Google DeepMind 於二零二六年九月三十日正式推出 SynthID Bio，把既有 SynthID 浮水印技術延伸至合成生物學：可在人工智能生成的蛋白質序列與三維結構中嵌入難以察覺、卻可驗證的浮水印，並在濕實驗室測試中證明標記後的蛋白質仍保持生物功能。同行評審論文同日於《自然》期刊開放取用發表，程式碼、體外實驗數據與權重亦開源予研究社群。

DeepMind／官方：推出 SynthID Bio——為 AI 設計蛋白質嵌入可驗證浮水印；《自然》刊出；三靶點濕實驗功能不變

引言：生成式人工智能正加速蛋白質結構預測與全新功能蛋白設計，但亦令 DNA 合成篩檢、開放數據庫誠信與生物安全保障面臨新挑戰——陌生序列未必再能假設為「未被發現的天然生物」。本文根據 Google DeepMind 官方網誌、Google 官方科技網誌交叉陳述，以及《自然》論文與開源倉庫核對後撰寫，來源真實性已驗證。以下整理 SynthID Bio 的技術機制、實驗結果、應用場景，以及對香港與亞洲科研／企業的啟示。

一、核心事件：從影像文字浮水印到生物設計溯源

技術細節

SynthID 原用於為人工智能生成的圖像、音訊、文字與影片嵌入可偵測標記。SynthID Bio 則是專為合成生物學設計的浮水印方法家族，目標是把出處資訊寫進「生物代碼」本身，使標記不僅存在於數位模型輸出，亦可在合成後的實體蛋白質上驗證，同時盡量不損害其實驗室測得的生物功能。

官方說明指出，方法會依資料類型調整：對序列，會在氨基酸選擇過程中微妙引導取樣；對預測的三維結構，則調整原子座標，形成可供偵測的可靠信號。開源倉庫進一步把方案分為兩支：

• SynthID Bio-sequence：在 ProteinMPNN 等自迴歸逆向摺疊取樣中嵌入浮水印，設計為既有蛋白質設計流程的近乎即插即用替代。
• SynthID Bio-structure：微調 AlphaFold 3 擴散網絡的一小部分，使預測結構座標本身帶有可偵測簽名，並稱在保持預測準確度的同時，可達接近完美的可偵測性。

團隊以 AlphaProteo 蛋白結合劑設計流程，搭配啟用 SynthID Bio 的 ProteinMPNN，在三個靶點做濕實驗驗證：血管內皮生長因子 A（VEGF-A）、SARS-CoV-2 刺突蛋白受體結合域（RBD），以及 PD-L1。官方指，浮水印版本在命中率、結合親和力與天然序列多樣性方面，與未加浮水印版本相當，並稱此為首批同時具備可驗證浮水印且生物功能成立的蛋白結合劑。

同行評審論文標題為《Function-preserving watermarking of AI-generated proteins》，DOI 為 10.1038/s41586-026-10965-y，日期為二零二六年九月三十日，開放取用。開源倉庫位於 GitHub 的 google-deepmind/synthidbio。

二、技術原理深度解析

傳統生物安全依賴「已知威脅清單」與序列相似度篩檢。生成式模型卻可設計出序列不同、功能相近的分子，削弱單純比對已知病原體或毒素數據庫的防線。DeepMind 將此納入其「生物韌性」（bioresilience）論述，並以「瑞士芝士」多層防禦比喻：模型層緩解、客戶審核、合成訂單篩檢各自有盲點，浮水印則作為可把設計追溯至模型開發者的額外一層。

在序列路徑，浮水印在取樣階段嵌入；偵測端使用取樣時的密鑰計算可偵測信號（官方與開源文件提及 g-value 等指標），並可與結構預測指標一併過濾，以在目標假陽性率下提高通過率。在結構路徑，浮水印寫入模型權重／取樣過程，使下游即使用同一結構預測模型，輸出座標仍可攜帶簽名。

官方亦承認浮水印並非萬能：對抗性竄改、使用未加浮水印模型，或大幅人手改寫，都可能削弱偵測。團隊表示後續重點包括提升對蓄意竄改的穩健性，並可與類似 C2PA 的出處元數據，或人工智能生成生物數據的集中庫並用。另與史丹福大學 Hie 實驗室及 Arc Institute 合作，把 SynthID Bio 接入基因組模型 Evo 2，為其設計的噬菌體基因組加水印；早期細菌培養測試指浮水印噬菌體仍具功能。

三、日常應用場景

1. 開發者與技術團隊

蛋白質設計與結構預測管線可評估以浮水印版 ProteinMPNN／AlphaFold 3 作為預設輸出路徑，把溯源能力內建於生成步驟，而非事後補標。開源權重與體外數據有助重現實驗與基準比較。

2. 企業與隱私敏感行業

生技、製藥與合約研發機構若以人工智能大量產出候選序列，需面對合成服務商篩檢、知識產權爭議與監管披露。可驗證浮水印有助區分「本機構管線產出」與外部或未知來源設計，並在內部質量系統記錄模型世代與密鑰策略（不公開密鑰本身）。

3. 一般用戶

一般讀者較少直接操作 ProteinMPNN，但可理解：未來更多「人工智能設計的生物分子」可能帶有類似數位內容浮水印的出處層，有助公眾與監管辨識來源，降低誤把人工智能產物當成天然發現的風險。

4. 香港與亞洲市場視角

香港正推動生命健康與人工智能交叉產業，本地大學、醫院科研單位與大灣區生技公司日益使用結構預測與蛋白設計工具。DNA 合成訂單多經跨境服務商處理；若主流合成平台採納模型開發者提供的浮水印偵測，港企在合規採購、實驗室生物安全與開放數據庫投稿時，將多一項可操作的溯源工具。政策與業界仍須協調密鑰託管、誤報處理與跨境數據要求，避免浮水印成為新的單點瓶頸。

四、專業評價與潛在考量

優勢

• 官方與《自然》論文、開源倉庫三線一致，並有明確濕實驗靶點與「功能不變」主張，資訊可核實。
• 把浮水印從媒體內容延伸到實體可合成分子，對 DNA 合成篩檢與 Protein Data Bank、UniProt、GenBank 等數據庫誠信具直接政策意義。
• Twist Bioscience 等合成業意見回饋，以及生物安全政策專家評述，顯示方向對準產業前線痛點。

需要留意的地方

• 浮水印有效前提是生成端採用已嵌入方案；未加水印模型或重度編輯可繞過。
• 穩健性對抗意竄改仍是公開承認的後續課題；單一技術不能取代完整生物安全體系。
• 企業導入需處理密鑰管理、偵測服務可用性、與既有 LIMS／ELN 工作流整合，以及不同司法管轄區對基因數據的合規差異。

結語

SynthID Bio 把「可驗證出處」寫進人工智能設計的蛋白質序列與結構，並以濕實驗與《自然》論文支撐「標記不必犧牲功能」的主張。對依賴生成式生物設計的科研與企業而言，這是生物安全多層防禦中可落地的一環，而非取代既有篩檢與管控。香港團隊若正評估私有化部署生命科學或企業人工智能管線，並要求數據與模型治理可控，可參考 YSK Limited 的企業私有 LLM 全託管服務（年費 HK$88,000 起，Dataset → QLoRA/LoRA → 私有 API，強調數據不出境）：https://ysk.hk/services/ai-automation

參考來源

1. Google DeepMind 官方網誌：Introducing SynthID Bio — https://deepmind.google/blog/introducing-synthid-bio/
2. Google 官方科技網誌：SynthID Bio watermarks AI-designed proteins — https://blog.google/innovation-and-ai/models-and-research/google-deepmind/synthid-bio/
3. Nature：Function-preserving watermarking of AI-generated proteins（DOI 10.1038/s41586-026-10965-y）— https://www.nature.com/articles/s41586-026-10965-y
4. GitHub：google-deepmind/synthidbio — https://github.com/google-deepmind/synthidbio
5. Google DeepMind：Our approach to bioresilience — https://deepmind.google/blog/our-approach-to-bioresilience/