问题
DNA 合成服务商在筛选客户订单时，无法判断陌生蛋白序列是否出自可信的 AI 模型，按信号原话，“验证一个不熟悉的订单不是 engineered threat 需要 exhaustive manual reviews，会 stall vital research”。另一侧，公共数据库（如 Protein Data Bank）的维护者面临被错误标注的 AI 生成合成蛋白结构污染的风险，“mislabeled entries 在生物安全决策上有 outsized negative impact”，且随着 AI 生成生物数据增多只会更严重。
目标用户
DNA 合成服务商的生物安全筛选团队，以及 GenBank、Protein Data Bank、UniProt 这类可公开提交的生物数据库的管理员和策展人。市场规模偏小且高度集中——合成商数量有限、数据库多为公共机构，属于窄而深的 B2B 领域。信号中未见付费意愿。
解决方案
- 水印验证 API：检测蛋白序列中的水印信号，判定其是否来自内置安全防护的可信 AI 模型
- 订单筛选分级：返回“可信 / 无法验证 / 需人工复核”三级结论，嵌入合成商现有订单审核流程
- 数据库提交检测：在公共数据库提交入口自动标注或拦截疑似未标记的 AI 生成结构
- 审计与溯源记录：保存验证结果和证据链，供生物安全合规复查
AI 的角色：核心是水印检测算法——将生成模型的隐藏信号转化为可自动核验的证明，替代人工逐条审查。
为什么是现在
信号显示两个变化正在同时发生：一是水印技术刚刚成熟（2026-09 DeepMind 发布 SynthID Bio，让“自动验证订单是否出自可信模型”首次技术上可行）；二是 AI 生成生物数据正在快速进入公共数据库，错误标注对生物安全决策的负面影响被明确指出，且“may only grow”，需求端压力在上升。
MVP 范围
第一版：面向一家合成商或一个数据库的接入原型——提供序列水印验证 API，返回“可信模型生成 / 无法验证 / 可疑需人工复核”三级结果，并记录审计日志。明确不做：从头预测序列的生物危害性、不替代现有人工生物安全审查流程、不支持尚未接入水印标准的模型。
风险
在位者风险：SynthID Bio 由 Google DeepMind 推出且免费，可能成为行业标准，小团队方案难以获得采用。生态依赖：水印验证只有在序列生成模型（AlphaFold 3、AlphaProteo、ProteinMPNN 等）内置水印时才有效，产品价值完全依赖模型厂商配合。合规风险：涉及生物安全审查，出错代价极高，可能面临监管审查。市场风险：信号仅来自单一厂商博客，真实付费方和采购流程未知。
已有产品
| 产品 | 定位 | 价格 |
|---|---|---|
| SynthID Bio | Google DeepMind 推出的蛋白序列水印方案，直接覆盖本卡描述的验证需求，是最直接的强在位者。 | — |
信号证据
这张卡片依据的原始讨论。摘录保持原文，点“原文”查看上下文。
Google DeepMind Blog9月30日痛点
“mislabeled entries can have an outsized negative impact in biosecurity decision-making, a challenge that may only grow with the addition of AI-generated biological data.”
Public scientific databases like the Protein Data Bank risk being polluted by mislabeled AI-generated synthetic protein structures, misleading downstream research and biosecurity decisions.原文
Google DeepMind Blog9月30日新能力
“Verifying that an unfamiliar order isn't an engineered threat requires exhaustive manual reviews that can stall vital research.”
DNA synthesis providers cannot verify whether unfamiliar protein sequences originated from trusted AI models, requiring exhaustive manual reviews that stall vital research.原文