Google DeepMind 在 2026 年 9 月 30 日发布了 SynthID Bio，把水印技术第一次系统性地带进合成生物学：AI 设计的蛋白质序列和预测结构里会被嵌入不可见签名，而且这枚水印不只存在于数字模型里——在实验室真正合成出来的蛋白质上也能被验证，同时不损害蛋白质的生物功能。
水印打在哪：序列和结构两套手法
SynthID Bio 是一整套专为合成生物学设计的水印方法，根据数据类型用不同的手法：对蛋白质序列，在氨基酸选择上做细微引导；对预测的 3D 结构，微调原子坐标。两种调整都会产生稳定可检测的信号。
在蛋白折叠这边，DeepMind 微调了 AlphaFold 3 扩散网络的一小部分，把水印能力直接做进模型权重里。这样一来，不管谁运行这个模型，预测出的 3D 坐标天生就带可检测签名。官方称，这种做法在保持 AlphaFold 3 预测精度的同时，实现了近乎完美的可检测性，还能扛住数字噪声和轻微的坐标改动。
湿实验验证：三个靶点，性能没打折
水印最大的考验是：加了签名之后，蛋白质还能不能正常工作。DeepMind 用自家的蛋白 binder 设计方法 AlphaProteo，搭配支持 SynthID Bio 的 ProteinMPNN（常用的蛋白序列生成方法），在三个靶点上做了湿实验：VEGF-A、新冠病毒刺突蛋白 RBD、PD-L1。
结果是，加水印版本和未加水印版本在命中率、结合亲和力、天然序列多样性上基本相当。DeepMind 称，这是第一批“加了水印且生物功能完整”的蛋白 binder——水印没有以牺牲功能为代价。
解决什么问题：筛查与数据库
这项工作瞄准的是两个真实存在的缺口。第一，DNA 合成筛查：把数字蛋白设计变成实体分子，需要向 DNA 合成商下单，合成商会筛查订单是否涉及已知威胁。过去，一个陌生序列可以被合理假设为“尚未发现的天然生物”；但 AI 能设计出与已知危害毫无相似性的全新序列，这个假设不再成立，筛查方只能靠大量人工复核，拖慢正常研究。水印提供了一个自动化验证信号：证明这份订单来自带内置安全措施的可信模型。
第二，公共数据库的完整性：Protein Data Bank、UniProt、GenBank 等数据库大多开放投稿，错误标注的合成 3D 结构一旦混入，会误导下游研究。水印可以在投稿环节帮数据库正确标注合成条目，或者标记出来进一步审查。
生物安全政策专家 Sarah Carter 评价说，把设计与模型开发者关联起来，水印让开发者可以在安全上带头，也让合成商能更顺畅地筛查。Twist Bioscience 政策与生物安全副总裁 James Diggans 则认为，水印是生物安全工具箱里“有前景的新成员”，能让筛查把资源集中在真正需要细看的序列上。（此前 vLLM 也在文本生成侧上线过无失真水印，思路相通：vLLM 上线无失真文本水印。）
开源与下一步
DeepMind 这次选择了开放路线：发表 methods paper（Nature），开源代码、体外实验数据，并向研究社区发布模型权重。同时，他们正在和斯坦福 Hie 实验室、Arc Institute 合作，把 SynthID Bio 接入基因组模型 Evo 2，给噬菌体基因组打水印——细菌培养中的早期实验已确认，加水印的噬菌体依然有功能，技术手稿即将发布。
当然，DeepMind 也承认，没有任何单一生物安全措施是银弹。接下来的挑战包括让水印更抗故意篡改，以及和 C2PA 式的来源元数据、AI 生成生物数据的中央仓库等方案配合使用。水印只是“瑞士奶酪”防御模型中新的一层，但它是第一层真正嵌进生物设计本身的可验证层。
