印未檢出，不能反過來證明來源天然或內容安全。本報讀完了該期文字稿，未獨立審聽音頻。
出處與繼續閱讀
- Demis Hassabis · X 原帖
- DeepMind · 方法、實驗與侷限
- Google · 公告摘要
- SynthID Bio announcement
- Podcast topics
- Podcast links
- DeepMind · 播客文字稿
原帖、前情與補充來源已複審
取材線索來自已核對關注賬號：@demishassabis。