Google DeepMind 的 SynthID 浮水印技術最初是為了識別 AI 生成的文字、圖像、音訊和影片而開發，如今已延伸至一個新領域：生物學。馬里蘭大學的研究人員改編了該系統，將隱形浮水印直接嵌入 AI 設計的蛋白質序列中，為合成生物學建立一種潛在的追蹤機制，且不損及蛋白質本身。

在胺基酸層級進行浮水印

該方法建立在 SynthID-Text 的基礎上，其運作方式是在生成過程中微調權元（token）的機率分佈——在此案例中是胺基酸而非文字。研究人員採用所謂的無偏 Gumbel 取樣方法，將由私鑰衍生的浮水印嵌入蛋白質設計模型（包括 ProteinMPNN）的胺基酸機率分佈中。

ProteinMPNN 於 2022 年發布，是設計全新蛋白質序列的知名 AI 模型之一。它接受所需的三維蛋白質結構，並反向運算以產生預期能折疊成該形狀的胺基酸序列。這個領域已快速進入主流：2024 年諾貝爾化學獎表彰了計算蛋白質設計（得主 David Baker），以及 AI 驅動的蛋白質結構預測（由 Google DeepMind 的 Demis Hassabis 與 John Jumper 以 AlphaFold2 共同獲得）。浮水印層疊加在此工作流程之上，影響哪些特定胺基酸被選中，但不改變輸出的整體統計特性。

驗證測試顯示，pLDDT 分數——衡量預測蛋白質折疊品質的標準指標——在浮水印處理後維持不變。就結構而言，帶有浮水印的蛋白質與未處理者同樣穩固。

生物安全層面的意義

隨著 AI 蛋白質設計工具日益強大且易於取得，生成全新生物序列的能力引發了正當的安全疑慮。傳統的來源追溯方法，例如附於檔詮釋資料日誌，可以像從照片中移除 EXIF 資料一樣輕易被抹除，無法提供持久的監管鏈。

嵌入式統計浮水印的運作方式不同。它存在於序列本身之中，可承受複製貼上、檔案格式轉換以及跨系統的傳布。任何持有對應私鑰的人皆可於日後偵測出該浮水印，使組織得以判斷某個蛋白質序列是否由特定 AI 模型所生成。

此功能還可直接銜接既有的生物安全基礎設施。國際基因合成聯盟（IGSC）已建立框架，依據已知危險序列資料庫篩檢 DNA 合成訂單。由於該篩檢依賴將訂單與已知危害目錄進行比對，真正新穎的 AI 生成序列可能與這些參考資料庫中的任何項目都不相似——留下序列嵌入式來源追溯或有助填補的文件記錄缺口。帶有浮水印的蛋白質序列可透過這些相同管道被追蹤，為篩檢流程增加一層針對 AI 的來源追溯。

目前的進展

目前並沒有名為「SynthID Bio」的商業化產品可供購買或部署；此研究完全處於概念驗證階段。Google DeepMind 的底層 SynthID 技術是真實存在且已積極部署，用於為 AI 生成的文字、圖像、音訊和影片加上浮水印。蛋白質應用是這些原則的延伸，但迄今僅在研究環境中獲得驗證，尚未產品化。該方法能否移植到其他蛋白質設計模型，以及能否在實際的合成篩檢工作流程中被採用，仍是該領域有待解答的問題。

這項研究也凸顯了統計浮水印相較於其他方法的結構性優勢。由於浮水印嵌入於生成過程本身，而非事後附加，它所創造的來源追溯形式與 AI 模型本質上緊密相連。使用此方法無法在事後為蛋白質序列加上浮水印——必須在生成時進行，這意味著它自然地追蹤源頭，而非某些下游處理步驟。