Presentazione di SynthID Bio: Google DeepMind inserisce filigrane nelle proteine progettate dall'IA
Google DeepMind presenta SynthID Bio dopo che test di laboratorio hanno prodotto i primi leganti proteici filigranati in grado di mantenere la funzione biologica prevista.
L'annuncio del 30 settembre porta la filigranatura dell'IA oltre immagini, testo, audio e video. La sua firma può restare rilevabile in una proteina fisica sintetizzata, non soltanto in un file di progettazione digitale. Questo rende il lavoro più rilevante di un altro esperimento di etichettatura dei contenuti.
Il conflitto centrale è tra provenienza e controllo. SynthID Bio può identificare gli output dei modelli partecipanti, ma non può stabilire che ogni proteina priva di filigrana sia naturale o sicura. I ricercatori hanno inoltre scoperto che utenti determinati possono rimuovere la filigrana di sequenza riprogettando la proteina.
Il risultato è una prova di concetto credibile, ma con un percorso impegnativo verso l'implementazione. Spinge gli sviluppatori di modelli, i database biologici e i fornitori di sintesi del DNA a decidere se standard condivisi di provenienza debbano far parte dell'infrastruttura della biologia assistita dall'IA.
Presentazione di SynthID Bio come test fisico di provenienza
Google DeepMind ha mostrato che una proteina generata dall'IA può contenere una firma rilevabile senza perdere la funzione per cui i ricercatori l'hanno progettata.
SynthID Bio è una famiglia di metodi per inserire filigrane nelle sequenze proteiche e nelle strutture biomolecolari previste. Una filigrana è un segnale statistico nascosto che software autorizzati possono rilevare in seguito. Indica che un output proviene da un sistema di IA compatibile.
Il progetto ha due componenti distinte. SynthIDBio-sequence influenza quali amminoacidi seleziona un modello di generazione delle sequenze. SynthIDBio-structure introduce piccoli pattern rilevabili nelle coordinate atomiche previste da un modello di folding.
Questa distinzione è importante perché una sequenza proteica e una struttura prevista rappresentano cose diverse. La sequenza specifica una catena ordinata di amminoacidi. La struttura descrive come gli atomi di quella catena sono disposti in tre dimensioni.
Per il test sulle sequenze, i ricercatori hanno combinato backbone progettati da AlphaProteo con una versione modificata di ProteinMPNN. ProteinMPNN genera sequenze di amminoacidi che dovrebbero ripiegarsi nella struttura proteica fornita.
Il team ha valutato leganti contro tre bersagli: VEGF-A, PD-L1 e il dominio di legame del recettore della proteina spike di SARS-CoV-2. I leganti proteici sono molecole progettate per legarsi selettivamente a specifici bersagli biologici.
I ricercatori sono partiti da 15 backbone strutturali precedentemente validati per ciascun bersaglio. Per ogni backbone, hanno testato un progetto di riferimento, cinque sequenze prive di filigrana e due serie di sei sequenze filigranate.
La valutazione di laboratorio risultante ha riguardato 222 progetti non filigranati e 267 progetti per ciascuna impostazione della filigrana, esclusi i controlli. Misurazioni di risonanza plasmonica di superficie hanno verificato se quelle molecole si legassero ancora ai rispettivi bersagli.
Secondo lo studio sottoposto a revisione paritaria sulla filigranatura delle proteine, i ricercatori non hanno riscontrato differenze significative a livello di popolazione nell'affinità di legame tra i gruppi filigranati e quelli non filigranati. Anche i tassi di successo e la diversità delle sequenze sono rimasti comparabili.
Questi risultati non dimostrano che ogni classe di proteine possa accettare una filigrana in modo sicuro. Stabiliscono però che la filigranatura ha superato il confronto con la biologia fisica in un esperimento controllato di progettazione di leganti.
L'annuncio di SynthID Bio formula quindi un'affermazione più circoscritta di quanto la sua premessa suggestiva possa far pensare. Google DeepMind definisce il sistema una prova di concetto, non un servizio universale di provenienza pronto per la produzione.
Questa cautela è essenziale. L'esperimento parte da backbone di leganti noti e ne rielabora le sequenze per raccogliere dati di affinità utili. Non testa una raccolta senza restrizioni di enzimi, recettori, anticorpi o organismi completi.
Tuttavia, la validazione fisica cambia lo status dell'idea. Le precedenti proposte di filigranatura biologica si concentravano spesso su metriche computazionali di qualità. SynthID Bio verifica se una firma a livello di sequenza possa coesistere con attività biologica misurata.
Perché la provenienza delle proteine è diventata un problema infrastrutturale
La progettazione di proteine tramite IA sta creando sequenze biologiche sconosciute più rapidamente di quanto gli attuali sistemi di provenienza siano stati costruiti per classificarle.
I modelli generativi possono proporre sequenze proteiche che differiscono nettamente dagli esempi naturali conosciuti. Questa capacità sostiene la scoperta di farmaci e la ricerca biologica, ma complica lo screening al confine tra digitale e fisico.
Un ricercatore normalmente invia una sequenza di DNA a un fornitore di sintesi prima di produrre una proteina progettata. I fornitori sottopongono gli ordini a screening confrontandoli con database contenenti rischi biologici noti. Lo screening tradizionale dipende spesso in parte dalla somiglianza tra una sequenza ordinata e materiale pericoloso noto.
I progetti innovativi indeboliscono questa assunzione. Una sequenza sconosciuta potrebbe rappresentare ricerca legittima, un organismo naturale non ancora scoperto o un oggetto ingegnerizzato che richiede un esame più approfondito. Una bassa somiglianza non stabilisce automaticamente quale sia la spiegazione corretta.
Google DeepMind sostiene che una filigrana rilevabile possa fornire contesto aggiuntivo. Un fornitore di sintesi potrebbe determinare che una sequenza proviene da un modello partecipante con salvaguardie e controlli sui clienti definiti.
Questo segnale non certificherebbe la sicurezza. Potrebbe aiutare chi effettua lo screening a distribuire l'attenzione separando gli output riconosciuti dei modelli dalle sequenze non spiegate. James Diggans, vicepresidente per le politiche e la biosicurezza di Twist Bioscience, ha descritto la filigranatura come uno strumento aggiuntivo per concentrare le risorse di screening.
La pressione non è puramente ipotetica, sebbene le stime del pericolo immediato restino controverse. Precedenti lavori computazionali hanno rilevato che una riprogettazione assistita dall'IA potrebbe produrre sequenze destinate a eludere lo screening basato sulla somiglianza.
Una successiva valutazione del NIST ha aggiunto un importante elemento di cautela. I suoi ricercatori hanno rilevato che i sistemi contemporanei potevano generare omologhi sintetici strutturalmente simili senza preservare in modo affidabile l'attività biologica.
Il NIST ha concluso che gli strumenti attuali non erano ancora costantemente in grado di riscrivere una proteina mantenendone l'attività ed eludendo lo screening. Ha inoltre rilevato che la validazione sperimentale richiede tempo, competenze e risorse considerevoli.
SynthID Bio dovrebbe quindi essere inteso come infrastruttura anticipatoria. Affronta un problema di provenienza che diventa più urgente con il miglioramento dei modelli di progettazione, non dimostra l'esistenza di una crisi biologica incontrollata oggi.
I database scientifici affrontano un'altra versione dello stesso problema. I record di Protein Data Bank, UniProt e GenBank alimentano strumenti di ricerca, pipeline bioinformatiche e successive generazioni di modelli di machine learning.
La presentazione pubblica favorisce un'ampia partecipazione scientifica. Crea però anche opportunità affinché voci sintetiche vengano etichettate erroneamente come osservazioni naturali o supportate da metadati falsi.
Record errati possono contaminare i risultati di ricerca e i corpora di addestramento. Possono anche distorcere l'analisi della sicurezza quando gli strumenti di screening si basano sulle stesse raccolte di riferimento condivise.
Una filigrana potrebbe indurre i curatori di database a richiedere prove di supporto o a etichettare una voce come generata dall'IA. Ciò preserverebbe dati sintetici utili senza presentarli come sequenze osservate in natura.
La posta in gioco va oltre un singolo sistema di Google. La provenienza diventa infrastruttura solo quando sviluppatori indipendenti di modelli, aziende di sintesi, repository e ricercatori possono interpretare segnali compatibili secondo regole concordate.
Senza tale coordinamento, SynthID Bio rimane un marcatore tecnicamente interessante all'interno di un sistema frammentato di informazioni biologiche.
Come Google DeepMind inserisce filigrane in sequenze e strutture
SynthID Bio nasconde la provenienza nelle scelte che un modello compie già, ma la filigranatura di sequenze e strutture richiede compromessi diversi.
La generazione di sequenze proteiche è probabilistica. In ogni posizione, un modello può spesso scegliere tra diversi amminoacidi plausibili mantenendo il ripiegamento previsto. Questa flessibilità crea spazio per una filigrana statistica.
SynthIDBio-sequence adatta il campionamento a torneo della tecnologia testuale SynthID. Il processo di campionamento favorisce delicatamente scelte selezionate di amminoacidi secondo una chiave segreta di filigranatura.
Un rilevatore verifica in seguito se tali scelte favorite compaiano più spesso di quanto il caso prevederebbe. La sequenza non contiene un'etichetta visibile né un tag aggiunto. Il suo pattern è distribuito nell'intero progetto generato.
Google DeepMind ha testato impostazioni sia distorsive sia non distorsive. Il campionamento distorsivo modifica la distribuzione dell'output per rafforzare il segnale. Il campionamento non distorsivo mira a preservare la distribuzione originale del modello su molte generazioni.
Il sistema filtra inoltre i candidati generati usando un punteggio di filigrana. I progetti al di sotto di una soglia di rilevabilità scelta possono essere scartati prima che inizi la più costosa validazione strutturale.
Ciò crea un compromesso diretto in termini di costi. In una configurazione testata, garantire il rilevamento completo con un tasso di falsi positivi dello 0,1 percento ha ridotto del 41,7 percento il tasso di superamento dei candidati.
Questa riduzione richiede circa il 71,5 percento di candidati iniziali in più per produrre lo stesso numero di candidati che superano il filtro della filigrana. I ricercatori affermano che l'onere pratico è rimasto trascurabile perché i candidati scartati hanno evitato la più costosa fase di validazione con AlphaFold 3.
La filigranatura delle strutture segue un'altra strada. AlphaFold 3 prevede coordinate atomiche tridimensionali attraverso un processo di diffusione, che trasforma iterativamente il rumore in un modello molecolare strutturato.
I ricercatori hanno sottoposto a fine-tuning una parte di quella rete di diffusione con un obiettivo aggiuntivo di filigranatura. Un rilevatore separato ha imparato a distinguere le strutture filigranate dalle previsioni ordinarie e dalle strutture sperimentali di riferimento.
L'incorporazione di questo comportamento nei pesi del modello offre un vantaggio importante. Una persona che esegue il modello modificato riceve previsioni filigranate senza applicare un passaggio separato di post-elaborazione.
Google DeepMind riporta tassi di rilevamento superiori al 99,8 percento con un tasso di falsi positivi dello 0,1 percento nei tre modelli testati. All'impostazione raccomandata, le principali misure di accuratezza strutturale non sono diminuite rispetto al riferimento AlphaFold 3.
Il rilevatore usa caratteristiche geometriche quali distanze tra atomi e angoli torsionali. Queste caratteristiche rendono la firma naturalmente resistente alla rotazione o alla traslazione dell'intera struttura.
È inoltre rimasta rilevabile dopo piccoli disturbi nelle coordinate. Questo è importante perché i formati di file comuni arrotondano le coordinate atomiche e le pipeline scientifiche trasformano frequentemente i file strutturali.
I due metodi distribuiscono quindi il controllo in modo diverso.
Filigranatura delle sequenze
Si integra nel processo di campionamento di ProteinMPNN.
Non richiede modifiche ai pesi del modello sottostante.
Può generalizzare a generatori di sequenze autoregressivi simili.
Può anche essere disabilitata o rimossa più facilmente.
Filigranatura delle strutture
Richiede il fine-tuning di una parte di un modello di diffusione.
Incorpora il comportamento di filigranatura nei pesi del modello.
Rimane attiva quando tali pesi modificati vengono condivisi.
Dipende più strettamente dall'architettura del modello e dal processo di addestramento.
Il meccanismo è collegato a ricerche precedenti, ma non è la prima proposta di watermarking per proteine. Il progetto FoldMark del 2024 ha testato watermark strutturali su diversi modelli di previsione e progettazione.
FoldMark ha riportato alti tassi di recupero per codici brevi incorporati e resistenza a diverse modifiche simulate. Tuttavia, è rimasto uno studio computazionale e ha mostrato prestazioni più deboli in presenza di importanti cambiamenti strutturali.
Il contributo più chiaro di SynthID Bio è il collegamento tra provenienza e funzione sperimentale. I test di legame in laboratorio forniscono all'approccio basato sulla sequenza evidenze che i soli punteggi strutturali non possono offrire.
Il vero avversario è la provenienza rimovibile
Il test centrale non è se SynthID Bio possa marcare una proteina, ma se il marchio sopravviva a utenti che hanno motivi per rimuoverlo.
I ricercatori hanno testato direttamente un attacco di risequenziamento con ProteinMPNN. Un attaccante parte dalla struttura di una proteina con watermark e genera una nuova sequenza di amminoacidi che dovrebbe preservare quella struttura.
Su 38.396 leganti, il risequenziamento ha in larga misura rimosso il watermark di sequenza. Non si tratta di una limitazione marginale. Le versioni di ProteinMPNN accessibili via browser riducono il livello di competenza necessario per eseguire la trasformazione.
L'attacco comporta anche un costo biologico, conferendo al watermark un certo valore difensivo. Secondo stime derivate dagli esperimenti di laboratorio, il risequenziamento ha ridotto i tassi di successo attesi dei leganti.
Con filtri strutturali, i tassi di successo stimati sono scesi al 97 percento per il target SARS-CoV-2, al 70 percento per PD-L1 e al 66 percento per VEGF-A. Senza tali filtri, i tassi sono scesi rispettivamente al 33, 20 e 3 percento.
Queste cifre descrivono leganti selezionati e una pipeline di attacco valutata. Non dovrebbero essere generalizzate a ogni proteina, target o strategia avversaria.
Ciononostante, illustrano l'argomentazione di sicurezza di Google DeepMind. Un watermark non deve essere impossibile da rimuovere se la rimozione impone un costo utile, incertezza o degrado funzionale.
Questa logica ricorda il più ampio modello di sicurezza dell'industria della sintesi genica. Lo screening innalza le barriere e aumenta la probabilità di rilevamento. Non garantisce che ogni tentativo dannoso fallirà.
Tuttavia, la provenienza funziona diversamente dal controllo degli accessi. Un utente malevolo può scegliere un modello senza watermark, disabilitare il watermarking della sequenza o rigenerare un progetto esistente. L'assenza di un segnale dice quindi molto poco.
Questa asimmetria crea il problema dell'adozione. Gli sviluppatori collaborativi possono etichettare i propri output, mentre gli attori deliberatamente non collaborativi restano fuori dal sistema.
Anche il watermark strutturale presenta modalità di fallimento. Un lieve rumore nelle coordinate ha lasciato intatta gran parte del suo segnale, ma un rilassamento molecolare vincolato ha distrutto il watermark testato.
Il rilassamento modifica le coordinate atomiche verso una configurazione fisica localmente favorevole. È una normale operazione scientifica, non necessariamente prova di manomissione dolosa.
Google DeepMind afferma che l'addestramento futuro potrebbe incorporare il rilassamento per migliorare la resilienza. Fino ad allora, l'elaborazione ordinaria a valle può cancellare il segnale strutturale in alcune condizioni.
Entrambi i metodi attuali sono watermark a zero bit. Comunicano la presenza di una firma, ma non codificano informazioni dettagliate come l'identità di un utente, il momento della generazione o il record di un progetto.
Il rilevamento si basa inoltre su chiavi segrete condivise con parti fidate. La verifica pubblica richiederebbe nuovi metodi a chiave pubblica e standard per distinguere i watermark di diversi fornitori.
I risultati errati hanno conseguenze operative. Un falso negativo può consentire l'ingresso di dati etichettati erroneamente in un repository. Un falso positivo può attivare una revisione aggiuntiva o suggerire erroneamente che i ricercatori abbiano usato l'IA.
In un flusso di lavoro di biosicurezza, le conseguenze possono invertirsi. Trattare un marchio rilevato come prova di affidabilità potrebbe ridurre l'esame di una sequenza che merita un'ispezione più approfondita.
L'articolo di ricerca discute esplicitamente queste scelte di soglia. Elevate garanzie di rilevamento possono richiedere di scartare più candidati generati, aumentando il calcolo necessario e rallentando il lavoro legittimo.
SynthID Bio non è dunque un certificato di sicurezza. Non determina se una proteina sia dannosa, efficace, prodotta eticamente o supportata da evidenze sperimentali valide.
Risponde a una domanda più circoscritta: questa sequenza o struttura porta la firma statistica associata a una pipeline di generazione partecipante?
Questa risposta può supportare una decisione di sicurezza, ma non può sostituirla.
Il rilevamento delle proteine generate dall'IA richiede regole condivise
Un watermark diventa utile solo quando le istituzioni concordano su chi possa rilevarlo, cosa significhi il rilevamento e quale azione ne debba seguire.
Google DeepMind presenta SynthID Bio come uno strato di un sistema di difesa più ampio. Gli altri strati includono salvaguardie del modello, verifica dei clienti, screening delle sequenze, controlli di accesso e revisione sperimentale.
Questo approccio a strati è appropriato perché ogni intervento ha punti ciechi. Un watermark viaggia con l'oggetto progettato, mentre i registri degli account restano presso il servizio che lo ha generato.
I metadati possono fornire un contesto più ricco, incluse versioni del modello e timestamp. Tuttavia, i normali metadati possono essere rimossi, alterati o separati dalla sequenza sottostante.
I registri centrali offrono un'altra opzione. Gli sviluppatori potrebbero registrare hash o sequenze complete di progetti generati dall'IA in un repository controllato. Gli operatori di screening potrebbero interrogare quel record durante la revisione di un ordine.
I registri sollevano preoccupazioni sulla privacy e sulla proprietà intellettuale. Richiedono inoltre un operatore fidato e corrispondenze affidabili su scala enorme. Sequenze leggermente modificate possono complicare la ricerca esatta.
I watermark scambiano registri dettagliati con prove incorporate. Possono sopravvivere alla copia perché il segnale risiede nella sequenza o nelle coordinate previste. La loro utilità dipende comunque dall'accesso a un rilevatore valido.
Ciò rende la governance importante quanto l'accuratezza del rilevamento. I gestori delle banche dati hanno bisogno di procedure per risultati contestati. I fornitori di sintesi necessitano di regole che impediscano a un watermark di diventare un'approvazione automatica.
Gli sviluppatori di modelli hanno bisogno di schemi compatibili che non interferiscano tra loro. I ricercatori necessitano di politiche di divulgazione che distinguano una provenienza utile dalla sorveglianza punitiva.
Il settore non dispone ancora di una distinzione consolidata tra la provenienza della sequenza e quella della struttura. Un modello può generare una struttura, un altro strumento può progettarne la sequenza e un terzo sistema può ottimizzare le proprietà di laboratorio.
Ogni trasformazione può introdurre un nuovo creatore e rimuovere le prove di una fase precedente. Una singola firma binaria non può rappresentare questa catena completa.
Un sistema futuro potrebbe combinare watermark, metadati firmati, registri di audit e record dei repository. Ogni livello potrebbe documentare una parte diversa della storia dell'oggetto.
Questo approccio ricorda il lavoro sulla provenienza dei media digitali, ma la biologia pone interrogativi più difficili. Un file multimediale resta informazione, mentre una sequenza proteica può diventare una molecola fisica e riprodursi attraverso materiale genetico codificato.
Google DeepMind sta già testando questo confine. Afferma che il lavoro in corso con l'Hie lab di Stanford e Arc Institute ha aggiunto SynthID Bio a Evo 2.
Il team lo ha utilizzato per inserire un watermark nel genoma di un batteriofago progettato dall'IA, un virus che infetta i batteri. I primi test in coltura avrebbero rilevato che i fagi con watermark restavano funzionali.
Questo risultato non ha ancora stabilito un metodo generale per la provenienza genomica. Un genoma contiene geni interagenti, regioni regolatorie e pressioni evolutive che vanno ben oltre un singolo legante progettato.
Mostra però la direzione della ricerca. L'obiettivo non è soltanto un'etichetta per file proteici isolati. È una provenienza persistente per sistemi biologici progettati dall'IA sempre più complessi.
Anche gli sforzi tecnici indipendenti modelleranno ogni eventuale standard. FoldMark esplora codici strutturali specifici per utente, mentre altri ricercatori propongono database di sequenze, record firmati e salvaguardie a livello di modello.
Nessuna singola azienda dovrebbe definire da sola la provenienza biologica. Un sistema credibile richiede la partecipazione di repository scientifici, fornitori di sintesi, laboratori indipendenti, organizzazioni di standardizzazione e molteplici sviluppatori di modelli.
L'introduzione di SynthID Bio avvia questa negoziazione con evidenze fisiche. Non conclude il lavoro istituzionale necessario per rendere affidabile il segnale.
Cosa viene dopo l'introduzione di SynthID Bio
Tre segnali determineranno se questa prova di concetto diventerà un'infrastruttura utile o resterà un risultato di laboratorio.
Il primo segnale è la replica indipendente su classi proteiche più ampie. I ricercatori devono testare enzimi, candidati terapeutici, anticorpi e complessi più grandi in flussi di lavoro di ottimizzazione realistici.
Il successo rafforzerebbe l'affermazione che il watermarking possa preservare la funzione oltre i leganti selezionati. Fallimenti concentrati in particolari famiglie proteiche definirebbero dove la provenienza deve ricorrere ad altri metodi.
Il secondo segnale è una maggiore resistenza alle trasformazioni di routine. I marchi di sequenza devono sopravvivere meglio al risequenziamento parziale, mentre quelli strutturali devono resistere al rilassamento e ad altre elaborazioni scientifiche standard.
La resistenza non può arrivare a qualsiasi costo. Marchi più forti che riducessero il legame, la stabilità, la diversità o l'accuratezza del modello comprometterebbero la ricerca che intendono proteggere.
Il terzo segnale è l'adozione istituzionale. I fornitori di sintesi del DNA e i repository biologici devono pubblicare politiche chiare per rilevare i watermark e rispondere ai risultati.
Questa adozione deve includere salvaguardie contro la falsa fiducia. Una firma riconosciuta dovrebbe contribuire con evidenze sull'origine, non giustificare l'esenzione dalla revisione di sicurezza. Una firma assente non dovrebbe essere trattata come prova di intento malevolo.
Anche il rilevamento a chiave pubblica cambierebbe materialmente il quadro dell'adozione. Potrebbe consentire a più istituzioni di verificare i marchi senza ricevere la chiave segreta di uno sviluppatore di modelli.
Tuttavia, una verifica più ampia introduce nuovi rischi. Gli attaccanti potrebbero ottenere maggiori informazioni sul comportamento del rilevatore e fornitori incompatibili potrebbero generare segnali sovrapposti o confusi.
La comunità di ricerca avrà bisogno di benchmark che coprano rilevabilità, preservazione funzionale, costo della rimozione e comportamento dei falsi positivi. I test in laboratorio dovrebbero restare centrali, poiché i punteggi di qualità computazionali non possono garantire l'attività biologica.
Dovrebbe inoltre separare la capacità attuale dal rischio previsto. Lo studio sui rischi delle proteine IA alla base della valutazione del NIST ha individuato seri interrogativi sullo screening, ma i risultati sperimentali hanno mostrato limiti importanti nei sistemi attuali.
Queste evidenze sostengono una preparazione misurata. Una migliore provenienza può arrivare prima che gli strumenti di progettazione superino in modo affidabile ogni vincolo biologico.
Per gli sviluppatori e le organizzazioni di ricerca, la lezione immediata è pratica. Registrate le versioni dei modelli, le fasi di progettazione, i filtri e la validazione sperimentale insieme alle sequenze generate. Non aspettate che un singolo watermark riporti l'intera storia.
Per i gestori delle banche dati, la priorità è definire come le voci generate dall'IA debbano essere etichettate e revisionate. Il problema della provenienza esiste anche quando non avviene alcun attacco deliberato.
Per i fornitori di sintesi, SynthID Bio offre un potenziale segnale di triage. Il suo valore dipenderà dall'integrazione con lo screening delle sequenze e i controlli sui clienti, non dalla sostituzione di nessuno dei due livelli.
L'introduzione di SynthID Bio rende visibile un presupposto nascosto: la biologia progettata dall'IA necessita di una memoria affidabile di come sia stato creato ciascun oggetto. La questione aperta è se il settore costruirà collettivamente tale memoria.
Nei prossimi mesi, osservate le repliche indipendenti in laboratorio, una maggiore resistenza alla manomissione e piani di adozione pubblicati da repository o aziende di sintesi. Questi sviluppi mostreranno se il watermark potrà passare da un modello di Google DeepMind a una pratica scientifica condivisa.
