Google DeepMind 9 月 30 日在《自然》（Nature）发表论文，发布 SynthID Bio——一套给 AI 设计的蛋白质嵌入可检测水印的方法。与前几代只作用于图片、文本、音视频的 SynthID 不同，这次的水印能穿过「从设计文件到真实分子」的鸿沟：蛋白质被物理合成出来之后，信号依然检测得到。代码、实验数据和模型权重已同步开源。

水印分两层。序列层面，在设计模型生成蛋白质时微调氨基酸的选择，让产物的氨基酸排列带上统计特征，支持 AlphaProteo 和启用 SynthID 的 ProteinMPNN；结构层面，研究团队对 AlphaFold 3 扩散网络的一小部分做了微调，让预测出的 3D 结构自带信号，任何使用该版本模型的人输出的结果默认带标。官方口径下，在 0.1% 假阳性率上，序列水印检出率 100%，结构水印检出率超过 99.8%。

关键问题是加水印会不会破坏蛋白质功能。DeepMind 与合成公司 Adaptyv Bio 合作做了湿实验，针对 VEGF-A、新冠病毒 spike 受体结合域、PD-L1 三个靶点测试带水印的 binder 蛋白：命中率、结合强度和序列多样性都与不带水印的对照组持平。

用途主要在生物安全方向。AI 设计的全新序列可能绕过现有针对已知危险序列的筛查，DNA 合成公司可以用水印快速确认订单是否来自带安全机制的模型，把人工审查集中在没有信号的可疑订单上——合成厂商 Twist Bioscience 已参与早期反馈。公共数据库（如蛋白质结构库）也能借此标记 AI 生成的条目，避免污染下游研究数据。

局限同样要说清楚：换一家设计工具重新处理序列会抹掉信号；蓄意篡改的对抗性防御仍是未解难题；不接入水印的工具产出的设计不会有任何标记。DeepMind 自己也把它定位为分层防御体系中的一环，而不是安全保证。

来源：Google DeepMind 官方博客与 Nature 论文，2026-09-30

配图来源：Google DeepMind 官网