AREX Feed Article
Google DeepMind 播客新单集上线：从深伪到 DNA，讲水印如何为 AI 内容与蛋白质设计溯源
北京时间 10 月 2 日凌晨，Google DeepMind 上线播客「Google DeepMind: The Podcast」的新单集《From deepfakes to DNA: the science of watermarking AI》。据该播客的 记录，单集发布于 UTC 时间 10 月 1 日 16:38（即北京时间 10 月 2 日 0:38），时长 38 分 6 秒；节目说明称，Hannah Fry 教授与 Google DeepMind 的 Pushmeet Kohli（VP of Science）、研究者 Jeremy Ratcliff 一起拆解 SynthID，一项「从文本、图像和视频一路走进生物学」的水印技术。
上线约半小时后，Google DeepMind 在里写下了这期节目要回答的问题：「当 AI 生成内容变得如此逼真，我们如何验证什么是人类、机器或自然产生的？」帖文称，节目探讨溯源（provenance）的关键作用，以及不可感知的水印如何同时守护数字媒体与生物设计。单集说明给出的时间轴是：00:00 开场；00:34「什么是水印」；04:35 SynthID；15:16「图像与视频」；19:28 SynthID Bio；28:00「未来的韧性」。说明还把整集内容概括为：「了解隐形、数学化的水印如何帮助追踪 AI 溯源、防止滥用，并在不影响生物功能的前提下守护蛋白质序列设计。」
三个收听入口与单集说明里的公告链接
按 RSS 的集数编号，这是该播客的第 33 集。Google DeepMind 在里给出三个入口：（标注为「Watch」）、 与 。Spotify 的单集页面把它标注为视频节目。
单集说明的末尾还有一条「了解更多 SynthID Bio」的链接，指向 9 月 30 日发布的；与公告同日，相关方法与结果以《Function-preserving watermarking of AI-generated proteins》为题在线发表于，论文为开放获取。
数字媒体侧：SynthID 的水印在生成当刻嵌入
据 ，SynthID 把数字水印直接嵌入 AI 生成的图像、音频、文本与视频；水印在内容生成时即刻加入，人眼不可见、人耳不可闻，但可被检测。页面称，图像与视频水印的设计目标是经受住裁剪、加滤镜、改帧率、有损压缩等修改；音频水印覆盖 Lyria 音乐模型与 NotebookLM 的播客生成功能，文本水印则覆盖 Gemini。
检测端，用户可以把文件交给 Gemini 检查是否由 Google AI 生成或修改，也可以使用 SynthID Detector 验证门户；页面称，该门户正与记者和媒体从业者合作测试。
生物设计侧：把水印写进氨基酸序列与三维结构
SynthID Bio 是这套水印技术的新成员。公告把它定义为「一组专门为合成生物学开发的水印方法」，用来加强生物安全与科学诚信。它的特别之处是把不可感知的签名直接嵌进「生物代码」：水印不仅在数字模型上、也能在合成出来的实体蛋白上被验证，同时在实验室测试中不损伤蛋白的生物功能。
方法分两条线。序列侧，水印会微妙地引导氨基酸的选择，从而嵌入信号；论文图 1 显示，相关流程由带水印的重采样（基于 ProteinMPNN 与 SynthID-Text 的采样）、信号过滤和水印检测器串成，另有一把贯穿前后的「秘密水印密钥」。结构侧，SynthID Bio 微调 AlphaFold 3 扩散网络的一小部分，把打水印的能力直接建进模型权重，因此无论谁运行模型，其预测出的三维坐标都自带可检测的签名；论文图 1 还显示，训练迭代同时优化扩散损失与水印损失。公告称，这一路径保持了 AlphaFold 3 的预测精度，具备接近完美的可检测性，并能经受数字噪声与轻微的坐标变动。
湿实验：三个靶点上功能未受影响
功能验证用的是湿实验。团队以结合剂设计方法 AlphaProteo 和一个启用 SynthID Bio 的 ProteinMPNN 版本做设计，在三个靶点 VEGF-A、SARS-CoV-2 刺突蛋白 RBD（受体结合结构域）与 PD-L1 上测试：水印版设计在命中率、结合亲和力与天然序列多样性上与无水印版相当；公告称，由此造出了首批既带水印、又保持生物功能的蛋白结合剂。
论文摘要把序列侧的结果概括为「接近完美的水印检测准确率」，并把整项工作定性为一项概念验证：在不损伤功能的前提下做生物水印，是可行的。
生物安全用途：给 DNA 合成筛查一个自动信号
公告给出的场景是 DNA 合成筛查。把数字设计变成实物，要向 DNA 合成商下单，合成商则对照已知威胁数据库筛查订单；麻烦在于，AI 能造出与已知危险序列几乎不像的全新序列，过去筛查方可以把「陌生序列」默认为尚未被发现的天然生物，如今这个假设不再成立，只能靠人工深查，而人工深查会拖慢研究。按公告的说法，SynthID Bio 能在此提供一个自动验证信号，证明某个订单来自带有内置安全措施的可信模型。
公告还提到开放数据库的场景。Protein Data Bank、UniProt、GenBank 等库依赖公开提交，被误标的条目可能干扰下游研究乃至生物安全决策；水印可以帮助合成条目被正确打标，或被标记出来接受进一步审查。
公告把这些做法放进一个「多层防御」的框架：模型层缓解、客户审查各是一层，水印是嵌在生物设计本身里的验证层。生物安全政策专家、Science Policy Consulting 负责人 Sarah Carter 在审阅这项工作后说：「SynthID Bio 是追踪生物设计来源的一块重要拼图。水印把设计和模型开发者关联起来，让开发者能够在安全上先行，也让合成服务商更顺畅地筛查使用过这些模型的客户。」
Twist Bioscience 政策与生物安全副总裁 James Diggans 在提供早期反馈后表示：「AI 正在扩展科学家能设计的东西，DNA 合成公司对让这类创新负责任地规模化有重要作用。对 Twist 来说，水印是生物安全工具箱里一个有前景的新增项，能加强筛查、把资源集中到需要细查的序列上，并随着 AI 设计的生物学不断推进，让生物安全更高效。」
抗篡改、Evo 2 与已公开的代码和权重
公告提到的后续方向里，一条是让 SynthID Bio 与来源元数据方案（类似数字媒体领域的 C2PA）或 AI 生成生物数据的集中存储库配合，以便更好地识别和追踪 AI 生成的蛋白质；另一条是把水印用到更复杂的生物对象上。
后一条已经在推进：Google DeepMind 与斯坦福大学和 Arc Institute 的 Hie 实验室合作，把 SynthID Bio 集成进基因组模型 Evo 2，为一个由 Evo 2 设计的噬菌体基因组打上水印；细菌培养中的早期实验室测试显示，这些带水印的噬菌体保持功能。公告称，更多细节很快会随一份技术手稿公布。
公告称，与论文一同，团队开源了代码和体外实验数据，并向研究社区释放了模型权重。它还指出，下一步的关键挑战之一是让水印更抗刻意篡改。