Google DeepMind、AI生成タンパク質に電子透かしを埋め込む「SynthID Bio」を発表

何が発表されたのか

Google DeepMindは、AI生成コンテンツの識別およびバイオセキュリティの強化を目的とした電子透かし技術「SynthID」の最新の研究成果と、その生物学領域への応用である「SynthID Bio」を発表しました。本発表は、従来の画像やテキスト、音声、動画に対するウォーターマーキング技術の確立に留まらず、AIによって設計されたタンパク質の配列や3D構造にまでその適用範囲を広げた点が極めて新規的です。発表の段階としては、基礎技術の確立および実験室レベルでの機能保持の実証（プルーフ・オブ・コンセプト）を終え、関連する技術コードをオープンソースとして公開する段階にあります。これにより、AIの悪用防止と安全な社会実装に向けた業界標準の確立を目指しています。

発表された機能・アップデートの全容

SynthIDの基本理念と3つの技術的要件

動画内において、研究チームは優れたウォーターマーク（電子透かし）が備えるべき技術的要件を定義しています。バイオセキュリティ研究者のジェレミー・ラドクリフ氏は、生物学における透かし技術の要件として「人間に検知できないこと（不可視性）」「高い検出性」「優れた汎用性」の3点を挙げました。また、VPのプシュミート・コーリ氏は、これらを補完する形で「コンテンツの品質を低下させないこと」「改ざんや攻撃に対する堅牢性」「統合と検出の容易さ」の3つの特性を強調しています。この両者の要件を満たすシステムとして開発されたのが「SynthID」です。

テキスト生成における「確率分布のバイアス制御」

テキストは画像や動画と異なり、データ自体の次元数が極めて低いという課題があります。1文に含まれる文字数は限られており、単純に情報を埋め込もうとすると文章の意味や品質が損なわれます。SynthIDはこの課題を、大規模言語モデル（LLM）のテキスト生成プロセスに介入することで解決しました。LLMが次の単語（トークン）を予測する際、モデルの内部では各単語の出力確率分布が計算されます。SynthIDは、事前に用意された「秘密鍵（Secret Key）」を用いて、この確率分布に対して人間に気付かれないレベルの微細なバイアス（偏り）をかけます。これにより、生成される文章全体の単語の選択パターンに特有の数学的署名が刻まれます。この手法の限界として、出力の選択肢が極めて少ない短いテキスト（例：「フランスの首都は？」に対する「パリです」という回答）には透かしを埋め込むことができないと説明されています。

画像・動画生成における「AIモデルの共同訓練と敵対的攻撃対策」

画像や動画に対するSynthIDの埋め込みは、ニューラルネットワークを用いた高度な最適化によって行われます。システムは「ウォーターマークジェネレーター」と「検出器（ディテクター）」という2つのニューラルネットワークで構成され、これらは共同訓練（Co-trained）されます。ジェネレーターは、元の画像に対して人間の目には判別できない極微細なピクセル値の調整を行います。このプロセスの最大の特徴は、訓練の過程において「敵対的エージェント（Adversarial Agent）」が介在する点です。この敵対的エージェントは、透かしが入った画像に対して、縮小、ズーム、切り抜き（クロップ）、回転、ノイズの付加、色調補正といった様々な「改ざん攻撃」をシミュレーションします。検出器は、これらの攻撃を受けた状態の画像からでも、高い信頼度で透かしを検出できるように学習を重ねます。この仕組みにより、SNSへのアップロードや再圧縮を経ても消えない、極めて堅牢なウォーターマークが実現されています。

バイオセキュリティの最前線「SynthID Bio」の2大アプローチ

今回の最大のアップデートは、生物学的データへの応用である「SynthID Bio」です。AIを用いたタンパク質設計技術の急速な進展に伴い、自然界に存在しない有害な生物兵器やウイルスの設計を未然に防ぐ「バイオレジリエンス（生物学的防御力）」の向上が急務となっています。SynthID Bioは以下の2つのアプローチで構成されています。

1. SynthID Bio Structure：予測された3Dタンパク質構造にウォーターマークを埋め込む技術です。Google DeepMindの画期的なタンパク質構造予測モデル「AlphaFold 3」の上に構築されており、原子の3次元座標（原子間の距離や角度）を機能に影響を与えない範囲で極わずかにシフトさせることで透かしを形成します。
2. SynthID Bio Sequence：タンパク質を構成するアミノ酸の配列（1次元コード）自体にウォーターマークを埋め込む技術です。構造から配列を予測するモデルである「ProteinMPNN」などと連携し、アミノ酸の選択時に機能的に等価、あるいは極めて類似した性質を持つアミノ酸（例：ロイシンとイソロイシンの置換など）をバイアスをかけて選択することで、配列情報の中に数学的パターンを埋め込みます。

実験室での検証：タンパク質機能への影響ゼロを実証

電子透かしを生物学的分子に導入するにあたり、最大の懸念は「透かしの導入によってタンパク質本来の機能が損なわれないか」という点です。ジェレミー・ラドクリフ氏のチームは、この懸念を払拭するために、シミュレーションに留まらず、実際に実験室（ウェットラボ）で物理的なタンパク質を合成して検証を行いました。検証では、特定の標的に結合する「タンパク質バインダー（Protein Binders）」を設計・合成し、その性能を評価しました。結果として、ウォーターマークを埋め込んだタンパク質は、未加工のタンパク質と比較して、標的への結合率（Hit rates）および結合親和性の強さにおいて「ほぼ同一（Near identical）」の数値を記録しました。これにより、生物学的な有効性を完全に維持したまま、AI生成物としての出所（プロベナンス）を100%追跡可能にすることに成功しました。