AREX Feed Article
斯坦福用 AI 从零造出病毒，约翰·霍普金斯：能造，但不知道怎么管
2026 年 8 月 6 日，斯坦福大学和 Arc Institute 的研究人员在《Science》期刊上发表了一项结果：他们用 AI 从零设计出了 16 种自然界从未存在过的功能性病毒，并在实验室里让它们成功复制、杀死细菌。
这些病毒是噬菌体，只攻击细菌，对人类无害。研究团队还特意在训练数据中剔除了所有能感染人类、动物和植物的病毒基因。但这些自发的安全措施恰恰暴露了一个更棘手的问题：没有任何一条法规要求他们这么做。约翰·霍普金斯大学健康安全中心的 Tom Inglesby 和 Moritz Hanke 在同期的评论文章中写道，"用生成式 AI 编写病毒基因组的能力已经存在；安全引导它的治理体系还没有。"
Brian Hie 和 Aditi Merchant 查看 Evo 2 模型生成的蛋白质结构。来源：Stanford University / Andrew Brodhead，引自
700,000 个设计中，16 个活了
研究的起点是一个名为 ΦX174 的天然噬菌体。它的基因组只有约 5,400 个碱基对，编码 11 个基因，是生物学中最简单的病毒之一，专门感染并杀死大肠杆菌。
斯坦福团队训练的两个基因组语言模型 Evo 1 和 Evo 2 以 ΦX174 为模板，生成了约 70 万个候选基因组序列。研究人员从中筛选出 285 个最有希望的候选，通过化学合成制成了真实的 DNA 分子，再把这些 DNA 送入大肠杆菌中。
不久之后，16 个培养皿里出现了透明的噬菌斑，病毒正在里面复制、裂解细菌。斯坦福生物工程博士生 Samuel King 在凌晨看到了这一幕。"我们开始看到这些透明的斑点，真的太激动了，"他告诉 。当结果分享给整个团队时，"房间里自发爆发出掌声"，项目负责人 Brian Hie 回忆道。
这 16 种 AI 设计的噬菌体不是天然噬菌体的弱化拷贝。牛津大学蛋白质化学家 Oliver Crook 在接受 采访时说："它们不是已有病毒的残次版本。"有些 AI 噬菌体的复制速度甚至超过了天然的 ΦX174。
更关键的是实用性。研究人员将 16 种 AI 噬菌体混合成"鸡尾酒"，成功杀死了两株已对天然噬菌体产生耐药性的大肠杆菌。冷冻电镜还揭示，其中一种 AI 噬菌体的衣壳内携带了一个在进化上相距甚远的 DNA 包装蛋白，这种组合在自然界中从未出现过（）。
Evo 是怎么学会写基因的
Evo 1 和 Evo 2 的运作方式与 ChatGPT 这类大语言模型类似，只不过它们预测的不是文字，而是 DNA 序列。
训练分两轮进行。第一轮，模型从约 9 万亿个核苷酸中学习，覆盖数百万种动物、植物、微生物和病毒的基因组，从中提取贯穿整个生命之树的序列模式。第二轮则聚焦于 ΦX174 的 11 个基因及其约 15,000 个近亲噬菌体的基因组，总计约 200 万个噬菌体基因组。研究团队刻意把所有能感染人类、动物和植物的病毒序列排除在训练数据之外。
与过去合成生物学"复制粘贴"已知基因的做法不同，Evo 模型在一次从左到右的推理中输出完整基因组。基因顺序、排列、调控元件全部由模型决定。Brian Hie 在接受 采访时说："我们想要模型一次性地、端到端地生成整个基因组。我们没有往里添加任何东西。"
曼彻斯特大学合成基因组学主席 Patrick Cai 称这项研究是"重要的里程碑"。他说其"意义远超噬菌体，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，为 AI 辅助基因组编写打开了大门"。
不过，16/285 的成功率也说明这项技术还远未成熟。Oliver Crook 同时提醒，AI "并没有发明任何从根本上是新的东西"。生成的噬菌体与天然物种高度相似，依赖相同的生物学机制。能否将同样的方法推广到其他病毒类型，目前还是一个开放问题。
"这是我们的新大陆"
Brian Hie 是斯坦福大学化学工程系的助理教授，同时担任 Arc Institute 的创新研究员。Arc Institute 是一家位于加州帕洛阿尔托的非营利研究机构，专注于"高风险、高回报"的长期科学项目。论文的第一作者 Samuel King 是斯坦福生物工程系的博士生。团队共八位作者。
Hie 对 说："这是生成式 AI 可设计复杂性的又一步。生成式 AI 第一次被用来设计完整的基因组，一种可以在细胞内复制并执行其他功能的东西。这对我们来说是全新的领域。"
King 则把这一步视为逻辑上的必然。"感觉就是显而易见的下一步，"他对《纽约时报》说。
西班牙庞培法布拉大学合成生物学实验室的 Marc Güell 教授评价这是"一个非常重要的转折点"，因为"人类历史上第一次，我们开始在计算机上设计生物学"。他说这项技术"让我们可以梦想令人兴奋的可能性，去应对人类最大的挑战"，从定制噬菌体治疗耐药菌感染，到设计酶用于基因疾病的替代疗法。
团队已将 Evo 2 模型公开发布。Hie 的立场是：让工具公开的收益大于被滥用的风险，使更多研究者能够用它应对天然病原体。
"治理不存在"
但并非所有人都愿意押注于善意。
约翰·霍普金斯大学的 Inglesby 和 Hanke 在《Science》同期评论中写道："虽然这对生命科学应用很有前景，但它也引发了紧迫的生物安全和生物安保问题。用生成式 AI 编写病毒基因组的能力已经存在；安全引导它的治理体系还没有。"他们警告，如果将这种方法延伸到能感染人类的病毒，理论上可能制造出"现有对策无法遏制的新型病原体"。
一个棘手的监管空白随之浮现。根据 报道，美国国立卫生研究院（NIH）在 2026 年 7 月底刚刚发布了一项针对高风险生命科学研究的新政策，禁止使病原体变得更危险的实验。但纯计算工作——即在计算机上设计病毒 DNA——不在管制范围内，"除非涉及受关注实体"。换句话说，坐在键盘前让 AI 生成一万个病毒基因组，在美国联邦层面不视为需要审批的高风险研究。
"这里存在着巨大的脱节，"Hanke 对《纽约时报》说。他设想了一种恶意使用场景："你可以说，'嘿，基因组语言模型，给我做一个传染性更强或致死性更高的流感基因组。'"
Hanke 对斯坦福团队自主采取的安全措施评价为"相当值得称赞"。但正是因为没有任何官方规定迫使他们这么做，这个评价才显得反讽。"因为他们从任何地方都得不到关于应该做什么的指导，"他说。
并非所有科学家都认为威胁迫在眉睫。帝国理工学院合成基因组工程教授 Tom Ellis 在 的采访中指出，噬菌体基因组"从字面意义上说是最小、最容易制造的基因组"。"老实说，当我们考虑到对现有病原体进行功能增益修改比 AI 全设计要容易得多、也更可能构成真正的致病威胁时，AI 全设计病毒或细菌基因组的威胁被严重夸大了。"
伦敦国王学院的生物安全专家 Filippa Lentzos 则认为监管不应只盯着 AI 模型本身，而应关注数字基因组转变为物理 DNA 分子的那个环节。"分层方法更有意义：围绕模型开发和访问的防护措施、负责任的研究审查、合成筛查，以及既有的实验室生物安全和生物安保。"
普林斯顿大学化学教授 Michael Hecht 的看法更哲学化。他通过《华盛顿邮报》表示（引自 ）："我觉得这非常令人不安和震撼。"他把机器生成全新生物设计这件事称为 "达尔文 2.0"。
斯坦福大学医学教授 Tina Hernandez-Boussard 则把警告集中在模型本身的不可控性上。"这些模型很聪明，"她说，"你必须记住，这些模型是为追求最高性能而构建的，所以一旦给它们训练数据，它们就可以覆盖防护措施。"
最小的基因组，最大的问题
ΦX174 的基因组只有 5,400 个碱基对。一个活细胞的最小基因组大约是 50 万个碱基对，人类基因组是 30 亿个。从噬菌体到活细胞，复杂度不是线性增长。纽约大学 Langone Health 的生物学家 Jef Boeke 对 形容，缩放后的复杂度"会从令人震惊暴涨到远超宇宙中亚原子粒子的数量"。
但 Brian Hie 已经对 BBC 表态，尝试更简单的生物体"可能需要大量工作，但并非不可能"，团队"绝对有兴趣朝这个方向努力"。
16 个 AI 设计的噬菌体在培养皿里吃掉了耐药大肠杆菌。这既是抗生素耐药时代的希望，也是一个无人看守的路口。