AREX Feed Article
AI 写出了第一种自然界不存在的病毒：16 个新噬菌体诞生，Science 同日警告「治理没跟上」
图片来源：Prof. Graham Beards (CC BY-SA)，经 转载
2026 年 8 月 6 日凌晨，斯坦福大学的博士生 Samuel King 盯着实验室里一排培养皿。培养皿上铺着一层大肠杆菌；几个小时前，他把 AI 设计的全新噬菌体基因组装进了这些细菌里。
现在，培养皿上出现了一个个清晰的透明斑点。那是噬菌体正在吞食细菌的迹象。
「我们开始看到这些透明斑点，那一刻极其激动。」King 在事后向 回忆。当结果分享给整个团队时，通讯作者、斯坦福大学化学工程助理教授 Brian Hie 记得，「房间里自发地爆发出掌声。」
在生成式 AI 的发展史上，这是一次从「比特」到「原子」的跨越。此前，AI 设计过单个蛋白质、优化过基因片段、创造过新的抗生素分子。但写出一个完整的、能自我复制的病毒基因组，从未有人做到。
8 月 6 日正式发表在 上的这项研究，证明了生成式 AI 已经跨过了这道门槛。而在同一期期刊上，约翰·霍普金斯大学的生物安全专家发表了一篇措辞紧迫的评论， 等媒体当天即报道了这一双重用途风险：能设计病毒的工具已经有了，治理它的规则还没有。
700,000 个候选序列，16 个活了下来
论文由 Samuel H. King 担任第一作者、Brian Hie 担任通讯作者，来自斯坦福大学和 Arc Institute 的 8 名研究人员共同完成。
Hie 同时是斯坦福大学化学工程助理教授和 Arc Institute 的创新研究员。Arc Institute 是帕洛阿尔托一家以「高风险、高回报」研究定位的非营利机构。
团队使用的核心工具是两个基因组语言模型：Evo 1 和 Evo 2。它们的原理与大语言模型相似，区别在于，Evo 预测的不是下一个单词，而是下一个 DNA 碱基。模型首先在超过 200 万个噬菌体基因组的大规模数据上完成预训练，随后又在 ΦX174 噬菌体家族（Microviridae 科）的 14,466 条序列上进行了精调。
ΦX174 是生物学界最经典的模式生物之一，其基因组仅约 5,386 个核苷酸，编码 11 个基因，专门感染大肠杆菌 C 株，一种对人类和动物完全无害的实验室菌株。
研究流程分为四步：Evo 模型首先生成约 700,000 个候选基因组序列；计算筛选后保留约 300 个最有希望的设计；研究团队在实验室中合成了其中 285 个设计的 DNA，并组装进大肠杆菌。
最后，通过感染实验验证哪些设计能产生真正的功能性病毒。结果是 16 个。
这 16 个新型噬菌体的基因组与自然界已知的任何噬菌体都有显著差异。其中一个编号为 Evo-Phi2147 的设计携带了 392 个全新突变，与最接近的自然近亲 NC51 的序列相似度仅为 93.0%。在全部 16 个成功设计中，有 13 个含有在任何已知自然序列中都不存在的突变。
「在生物学上可成立的 DNA 序列只占所有理论上可能序列的极小一部分，」Hie 告诉 。模型的训练数据让 AI 学会识别哪些序列在进化中得以保留，从而引导设计走向可能存活的基因组。
Hie 还向 透露，团队要求模型「一次性从左到右生成完整基因组，我们没有添加任何东西。」
写出进化没试过的句子
部分 AI 设计的噬菌体在杀死大肠杆菌的表现上优于自然模板 ΦX174。更关键的是，当研究团队将多种 AI 噬菌体混合成「鸡尾酒」后，它们成功杀死了已对天然 ΦX174 产生耐药性的大肠杆菌菌株。这意味着 AI 不仅能复制进化已有的方案，还能找到进化从未抵达的解法。
另一个突出的例子是 Evo-Phi36。研究团队在其中整合了来自远缘噬菌体 G4 的一个 DNA 包装蛋白基因。这一组合此前曾难倒了人类科学家的理性工程尝试，Evo 模型做到了。
King 将这一定位为概念验证，他告诉 ，这是「关于 AI 引导的基因组设计可能性的概念验证」。论文结论则强调，真正重要的不是这 16 个噬菌体本身的特性，而是证明了 AI 可以设计出具有预定功能的、完整的新生物学实体。
该技术最直接的医学前景是噬菌体疗法（phage therapy）。随着抗生素耐药性成为全球公共卫生危机，用专门感染并杀死特定细菌的噬菌体来替代抗生素，一直是科学家追逐的方向。而 AI 能够快速生成自然界中不存在、细菌未曾「见过」的新噬菌体，理论上有望化解耐药性困境。
Stanford + Arc Institute，开源模型的野心与自觉
该方法的核心内容早在 2025 年 9 月就以预印本形式发布在 bioRxiv 上。此次通过 Science 的正式同行评审，意味着独立专家对实验方法和结果进行了核验。在涉及双重用途风险的研究中，这一步尤其关键。
Evo 2 是开源模型。研究团队在论文中表示，将模型公开的公共健康收益超过了被滥用的风险，即「用 Evo 2 这样的工具来应对现有的天然病原体」。
团队的安全自觉体现在多个层面。模型的训练数据已刻意排除所有可感染人类、动物和植物的病毒序列，这意味着 Evo 从底层就无法生成对人类构成威胁的病原体。实验全程在安全实验室中进行，研究目标也限定为仅感染大肠杆菌的噬菌体。
但正如约翰·霍普金斯大学健康安全中心的 Moritz Hanke 在接受 采访时所指出的：这些措施是研究者的「自觉」，不是强制要求。没有任何法规要求未来的使用者必须同样谨慎。
一篇文章，两套结论
西班牙庞培法布拉大学合成生物学实验室的 Marc Güell 教授称这项研究是「一个非常重要的转折点」，因为「有史以来第一次，我们开始在计算机上设计生物学」。
曼彻斯特生物技术研究所合成基因组学主席 Patrick Cai 称其为「重要里程碑」，并指出其意义「远不止噬菌体——它表明基因组语言模型正在开始学习进化编码的设计原理。」
但同一期 Science 上还刊登了另一篇文章。
约翰·霍普金斯大学健康安全中心的 Thomas Inglesby 和 Moritz Hanke 撰写了一篇 Perspective 评论。他们写道：
两位专家随后给出了最直白的判断：「通过生成式 AI 组成病毒基因组的能力现在已经存在；安全引导它的治理框架却不存在。」
他们的核心关切并不在 AI 模型本身。Evo 已经被设计为无法产出危险序列。真正的问题在「下游」：当一张合成 DNA 的订单发往商业合成公司时，谁来筛查订单中的序列是否危险？目前，全球范围内的 DNA 合成筛查仍以行业自愿为主，缺乏法律强制力。
最后一道防线不在模型里
从 ΦX174 的约 5,400 个碱基对到已知最简单活细胞基因组的约 50 万个碱基对，再到人类的 30 亿个。Hie 对 BBC 表示，尝试更简单生物的完整基因组设计「可能需要大量工作，但不是不可能」，他的团队「绝对有兴趣朝这个方向努力」。
但眼下最紧迫的问题不在实验室。一个拒绝输出危险序列的 AI 模型只是一道防线。真正把任何设计（无论出自 Evo 还是任何其他工具）变成一瓶活病毒的环节，是 DNA 合成。
目前，这一环节在全球绝大多数国家不受法律强制筛查。
在同一期期刊上，Inglesby 和 Hanke 将矛头对准了这一点。他们呼吁的不是限制 AI 模型的开发，而是对合成遗传物质订单实施法定筛查。
正如一篇 所总结的：「模型已经拒绝设计它不该设计的东西。留给监管者的开放问题是：下游的合成步骤是否会获得同等的法律严肃性。」