Google DeepMind SynthID Bio را معرفی کرده است، خانواده جدیدی از روش های واترمارک که یک امضای قابل تشخیص و نامحسوس را مستقیماً در پروتئین های طراحی شده با هوش مصنوعی تعبیه می کند. این سیستم که در 30 سپتامبر اعلام شد، فناوری واترمارک SynthID شرکت را - که قبلاً برای برچسب‌گذاری متون، تصاویر، صدا و ویدئو تولید شده با هوش مصنوعی استفاده می‌شد - به زیست‌شناسی مصنوعی گسترش می‌دهد، جایی که خطرات شامل امنیت زیستی و یکپارچگی پایگاه‌های داده علمی عمومی است.
برخلاف واترمارک دیجیتال، یک واترمارک بیولوژیکی باید از آزمایش بسیار سخت تری جان سالم به در ببرد: باید نه تنها در خروجی یک مدل نرم افزاری، بلکه در خود پروتئین فیزیکی سنتز شده قابل تشخیص باقی بماند. طبق گفته DeepMind، SynthID Bio آن نوار را پاک می کند. در آزمایش‌های آزمایشگاهی، طرح‌های پروتئین واترمارک‌شده عملکرد بیولوژیکی خود را حفظ کردند و در عین حال قابل تأیید ماندند و چیزی را تولید کردند که این شرکت به عنوان اولین اتصال دهنده پروتئین واترمارک شده و از نظر بیولوژیکی کاربردی توصیف می‌کند. این کار در مقاله‌ای با عنوان «واترمارک‌گذاری حفظ عملکرد پروتئین‌های تولید شده توسط هوش مصنوعی» به تفصیل آمده است. برای زمینه بیشتر درباره این داستان، اخبار هوش مصنوعی ما را ببینید.
چرا بیولوژی واترمارک؟
هوش مصنوعی مولد به ابزاری واقعی برای تحقیقات بیولوژیکی تبدیل شده است. DeepMind به مجموعه خود اشاره می‌کند: AlphaFold برای پیش‌بینی ساختارهای پروتئینی، AlphaProteo و ProteinMPNN برای طراحی پروتئین‌های کاملاً جدید، و اخیراً سیستم‌های هوش مصنوعی برای توسعه باکتریوفاژهای جدید - ویروس‌هایی که باکتری‌ها را آلوده می‌کنند، استفاده می‌کنند. اما همین ابزارها خطرات جدیدی ایجاد می کنند.
بر اساس این اعلامیه، توالی‌های جدید طراحی‌شده با هوش مصنوعی می‌توانند غربالگری سنتز DNA سنتی را دور بزنند، زیرا غربال‌گران دیگر نمی‌توانند فرض کنند که یک توالی ناآشنا متعلق به یک ارگانیسم طبیعی کشف‌نشده است. به طور جداگانه، ساختارهای سه بعدی مصنوعی با برچسب نادرست، خطر آلودگی پایگاه داده های عمومی و گمراه کردن تحقیقات پایین دست را دارند. هر دو مشکل یک علت اصلی دارند: هیچ کس در حال حاضر نمی تواند ثابت کند که یک طرح بیولوژیکی از کجا آمده است.
دو رویکرد واترمارکینگ، یک هدف
SynthID Bio تکنیک خود را با نوع داده تطبیق می دهد. برای توالی‌های پروتئینی، انتخاب آمینو اسیدها را به‌طور نامحسوس هدایت می‌کند و یک سیگنال آماری را تعبیه می‌کند که ابزارهای تشخیص می‌توانند دریافت کنند. برای ساختارهای سه بعدی پیش بینی شده، تنظیمات کوچکی را در مختصات اتمی انجام می دهد که دارای امضای قابل تشخیص هستند.
قوی ترین شواهد از اعتبار سنجی آزمایشگاه مرطوب به دست می آید. محققان با کار با نسخه SynthID Bio ProteinMPNN در کنار روش طراحی بایندر AlphaProteo DeepMind، طرح هایی را که سه پروتئین را هدف قرار می دهند نشان دادند: VEGF-A، دامنه اتصال گیرنده پروتئین اسپایک SARS-CoV-2 و PD-L1. طرح‌های واترمارک شده با همتایان بدون واترمارک خود در نرخ ضربه، میل ترکیبی اندازه‌گیری شده به عنوان KD و تنوع توالی طبیعی مطابقت داشتند. به عبارت دیگر، واترمارک توانایی مولکول ها را برای انجام کارشان کاهش نداد.
برای تا کردن پروتئین، DeepMind مسیر متفاوتی را در پیش گرفت: تیم بخشی از شبکه انتشار AlphaFold 3 را به‌خوبی تنظیم کرد تا قابلیت واترمارکینگ مستقیماً در وزن‌های مدل تعبیه شود. این بدان معناست که هر ساختار پیش‌بینی‌شده بدون توجه به اینکه چه کسی مدل را اجرا می‌کند دارای امضای قابل تشخیص است، در حالی که شرکت گزارش می‌دهد این رویکرد دقت پیش‌بینی AlphaFold 3 را حفظ می‌کند، قابلیت تشخیص تقریباً عالی را ارائه می‌دهد و در برابر نویز دیجیتال یا تغییرات مختصات جزئی مقاومت می‌کند.
لایه جدیدی در دفاع از "پنیر سوئیسی" امنیت زیستی
DeepMind SynthID Bio را به عنوان یک لایه در یک مدل امنیت زیستی لایه‌ای قاب می‌کند - رویکرد "پنیر سوئیسی"، که در آن چندین محافظ مستقل هر کدام نقاط کور دیگران را پوشش می‌دهند. غربالگری سنتز DNA در خط مقدم قرار دارد: تبدیل طرح پروتئین دیجیتال به یک مولکول فیزیکی مستلزم سفارش DNA از ارائه دهندگان سنتز است که درخواست ها را در برابر پایگاه های داده تهدیدات شناخته شده بررسی می کنند. تأیید یک سفارش ناآشنا امروز می‌تواند نیازمند بررسی دستی جامع باشد که تحقیقات قانونی را متوقف می‌کند. واترمارک تعبیه‌شده به ارائه‌دهندگان سیگنال خودکاری می‌دهد مبنی بر اینکه سفارش از یک مدل قابل اعتماد با محافظ‌های داخلی نشات گرفته است.
کارشناسان مستقل به نقل از DeepMind این قاب بندی را تکرار کردند. سارا کارتر، کارشناس سیاست امنیت زیستی و مدیر ارشد در Science Policy Consulting، گفت: «SynthID Bio قطعه مهمی از پازل برای ردیابی منشأ طرح‌های بیولوژیکی است. جیمز دیگانز، معاون سیاست و امنیت زیستی در Twist Bioscience، که بازخورد اولیه را در مورد این مقاله ارائه کرد، واترمارکینگ را «اضافه‌ای جدید امیدوارکننده به جعبه ابزار امنیت زیستی» نامید که می‌تواند بر روی توالی‌هایی متمرکز شود که مستلزم بررسی دقیق‌تر هستند.
همان سیگنال منشأ می‌تواند از مخازن علمی باز مانند بانک داده‌های پروتئین، UniProt و GenBank محافظت کند که ارسال‌های عمومی را می‌پذیرند. همانطور که زیست شناسی تولید شده توسط هوش مصنوعی انباشته می شود، SynthID Bio می تواند ورودی های مصنوعی را قبل از آلوده کردن رکوردی که سایر محققان – و تصمیمات امنیت زیستی – به آن تکیه می کنند، پرچم گذاری یا تأیید کند.
محدودیت ها، و آنچه در آینده می آید
DeepMind صریح است که سیستم ضد دستکاری نیست. قوی‌تر کردن واترمارک در برابر حذف عمدی دشمنان به‌عنوان یک چالش باز کلیدی فهرست شده است و این شرکت پیشنهاد می‌کند که SynthID Bio را با استانداردهای ابرداده منشأ مشابه C2PA، طرح محتوا-اعتبار مورد استفاده برای رسانه‌های دیجیتال، یا با مخازن مرکزی داده‌های بیولوژیکی تولید شده توسط هوش مصنوعی جفت کنید.
دامنه نیز فراتر از پروتئین ها در حال گسترش است. در کار مداوم با آزمایشگاه Hie در دانشگاه استنفورد و موسسه Arc، DeepMind SynthID Bio را در Evo 2، یک مدل ژنومی پیشرفته، ادغام کرد و از آن برای واترمارک کردن ژنوم یک باکتریوفاژ طراحی شده با Evo 2 استفاده کرد. آزمایش‌های اولیه آزمایشگاهی در کشت‌های باکتریایی تأیید کرد که فاژهای واترمارک‌شده همچنان عملکردی دارند و این شرکت می‌گوید نسخه خطی فنی در دست انتشار است.
برای زمینه ای که هوش مصنوعی شروع به نوشتن کدهای بیولوژیکی می کند که هرگز در طبیعت وجود نداشته است و می تواند پاسخ دهد "چه کسی این را ساخته و با کدام مدل؟" بی سر و صدا در حال تبدیل شدن به زیرساخت است. SynthID Bio یک گام اولیه و عمداً محتاطانه در این مسیر است - گامی که سازندگان آن اصرار دارند مکملی برای بقیه پشته امنیت زیستی است و نه جایگزینی برای آن. برای اطلاعات بیشتر در مورد چگونگی تکامل تحقیقات هوش مصنوعی، آخرین پیشرفت‌های هوش مصنوعی را دنبال کنید زیرا آزمایشگاه‌ها مدل‌های مولد را عمیق‌تر به علوم طبیعی سوق می‌دهند.
از هوش مصنوعی جلوتر بمانید
داستان کامل و موارد دیگر را در صفحه اصلی ما دنبال کنید: اطلاعات بیشتر اخبار هوش مصنوعی →
