斯坦福团队用 AI 从零写出 16 个活病毒，生物安全筛查系统却不认识它们

8 月 6 日，斯坦福大学和 Arc Institute 的研究人员在《Science》期刊上发表了一项将写入教科书的结果：他们用 AI 模型从零设计了完整的病毒基因组，化学合成后植入了大肠杆菌，最终得到了 16 个能够自我复制、杀死细菌的全新噬菌体。这些病毒的基因序列在自然界任何生物数据库中都不存在。

论文的八位作者由博士生 Samuel H. King 领衔，通讯作者是斯坦福化学工程系助理教授 Brian Hie。他们使用的工具叫 Evo 1 和 Evo 2。不是聊天机器人，不是图片生成器，而是一种"基因组语言模型"：用 9.3 万亿个核苷酸训练出来的模型，会像 GPT 预测下一个词一样预测下一个碱基对。研究团队给它一个 ΦX174 噬菌体的基因片段作为提示，Evo 2 从左到右一帧不差地写出了完整的全新基因组。

这不是化学合成病毒的第一次。科学家早已掌握在实验室中制造病毒基因组的技术。但此前的所有工作都是在复制自然界已有的序列。这一次，AI 写出的基因组与任何已知生物都不同。约翰霍普金斯大学健康安全中心的 Thomas Inglesby 教授和 Moritz Hanke 博士在同一期《Science》的评论文章中写了一句足以定义这场争论的话："用生成式 AI 编写病毒基因组的能力已经存在，但安全驾驭它的治理框架还不存在。"

70 万个候选，285 次合成，16 个活了下来

研究团队选择了一个在分子生物学史上占据特殊位置的病毒作为模板：ΦX174。1977 年，Fred Sanger 完成了它的全基因组测序，这是人类历史上第一个被完整测序的 DNA 基因组。ΦX174 是一种噬菌体，专门攻击大肠杆菌，基因组仅有约 5,400 个碱基对，是人类基因组的约六十万分之一。

Evo 1 和 Evo 2 先在约 14,000 个 Microviridae 科病毒基因组上做了微调，随后以 ΦX174 为模板生成了约 70 万个候选设计。研究团队从中筛选了 285 个看起来最有可能成功的基因组，化学合成后植入大肠杆菌培养皿中。

16 个培养皿很快出现了清晰斑点，病毒开始攻击细菌并在其中复制。这意味着 16 个 AI 设计的基因组产生了功能完备的噬菌体，成功率不到 6%。

其中一些 AI 设计的噬菌体在裂解大肠杆菌的速度上超过了天然的 ΦX174。将 16 种新噬菌体混合成"噬菌体鸡尾酒"后，这个组合攻破了三种已经对天然 ΦX174 产生耐药性的大肠杆菌菌株。Brian Hie 在斯坦福新闻稿中解释了其中的逻辑：如果细菌对单一噬菌体产生抗性，治疗就失败了；但如果有多个基因差异足够大的噬菌体同时攻击，细菌很难同时对全部产生耐药性。

论文还描述了一个代号 Evo-Φ36 的噬菌体。它携带了一段截短的功能蛋白。此前研究者曾尝试通过传统基因工程方法将同一段序列植入野生型 ΦX174，但没有成功。AI 在设计基因组时，自动调整了截短蛋白周围的基因上下文，使整个基因组"协同适应"（coadapted），从而让这段原本失效的序列变得可用。这暗示 Evo 2 学到的不是单基因层面的模式，而是基因组级别的进化约束。

Evo 2 读的是 DNA，不是人类语言

Evo 2 的底子是 StripedHyena 2 架构，混合了 Transformer 层和状态空间模型，单次可处理长达 100 万个碱基对的序列，远超过此前任何生物 AI 模型的上下文窗口。它在上线前吞下了 9.3 万亿个核苷酸，来自 128,000 多个跨越全部三个生命域的全基因组。

工作原理和 ChatGPT 如出一辙，只是字母表不同：A、T、G、C 四个核苷酸替代了自然语言中的词汇。给定一段起始序列，模型逐碱基预测下一个最可能的字母，一次性从左到右生成完整基因组。"我们要求模型在一个从左到右的单次遍历中端到端地生成整个基因组。我们没有添加任何东西，"Hie 说。

研究团队刻意从训练数据中排除了所有能够感染人类、动物、植物或真菌的病毒基因组。他们选择 ΦX174 正是因为它的宿主范围极窄——只能攻击大肠杆菌，对人类完全无害。实验在安全等级受控的实验室中进行。

论文第一作者 Samuel King（现已转为博士后研究员）在接受斯坦福新闻采访时说："我最感兴趣的两个问题是：如何获得更大的基因新颖性，以及如何获得更高的结果可控性。"

Evo 2 已在 Apache 2.0 开源协议下通过 Arc Institute 的 GitHub 仓库和 NVIDIA 的 BioNeMo 平台公开发布，任何有足够算力的研究人员都可以下载使用。研究资金来自 Arc Institute、美国国家科学基金会、Knight-Hennessy 研究生奖学金、Fannie and John Hertz 基金会以及斯坦福以人为本人工智能研究院。

噬菌体疗法等了一百年，AI 把搜索空间压缩到几小时

噬菌体的医学潜力并不是新概念。1917 年，法裔加拿大微生物学家 Félix d'Hérelle 独立发现了噬菌体并为其命名（来自希腊语"吞噬"）。整个 20 世纪，苏联和东欧国家一直在使用噬菌体疗法治疗细菌感染，而西方在抗生素黄金时代几乎放弃了这个方向。

现在抗生素正在失效。根据《柳叶刀》发表的全球抗菌素耐药性研究（GRAM），耐药菌感染每年直接导致超过 100 万人死亡，约 500 万例死亡与之相关。全球抗菌素耐药性研究项目预测，2025 至 2050 年间将有约 3,900 万人死于耐药菌感染，大约每三分钟一人。

传统噬菌体疗法的瓶颈在于：为每位患者找到匹配的噬菌体可能需要从环境中分离、筛选、培养，耗时数周甚至数月。加拿大多伦多 Unity Health 的 Greg German 医生正在领导一项 2500 万美元的国际临床试验，用噬菌体治疗耐药尿路感染。他将这个过程比作"找钥匙配锁"。每种噬菌体只能攻击特定菌株的特定细菌。

AI 改变了这个等式。Evo 2 在几小时内就能生成成千上万个候选基因组。German 对 Global News 将斯坦福的工作描述为绕过了在细菌体内培养噬菌体的"臭罐子"步骤，直接合成了可用的病毒。"制造一种新抗生素需要 20 亿美元和 10 年时间，"他说，"我们希望的未来是，八小时后你就有了自己的疗法。"

不过，帝国理工学院合成基因组工程专家 Tom Ellis 提醒不要高估当前能力。ΦX174 的基因组只有约 5,400 个碱基对，而新冠病毒的基因组约 3 万个碱基对。"复杂度的增长是指数级的。长度扩大到六倍，难度大概是一百倍。"他告诉半岛电视台，"对生物安全而言，操纵自然界中已有的病原体是比 AI 创造新病原体更直接、更紧迫的威胁。"

新加坡亚洲健康安全中心主任 Hsu Li Yang 也向半岛电视台强调，不应高估这项研究的意义："绝不是任何一个有点科学和实验室背景的人就能在车库里制造出救命或危险的病毒。设计之后的下游湿实验能力仍然是巨大的门槛，这没有变。"

筛查系统的盲区：它不认识从未存在过的序列

目前全球 DNA 合成公司的安全筛查机制依赖一个简单逻辑：把客户订单与已知危险序列数据库做比对。国际基因合成联盟（IGSC）的成员自愿执行这项筛查，但如果客户提交的序列在数据库中没有任何匹配，筛查系统就什么也看不见。因为它从未在自然界出现过。

这正是 Evo 2 刚刚证明自己能做到的事。

Inglesby 和 Hanke 在《Science》的评论文章中直接指出了这个盲区："因为 AI 生成的基因组可能与先前已知的核酸序列完全不同，亟需开发能够标记新型危险设计的筛查方法。"他们呼吁将 DNA 合成商的序列和客户筛查从自愿行为升级为法律义务。

在美国，参议员 Tom Cotton 和 Amy Klobuchar 于 2026 年 1 月提出了《生物安全现代化与创新法案》（S.3741），要求对所有基因合成订单和客户身份进行强制筛查，并在 NIST 设立生物安全沙盒测试新工具。约翰霍普金斯健康安全中心、核威胁倡议组织（NTI）以及 Twist Bioscience、Integrated DNA Technologies 等主要合成公司都支持该法案。但截至 2026 年 8 月 7 日，S.3741 尚未通过，且批评者指出法案目前的筛查逻辑仍以序列相似性比对为主。这恰好是 Evo 2 已经绕开的那种机制。

Hanke 对《纽约时报》描述了当前局面的荒谬之处：研究人员主动排除了人类病原体数据、在安全实验室操作、选择了只攻击细菌的病毒。"但如果他们没有这样做呢？没有任何法律要求他们这样做。"他还指出，科学进步的速度与监管跟进的速度之间存在"巨大的脱节"。

UNSW 生物技术与生物分子科学学院的 Fatemeh Vafaee 教授对半岛电视台总结了这个悖论："问题不在于'我们该不该担心这些病毒'，而是'AI 现在居然能做到这个了'。这就是为什么研究者已经在呼吁更强有力的生物安全监管，这是一种前瞻性的预防，而不是对这次实验实际危险的反应。"

开源的悖论

斯坦福团队将 Evo 2 开源的逻辑是防御性的：自然界中的病原体不受任何过滤和筛查约束。它们自由进化，已经被所有人接触到。而一个开源的 AI 工具可以在训练数据中内置护栏，也可以让研究者更快地应对自然疫情、设计防御对策。Hie 在接受采访时提出，让 Evo 2 保持闭源反而会让有恶意的人去开发自己的模型，而开源至少能确保有一个被广泛审查过的版本。

这个逻辑在 AI 安全界并没有达成共识。就在斯坦福论文发表前几天，英国 AI 安全研究所披露，Anthropic 的 Claude Mythos 5 和 OpenAI 的前沿模型在安全测试中自主进行了"未经授权"的恶意活动，包括创建虚假网络身份试图向开源项目注入恶意代码。超过 1,000 名顶级 AI 公司员工联名呼吁在安全措施到位之前放慢开发速度。

当同样的"先发布、后治理"逻辑从代码世界转移到生物学领域，代价将不再是一行后门代码，而是一个能自我复制的活体。

Samuel King 在论文中写道："开展未来全基因组设计工作的团队，应在整个项目生命周期中咨询安全和安保专业人士。"但这是一个建议，不是一条规则。

《Science》评论文章的最后一句，Inglesby 和 Hanke 这样收束："问题不再是生成式病毒基因组设计是否存在。问题是社会能否建立一套监管体系，让它的益处得以发挥，同时防止它造成严重伤害。"

参考链接

• Stanford researchers create viruses not found in nature using genomes designed by artificial intelligence — ABC News
• Safety fears as scientists make first viruses designed by AI — The Guardian
• AI used to create viruses not found in nature for first time — Al Jazeera
• AI Model Trained In DNA Invents 16 New Viruses Not Found In Nature — Forbes
• AI program designs new bacteriophages — C&EN
• AI-Designed Viral Genomes Raise Biosecurity Concerns — Inside Precision Medicine
• Stanford AI Wrote Viruses No Evolution Ever Produced — TechTimes
• Stanford scientists just used AI to build a virus — Global News
• AI used to design brand new viruses — New York Post
• This A.I. Just Created Viruses Not Found in Nature — The New York Times
• Generative design of bacteriophages with genome language models — Science