跳到正文
世界时间EU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

关于人工智能与技术的门户事件 · 分析 · 访谈 · 技术背景

搜索
直播
›

谷歌为AI设计的蛋白质加水印,Anthropic则宣称首次由AI发现酶

谷歌DeepMind周三公布了一种在AI设计的蛋白质序列中嵌入水印的方法,这是一项生物安全措施;与此同时,Anthropic宣称其Claude智能体完成了AI系统的首个科学发现。

科学新闻郑雪莉发布: 2026年10月2日6 分钟阅读资料来源 4
谷歌为AI设计的蛋白质加水印,Anthropic则宣称首次由AI发现酶

据Ars Technica报道,谷歌DeepMind团队周三发表一篇研究论文,介绍了一种为人工智能设计的蛋白质序列添加水印的方法。该系统基于谷歌的SynthID技术,该技术能向AI生成的文本和图像中加入一种难以察觉的信号。

这是对一个悬而未决近一年的问题的最新尝试:当用于筛查DNA序列的工具根本无法识别AI生成的蛋白质时,如何区分来自可信实验室的设计与并非来自可信实验室的设计?问题出在信息密度上。蛋白质只是由20种氨基酸组成的字符串,其中许多位置都承受着关键功能:改错一个残基,蛋白质就会失效。据Ars Technica报道,SynthID的原理是偏置AI在某些选择上的概率,让这种偏置分散到整个输出中。对于拥有数百万像素的图像,这很容易。相比之下,一个500个氨基酸的蛋白质就显得很小。

蛋白质为何难以加水印

失败的风险是双向的。水印可能没有足够的信号被检测到,或者模型为了容纳水印而对序列扭曲过大,导致生成的蛋白质失去活性。据Ars Technica报道,DeepMind团队对此进行了测试,而不是假定它会奏效。这项工作的背景是:那些已经设计出能降解塑料或阻断毒液蛋白的酶的工具,同样可以被用来针对毒素或病毒蛋白。目前使用的筛查软件不会标记AI设计的蛋白质,因为还没有人把它们研究得足够透彻,从而知道哪些具有威胁。

Anthropic的说法及其疑点

10月1日,Endpoints News发表了一篇对Anthropic生命科学负责人Eric Kauderer-Abrams的问答,内容涉及酶研究、公司的生物实验室和一条临床前管线。该媒体指出,Anthropic上周表示其AI系统完成了首个科学发现,Claude智能体识别出一个新的酶系统。这一说法并非没有争议。谷歌新闻的列表中出现了一篇《The Scientist》9月29日的文章,质疑Anthropic的生物学突破是否借用了另一位科学家的成果。

《The Scientist》的这篇文章在本档案中只有标题和URL,因此无法在此评估该质疑的实质内容;只能指出,这一优先权主张存在争议。Anthropic的成果和DeepMind的水印论文并非针对同一问题的竞争方案,但它们位于一条线的两侧。一个关乎AI系统能产出什么,另一个关乎其他人如何验证它们产出了什么。

衡量错了东西的基准测试

验证是一个比蛋白质设计更广泛的问题。9月29日提交给arXiv的一篇论文由Jiajun Wu、Jian Yang、Zixiang Ni、Zhenzhu Li和Bin Chong撰写,提出了CARAT,一个旨在测试面向材料的大语言模型究竟是在对晶体结构进行推理,还是仅仅照抄输入中印出的答案的基准。作者的观点是,准确率无法区分两者。结构描述往往直接印出被评分的那个字段,因此模型只要重复它看到的内容就能得高分。CARAT在八个匹配视图上固定问题和标准答案,并在作者称为GraphSpace的表示中分别命名每种结构关系。

结果中还包括自我批评。论文称,在最难的几类问题上,有依据的视图比仅给出分子式的输入高出17.3分。GraphSpace比普通的周期性图高出19.3分,但作者对这一差距做了拆解:在普通渲染已经包含问题所需全部信息的地方,增益为1.96分;而在它完全省略这些字段的地方,增益为46.7分。他们的结论是,那个头条数字主要衡量的是基线缺少了什么。

论文还攻击了自己的基准。一条跳过链接、直接读取列表的规则在七个强化类别中答对了四个,于是作者重建了基准,直到十一种此类捷径都接近随机水平。在一个冻结模型上,系统引用了某个链接,但当链接在95.6%的配对案例中被重定向时,它仍返回相同答案:它重复了关系,却没有使用它。经过匹配监督后,这一数字达到99.8%;删除链接后,性能降至23.4%,低于最佳捷径所达到的27.0%。

论文自己的总结很直白:在95.6%的配对案例中,冻结模型重复了关系,却没有使用它。

在AI-for-science的成果出现速度快于核查速度的当下,这是一个有用的纠偏。一个背诵晶体结构的模型和一个从晶体结构推理的模型在排行榜上看起来一模一样,就像AI设计的蛋白质和天然蛋白质在DNA筛查工具眼中看起来一模一样。

背景:这一领域正在发生什么

同一时期,围绕AI驱动的蛋白质与材料设计的商业活动仍在继续。10月1日,PA Media报道Hansa Biopharma正与Cradle合作,推进AI驱动的蛋白质设计与工程。Bioengineer.org在9月30日报道,一种AI引导的配方驯服了高熵钙钛矿太阳能材料中的混乱。R&D World同日报道,其母公司Arrowfly推出了AI for Engineers,一个面向正在使用AI的工程师的平台。

在研究方面,据谷歌新闻的一条列表,Nature在9月28日发表了一项工作,描述利用数据高效的AI加速发现热稳定性mRNA脂质纳米颗粒疫苗。10月1日,斯坦福HAI宣布了15位新的数据科学学者。这些都不是水印方案或推理基准那样的主张,但它们解释了为什么验证问题很重要。蛋白质设计和材料发现正被越来越多的实验室、初创公司和制药企业推着向前。检查它们产出的工具却没有以同样的速度前进。

就DeepMind的水印工作而言,按Ars Technica的描述,它不是筛查工具。它不识别危险蛋白质。它识别哪些蛋白质来自可信的设计者,从而让其他一切都受到更多怀疑。这个主张比乍看之下要窄,而且它取决于设计者是否愿意使用水印。

更早的背景

本档案还收录了ScienceDaily 9月25日的一篇报道,基于不列颠哥伦比亚大学发表在《Organisms Diversity & Evolution》上的一项研究,描述了来自萨利希海的两种新海蜘蛛物种。第一作者Cormac Toler-Scott说,他感兴趣的是海蜘蛛如何受到气候变化和人类干扰的影响,却找不到现有的研究。这项研究在2023年9月至2024年8月间采集标本,深度可达18米,是近100年来首次正式描述来自萨利希海的新海蜘蛛物种。

这不是一个AI故事。它提醒人们注意贯穿上述所有内容的一个基线问题:这些物种一直就在那里,却没有人描述过它们。AI设计的蛋白质也是如此。它们存在,正在被制造,而直到不久前,还没有一种公认的方式来标记它们。

评论 0

资料来源

4
  1. 01Google figures out how to watermark AI-designed proteinsEN
  2. 02Q&A: Anthropic's life sciences team talk Claude's first scientific discoveryEN
  3. 03CARAT: Do Materials LLMs Reason or Recite?EN
  4. 04Scientists discovered two bizarre new sea spiders that are "nightmare fuel"EN

本文所有数字与引语均来自下列来源,未添加来源之外的内容。

本内容由编辑部在人工智能辅助下制作完成。

郑雪莉

郑雪莉

科学与健康

郑雪莉负责FLASH24科学与健康版块,日常从论文预印本、期刊官网和机构通报中抓取信息,只盯数据来源和实验设计是否站得住。她习惯把每项统计数字与原始数据集交叉比对,遇到百分比先算清分母再决定是否采用。她常联系一线研究人员核实细节,也会在日历上标记大型队列研究的发布节点,提前比对不同团队的结果。私下她学材料物理,还自己架望远镜观测,这让她对测量误差和观测条件格外敏感。她有一条硬规矩:样本量、利益冲突或方法说明缺一项,稿子就不发。

编辑部 →

评论

0
  1. 还没有评论——来说两句吧。

写评论

评论公开展示。我们不发布辱骂、垃圾信息和广告内容。