NewsKategorienWissenNewsletter-ArchivEvents
AnmeldenKostenlos abonnieren
JEDEN MONTAG
Die wichtigsten KI-News der Woche — in 5 Minuten.

Der wöchentliche KI-Newsletter für die Schweiz. Kompakt, relevant, zero Bullshit. 5 Minuten lesen, 1 Woche informiert.

FOLGE UNS
LIXIG
NAVIGATION
KI NewsArchivNewsletter-ArchivAutorenÜber unsKontakt
KATEGORIEN
KI-ForschungKI-BusinessRegulierung & EthikKI in der SchweizKI-Tools & AppsNeue Modelle
WISSEN & REFERENZ
KI-GlossarKI-Events SchweizEvent einreichenLLM-VergleichSchweizer KI-StartupsFirmen & OrganisationenKI-Regulierung SchweizKI-Rechenzentren SchweizKI in der VerwaltungApertus in der Praxis
RECHTLICHES
ImpressumDatenschutzAGB
© 2026 Inoo GmbH · Altstätten SG · Schweiz
Ein Produkt von InooSwiss Made Software
HOME·NEWS·KI-FORSCHUNG

DeepMind markiert KI-Proteine: 100 % Detektion, Funktion bleibt

Google DeepMind hat in Nature SynthID Bio vorgestellt, ein Wasserzeichen für KI-designte Proteine. Laut Paper erkennt es Sequenzen mit 100 % Trefferquote bei 0,1 % Fehlalarm, ohne die Funktion zu stören. Entfernbar ist es aber trotzdem.

Pascal Eugster
Pascal Eugster
GRÜNDER & ENTWICKLER
2. OKTOBER 2026
3 MIN. LESEZEIT
Tuschskizze eines elektroblauen Proteinbands neben Lupe und DNA-Doppelhelix
Tuschskizze eines elektroblauen Proteinbands neben Lupe und DNA-Doppelhelix
INHALT
01Zwei Wasserzeichen, ein Prinzip02100 Prozent bei 0,1 Prozent Fehlalarm03Was das Wasserzeichen nicht kann04Biosecurity und der Blick nach Zürich und Lausanne
INHALT
01Zwei Wasserzeichen, ein Prinzip02100 Prozent bei 0,1 Prozent Fehlalarm03Was das Wasserzeichen nicht kann04Biosecurity und der Blick nach Zürich und Lausanne
in
PARTNER · INOO GMBH
Wie viel KI verträgt dein Betrieb? In 30 Minuten Klartext.

Kostenloses Erstgespräch — herstellerneutral, direkt aus dem Rheintal.

Gespräch buchen →
DAS WICHTIGSTE IN KÜRZE

Das Wasserzeichen belegt die Herkunft unveränderter KI-Proteine, schützt aber nicht vor absichtlicher Entfernung und ersetzt kein DNA-Screening.

Google DeepMind hat am 30. September 2026 in Nature ein Wasserzeichen für KI-designte Proteine vorgestellt. SynthID Bio versteckt eine Signatur direkt in der Aminosäuresequenz oder in der 3D-Struktur eines Proteins, und das Protein funktioniert danach im Labor weiterhin. Der Gedanke dahinter: Wenn KI-Modelle neue Eiweisse entwerfen, soll sich später nachweisen lassen, woher eine Sequenz stammt.

Zwei Wasserzeichen, ein Prinzip

Bei Sequenzen baut das Team das Verfahren «Tournament Sampling» ein, das aus dem Text-Wasserzeichen SynthID-Text stammt. Es lenkt die Modelle ProteinMPNN (ein verbreitetes Programm, das zu einer vorgegebenen Proteinform passende Aminosäuresequenzen vorschlägt) beim Würfeln der Aminosäuren leicht in eine bestimmte Richtung. Bei Strukturen wird das Vorhersagemodell AlphaFold 3 (genauer: sein Diffusionsmodul) zusätzlich auf ein Wasserzeichen-Ziel trainiert, sodass die vorhergesagten Atomkoordinaten eine kaum sichtbare Signatur tragen.

100 Prozent bei 0,1 Prozent Fehlalarm

Laut Paper erkennt die Sequenzvariante Wasserzeichen mit 100 % Trefferquote bei 0,1 % Fehlalarmen. Die Strukturvariante liegt für alle getesteten Modelle über 99,8 %. Zur Funktion: Wasserzeichen-Binder gegen den Spike-Proteinteil (RBD) von SARS-CoV-2, gegen VEGF-A und gegen PD-L1 zeigten Bindungsstärken, die mit unmarkierten Gegenstücken vergleichbar waren. Beteiligt waren laut DeepMind unter anderem Adaptyv Bio, das Hie-Labor in Stanford und das Arc Institute. Code, Labordaten und Modellgewichte gibt es für die Forschung offen.

Was das Wasserzeichen nicht kann

Der Haken steht in Paper, Blog und Berichten offen drin:

WEITERLESENDas könnte dich auch interessieren.

Tuschskizze eines Schweissroboters in Elektroblau neben Stahlträger und Werkzeugtisch
  • Entfernbar: Wer ein markiertes Protein durch ein anderes Designtool schickt, kann eine funktionsgleiche Sequenz ohne Signatur erzeugen. Laut Paper ist die Sequenzvariante anfällig für «Resequencing» mit ProteinMPNN. Nature News hält fest, dass sich das Wasserzeichen entfernen lässt.
  • Nur Ja oder Nein: Es ist ein «Zero-bit»-Wasserzeichen. Es zeigt Präsenz an, aber nicht, welcher Nutzer das Protein erzeugt hat.
  • Strukturvariante: Sie ist laut Paper nicht robust gegenüber molekularer Relaxation.
  • Kosten: Damit die Erkennung sicher klappt, braucht es strengere Filter und damit mehr Rechenaufwand.
  • Kein Allheilmittel: DeepMind sagt selbst, das Wasserzeichen ersetze das Screening bei DNA-Synthese-Anbietern nicht. Es wäre eine zusätzliche Schicht. Die Autoren betonen, dass dafür branchenweite Koordination und Standards nötig sind.

Die 100 % gelten also für Proteine, die unverändert aus den markierten Modellen kommen. Wer absichtlich tarnen will, ist damit nicht aufgehalten.

Biosecurity und der Blick nach Zürich und Lausanne

Der Biosecurity-Bezug: Heute prüfen DNA-Synthese-Firmen Bestellungen vor allem per Abgleich mit bekannten Sequenzen. KI-Design kann neue, unbekannte Sequenzen erzeugen. Ein Wasserzeichen könnte zeigen, dass eine Bestellung von einem vertrauenswürdigen Modell stammt, oder KI-Sequenzen in öffentlichen Datenbanken kenntlich machen.

Für die Schweiz ist das mehr als Theorie, weil hier in genau diesem Feld geforscht wird. An der EPFL hat die Gruppe von Matteo Dal Peraro mit CARBonAra ein Modell entwickelt, das ebenfalls Proteinsequenzen aus einer vorgegebenen Struktur vorhersagt, und es mit Enzymvarianten im Labor getestet. An der ETH Zürich entwirft die Gruppe von Gisbert Schneider mit generativer KI Wirkstoffmoleküle anhand von Proteinoberflächen, getestet unter anderem mit Roche. Ob und wie Schweizer Gruppen SynthID Bio nutzen, ist nicht belegt. Auch eine eigene Schweizer Regel zu Wasserzeichen für KI-Proteine haben wir nicht gefunden.

Einordnung: Ein erster funktionierender Baustein, aber ohne Standards und ohne Schutz vor Manipulation kein Sicherheitsnetz.

Quellen

Function-preserving watermarking of AI-generated proteins (Nature, 30.09.2026)↗ EXTERNER LINKSynthID Bio (Google DeepMind Blog, 30.09.2026)↗ EXTERNER LINKSecret watermark labels proteins as 'made by AI' (Nature News, 30.09.2026)↗ EXTERNER LINKGoogle DeepMind's watermarked AI proteins still work in the lab (TNW, 01.10.2026)↗ EXTERNER LINKProteindesign mit einem neuen KI-gestützten Ansatz (EPFL, 07.08.2024)↗ EXTERNER LINKAI designs new drugs based on protein structures (ETH, 24.04.2024)↗ EXTERNER LINK
FIRMEN IN DIESEM ARTIKEL
GoogleEPFLETH Zürich
TEILEN
LinkedIn→X / Twitter→E-Mail→
KOSTENLOS ABONNIEREN
Diese News jeden Montag in dein Postfach?
Tuschskizze eines Schweissroboters in Elektroblau neben Stahlträger und Werkzeugtisch
KI-FORSCHUNG·2. OKTOBER 2026

Roboter können 74 % der körperlichen Aufgaben, rentabel sind 0.3 %

Anthropic hat gemessen, welche körperlichen Aufgaben Roboter heute übernehmen könnten: 74 %, das sind 34 % der Arbeitszeit. Kostengünstiger als Menschen sind sie aber nur bei 0.3 %. Bei heutigen Preistrends dauert es rund 40 Jahre bis 10 %.

Tuschskizze einer Wendeltreppe aus Zahnrädern und Platinen mit einem blau gefüllten Zahnrad im Zentrum
Tuschskizze einer Wendeltreppe aus Zahnrädern und Platinen mit einem blau gefüllten Zahnrad im Zentrum
KI-FORSCHUNG·29. SEPTEMBER 2026

22 KI-Forschende warnen vor einer «Intelligenzexplosion»

Geoffrey Hinton, Yoshua Bengio und OpenAI-Forschungschef Jakub Pachocki warnen in einem Papier vor einer Intelligenzexplosion. Automatisierte KI-Forschung könnte Jahre an Fortschritt in Monate pressen, die Politik brauche Einblick. Kritiker sehen auch Eigeninteresse der Labors.

Tusche-Skizze einer Küchenzeile: ein grosser elektroblauer Roboterarm greift nach einer Tasse, darunter eine offene Besteckschublade, dahinter Wasserkocher und Kartons.
Tusche-Skizze einer Küchenzeile: ein grosser elektroblauer Roboterarm greift nach einer Tasse, darunter eine offene Besteckschublade, dahinter Wasserkocher und Kartons. (Dark Mode)
KI-FORSCHUNG·28. SEPTEMBER 2026

Stanford steckt GPT-6 Astra direkt in einen Haushaltsroboter

Forschende aus Stanford und Caltech streichen bei ihrem Roboter die gelernte Steuerungsschicht und lassen ein Sprachmodell direkt die Bewegungsbefehle aussuchen. Was das taugt – und was die Demo verschweigt.

Illustration einer geöffneten Enigma-Chiffriermaschine auf einem Holzschreibtisch mit freiliegenden Rotoren, leeren Papierbögen und einer Schreibtischlampe, kinewsletter.ch Stil
Illustration einer geöffneten Enigma-Chiffriermaschine auf einem Holzschreibtisch mit freiliegenden Rotoren, leeren Papierbögen und einer Schreibtischlampe, kinewsletter.ch Stil
KI-FORSCHUNG·27. SEPTEMBER 2026

GPT-6 Astra knackt Enigma-Funkspruch von 1941 – in zwei Tagen

OpenAIs GPT-6 Astra hat einen deutschen Heeres-Funkspruch vom 10. Juli 1941 entschlüsselt, der seit 2005 als ungelöst galt. Das Modell suchte sich das Ziel selbst aus und schrieb Enigma-Simulator und Enigma-Bombe eigenständig in Python und C++. Dieselbe Autonomie ist der Grund, weshalb OpenAI seine leistungsfähigsten Modelle gerade gestoppt hat.

Illustration eines Vortragsraums mit leerem Rednerpult, Stuhl und einer erhobenen Hand im Publikum, kinewsletter.ch Stil
Illustration eines Vortragsraums mit leerem Rednerpult, Stuhl und einer erhobenen Hand im Publikum, kinewsletter.ch Stil
Nur für Abonnenten·KI-FORSCHUNG·27. SEPTEMBER 2026

Mit KI sagt fast niemand mehr «weiss nicht» – und liegt öfter falsch

Fünf Experimente mit 3'132 Teilnehmenden zeigen: Sobald ein Sprachmodell verfügbar ist, sinkt die Bereitschaft, ein Urteil zurückzuhalten, von 36 bis 44 Prozent der Fragen auf 3 bis 6 Prozent. Ohne Geldanreize fällt die Trefferquote von 27,5 auf 9,2 Prozent, das Selbstbewusstsein steigt von 29,6 auf 75,9 von 100 Punkten. Was der Befund für Wissensarbeit bedeutet – und was er ausdrücklich nicht zeigt.

Illustration eines geöffneten Getriebegehäuses auf einer Werkbank mit einem elektroblau hervorgehobenen Zahnrad, Schraubenschlüssel und Ölkännchen, kinewsletter.ch Stil
Illustration eines geöffneten Getriebegehäuses auf einer Werkbank mit einem elektroblau hervorgehobenen Zahnrad, Schraubenschlüssel und Ölkännchen, kinewsletter.ch Stil
KI-FORSCHUNG·27. SEPTEMBER 2026

Nvidias SoL-Pi senkt den Token-Verbrauch von Coding-Agenten fast um die Hälfte

Forschende von Nvidia, NTU und MIT senken den Token-Verbrauch von Coding-Agenten um 44,7 bis 49 Prozent – ohne ein besseres Modell. Optimiert wird der Harness, die Steuerungsschicht zwischen KI und Arbeitsumgebung. Auf Terminal-Bench 4 löst das System dafür weniger Aufgaben als zuvor.

Mehr aus KI-Forschung →