2026年8月，一篇发表在《科学》上的论文，在合成生物学领域投下了一颗深水炸弹。斯坦福大学和Arc研究所的研究团队，用AI设计出了16种完全人工编写的功能性病毒基因组。这些病毒在实验室里活了过来，能高效杀死细菌。
媒体炸了锅。“AI首次设计出全新病毒”“安全担忧随之而来”——头条一个比一个惊悚。但如果你仔细看完这篇论文的全部细节，会发现一个关键问题被漏掉了：这些病毒，到底有多“新”？
答案是：新在方法，而非本质。AI没有凭空创造地球上从未存在的生命形态。它做了一件更微妙的事——读懂了进化36亿年写下的语法，然后用自己的话重新讲了一遍。
从蛋白质到基因组：AI生物设计的第三级台阶
要理解这项工作的意义，得先看清它站在哪一级台阶上。
过去五年，AI在生物设计领域的进展可以用“三级跳”来概括。第一跳是蛋白质结构预测——DeepMind的AlphaFold在2020年解决了蛋白质折叠问题，让AI“看懂”了蛋白质的三维形态。第二跳是蛋白质设计——2025年，EvolutionaryScale的ESM3设计出了一种与天然GFP序列差异达58%的新型荧光蛋白，相当于模拟了5亿年的进化。第三跳，就是现在：从设计单个蛋白质，到设计一整条基因组。
这是量级的跃迁。一个蛋白质通常由几百个氨基酸组成，而ΦX174噬菌体的基因组有5386个碱基对。虽然这在大自然中属于“微型”，但从AI设计角度看，它意味着模型需要同时协调11个基因的表达、调控序列的相互作用、以及整体基因组的结构稳定性——这和写一个句子与写一篇完整文章之间的差距类似。
研究团队使用的工具是Evo 1和Evo 2，两个由Arc Institute开发的基因组语言模型。Evo 2在超过12.8万个物种的基因组数据上进行了训练，涵盖细菌、古菌、植物、人类等所有生命领域，参数量达400亿，能处理长达100万个碱基对的序列。它的训练数据集OpenGenome 2包含了9.3万亿个核苷酸——如果把它比作学会了一门语言，那它掌握的不仅是单词和语法，而是整个“生命图书馆”的深层结构。
但光有通用模型还不够。研究团队对Evo进行了微调：他们从训练数据中提取了近15000个Microviridae科噬菌体的基因组，这个科正是ΦX174所属的家族。也就是说，AI在写新病毒之前，先“精读”了15000篇同类范文。
这种“预训练+微调”的范式，和大语言模型学会写诗、写代码的路径如出一辙。区别在于，AI写错一个代码会报错；写错一个基因组，细菌不会告诉它错在哪——它直接死掉。
300次尝试，16次成功
AI生成基因组的过程，与进化本身的逻辑惊人地相似。
研究团队向模型输入了ΦX174噬菌体的一段保守序列作为“种子”——相当于给了AI一个开头，让它续写。模型生成了数千个候选基因组。团队从中筛选出近300个进行实际合成，然后将其注入大肠杆菌，让细菌的细胞机器读取这些人工编写的DNA，生产出完整的噬菌体颗粒。
结果：16个候选噬菌体具有感染活性。成功率约5.3%。
这听起来很低，但放在进化的尺度上看，这个数字其实相当惊人。在自然界中，随机发生的基因组突变绝大多数是有害的或中性的，能产生功能性新序列的概率极低。AI用5.3%的“命中率”，把进化的随机试错变成了有方向性的搜索。
更值得注意的是，这16个成功产物中，有些基因组与已知天然噬菌体的序列相似度低于95%——按照病毒分类学的标准，它们已经可以被归为新的物种。在实验室测试中，一个由多种AI设计噬菌体组成的“鸡尾酒”混合物，成功杀死了对天然噬菌体已经产生耐药性的两种大肠杆菌菌株。
AI不仅能设计出活的病毒，还能设计出比自然进化更好的病毒——至少在“杀死特定细菌”这个任务上。
正如论文通讯作者、斯坦福大学助理教授Brian Hie所说：“可能的核苷酸组合数量极其庞大，但只有其中一小部分序列在生物学上是可行的，或者能适应生物世界。”模型学到的，正是对“什么是可行的”的判断力。
它到底“新”在哪
现在回到那个核心问题。
说它“新”，是因为方法是史无前例的。这是人类首次用生成式AI从头设计出完整的功能性病毒基因组。此前，AI在生物学中的应用主要集中在设计单个蛋白质或基因编辑系统——比如Profluent在2024年用AI设计的OpenCRISPR-1基因编辑器，或者ESM3在2025年设计的荧光蛋白。从“设计一个零件”到“设计一台完整的机器”，这是质的飞跃。
但说它不“新”，同样有道理。AI并没有突破进化已经探索过的空间。Evo模型的学习本质上是统计性的——它在数万亿个碱基对中找出哪些序列模式是“可行的”，哪些是“被进化淘汰的”。当它生成新序列时，本质上是在进化已探索过的“可行空间”内进行插值和组合，而不是跳出这个空间做真正的创造。
换句话说，AI不是在创造新语言，而是在学会了旧语言的语法后，写了一篇新文章。这篇文章从未有人读过，但它的每一个句子都遵循着已经存在的语言规则。
从更宏观的视角看，这恰恰揭示了当前AI在科学发现中的一个深层局限：AI擅长从已有数据中提取模式并泛化，但不擅长突破训练数据的边界去创造真正的“未知”。这意味着，AI在生物学中的应用，至少在目前阶段，更适合做“优化者”而非“发明者”。它能帮我们在进化已探索过的空间中寻找最优解，但不太可能引领我们进入进化从未涉足的新大陆。
安全风险：真实存在，但被部分夸大了
每篇关于这项研究的新闻报道，几乎都提到了“安全担忧”。约翰·霍普金斯大学健康安全中心的Tom Inglesby和Moritz Hanke在同期《科学》上发表了评论文章，警告说：“用生成式AI编写病毒基因组的能力已经成为现实，但安全引导它的治理机制尚未建立。”
这个担忧是真实的。如果同样的技术被用于设计能够感染人类、动物或植物的病毒，后果不堪设想。Inglesby和Hanke明确建议：不应开展针对人类感染性病原体的AI设计研究。
但同样重要的是，这项研究本身已经采取了明确的安全措施。Arc Institute在训练Evo 2时，有意排除了所有能够感染人类和其他复杂生物的真核病毒基因组数据。团队验证了这种排除显著削弱了模型对人类病原体的语言建模能力，红队测试表明，模型对致病性病毒蛋白生成的序列“实际上是随机的”。
这意味着，即使有人想用Evo 2制造危险病毒，模型也缺乏必要的知识。当然，这并不等于未来不会出现专门训练过的人类病原体基因组模型——技术扩散的趋势几乎不可逆。
另一种被忽视的风险维度是双刃性：同样的技术，可以用于好的目的，也可以用于坏的目的。AI设计噬菌体的医学潜力是巨大的。在全球抗生素耐药性危机日益严重的背景下——世界卫生组织已将耐药菌列为全球十大公共卫生威胁之一——噬菌体疗法被视为最有希望的替代方案之一。但噬菌体设计能力的提升，必然伴随着对更广泛病毒设计能力的探索。技术本身是中性的，问题在于治理框架能否跟上技术发展的速度。
治理真空：比技术本身更值得担忧的事
Inglesby和Hanke的评论中有一句值得反复咀嚼的话：“AI设计功能性病毒基因组的能力已经成为现实，但安全引导它的治理机制尚未建立。”
这不是一个理论问题，而是一个迫在眉睫的治理问题。2026年7月28日，特朗普政府发布了针对高风险生命科学研究的全新政府政策，禁止联邦资助危险的功能获得性研究，并建立独立第三方审查机制。但政策落地的速度，远跟不上技术迭代的速度。
问题在于，AI生物设计工具的民主化趋势几乎是不可逆的。Evo 2的代码和权重已经在GitHub上开源，任何人都可以下载。Hie团队将本次研究中使用的微调模型也上传到了HuggingFace。门槛正在以肉眼可见的速度降低。
过去，设计一个新病毒需要深厚的分子生物学实验技能和复杂的实验室基础设施。现在，一个会写代码的人，在AI的帮助下，理论上也能生成病毒基因组序列。虽然从序列到实际合成病毒之间还有物理门槛——需要DNA合成公司和相应的生物安全实验室——但这条链路上的每一个环节，都在变得越来越便宜、越来越容易获取。
BMJ在一篇评论中指出，这项研究代表了一个“重要的转折点”。转折点的含义是：事情正在发生变化，而且变化的方向不可逆。治理，不能等到问题爆发后再开始。
一个值得追问的问题是：AI安全领域已经建立了“红队测试”“对齐训练”等成熟框架，但AI生物安全领域的对等框架在哪里？目前，几乎没有针对基因组语言模型的标准化安全评估协议。如果连“这个AI模型是否具备设计人类病原体的能力”这样的基本问题都无法标准化回答，那么依赖科学家“自觉不滥用”的治理体系，脆弱得令人不安。
进化教会AI的，AI正在教我们
这场争议的核心，其实是一个更深层的哲学问题：什么是“新”？
如果“新”意味着从未在自然界中存在过的序列，那AI确实创造了一些新物种。但如果“新”意味着突破了进化已经探索过的边界，那答案是否定的——AI学的正是进化教给它的东西。
但这恰恰是这项研究最深层的价值所在：AI正在教会我们，进化到底是怎么工作的。
Evo模型的可解释性可视化工具，由Arc Institute与Goodfire合作开发，揭示了模型在基因组序列中识别出的关键生物学特征和模式。这些模式——哪些序列是保守的，哪些是可变的，哪些组合是可行的，哪些是致命的——正是进化在36亿年间通过试错写下的“潜规则”。AI不只是学会了这些规则，它还让这些规则变得可见、可理解。
从这个角度看，AI设计病毒的最大意义不在于“造出了新病毒”。它证明了一件事：进化的语言，是可以被解码的，也是可以被重写的。
你能解码它，但不代表你能超越它。你能重写它，但你必须先读懂它。
快报