AI设计病毒：当"生命语言"被算法读懂，我们准备好了吗？

2026年8月，一篇发表在《科学》杂志上的论文在生物安全圈引发了罕见的震荡。斯坦福大学和Arc Institute的研究团队利用名为Evo 2的基因组语言模型，首次成功设计了完整且能在实验室中复制的病毒基因组——16种新型噬菌体，其中部分比天然病毒更具杀伤力，甚至能克服细菌已形成的抗性。

这一突破被称为"基因组设计时代的开启"。但比突破本身更值得深思的是：当AI开始读懂生命的"语言"，我们是否已经准备好了应对随之而来的双重用途困境？

一、历史回溯：人类早就学会了"制造"病毒

"AI首次设计病毒"的新闻标题容易让人产生误解——仿佛人类在AI出现之前对病毒束手无策。事实并非如此。

2002年，纽约州立大学石溪分校的研究人员从化学合成的寡核苷酸开始，组装出全长脊髓灰质炎病毒cDNA，获得了具有感染性的脊灰病毒。这项研究当时引发了巨大争议，因为它首次直观证明：只要病毒基因组信息公开，即使没有天然样本，也能从"信息"重新走回"实体"。

2003年，Hamilton Smith、Craig Venter等人用人工合成的寡核苷酸组装出完整的ΦX174噬菌体基因组，并获得了有感染能力的噬菌体。

2005年，MIT的Leon Chan、Sriram Kosuri和Drew Endy完成了T7噬菌体的基因组重构实验，将天然序列替换为工程化DNA，嵌合噬菌体仍能繁殖。

有趣的是，这次AI研究选择的设计模板，也正是ΦX174。也就是说，"按照已有图纸把病毒重新做出来"这件事，人类早就做到了。

那么，AI这次到底改变了什么？

二、技术跃迁：从"照图施工"到"自主设计"

传统病毒工程的核心逻辑是：人先提出规则，计算机帮着执行。

研究人员根据病毒学知识判断某个基因可能影响宿主范围，于是去修改它；或者认为某段基因重叠没有必要，于是把它拆开。这种设计方式的瓶颈在于：生物学远比人类预设的规则复杂。

一个碱基的变化可能影响蛋白质编码、RNA二级结构、基因表达效率或基因组包装。如果存在重叠基因，一个变化甚至同时影响两个不同的蛋白。更复杂的是上位性效应（epistasis）——一个突变单独存在时有利，加上第二个可能无影响，再加上第三个，整个病毒可能直接无法复制。

在巨大的序列空间里，到底应该合成哪一条？这恰恰是生成式AI开始介入的地方。

Evo 2是一种大规模基因组基础模型，训练数据约9万亿个DNA碱基对，覆盖细菌、古菌和真核生物等不同生命类群。与传统方法最大的不同在于：人不需要先把所有规则一条条告诉模型。模型从巨量天然基因组中学习什么样的序列经常一起出现、哪些结构在漫长进化中被保留下来、一个"像样的"基因组在统计上应该长什么样，然后自主生成新的候选序列。

这次研究从70万个AI设计中选择302个进行化学合成，最终获得16种可存活的噬菌体。实验室中，当研究人员看到培养皿中透明斑点出现的那一刻，团队自发鼓起掌来。

AI没有让人类突然拥有病毒工程能力，但它可能让原本高度依赖专业知识和大量试错的"设计"变得更高效，且门槛大幅降低。

三、应用前景：噬菌体疗法的黄金时代？

这项研究的直接应用场景是噬菌体疗法。

全球抗生素耐药性问题日益严峻，世界卫生组织预测到2050年，耐药菌感染可能导致每年1000万人死亡。噬菌体作为专门感染细菌的病毒，被视为应对"超级细菌"的重要武器。

在我国，朱同玉团队自2018年启动首个研究者发起的噬菌体临床试验以来，已累计救治近500名耐药菌感染患者，标准化治疗体系推广至全国30余家医院。仅2025年就收治160余例，西部地区常有患者专程乘机前往上海寻求治疗。

AI设计的噬菌体具有独特优势：它们可以绕过细菌对天然噬菌体已形成的抗性。实验中，AI设计的噬菌体组合在1-5个传代周期内克服了3株大肠杆菌的抗性，而天然ΦX174则完全失效。

此外，这项技术还可应用于疫苗开发、病毒载体构建、工业生物制造等更广泛的合成生物学领域。斯坦福大学助理教授Brian Hie表示："这意味着生成式人工智能能够设计的生物系统复杂程度又向前迈进了一步。对我们来说，这是一个全新的领域。"

四、风险审视：当技术门槛开始消融

然而，任何技术都是双刃剑。约翰斯·霍普金斯大学卫生安全中心的托马斯·英格尔斯比博士和莫里茨·汉克博士在《科学》杂志同期评论中警告："现在的问题已经不再是'生成式AI能否设计病毒基因组'，而是人类能否在'不造成严重危害'的情况下使用这项技术。"

核心风险不在于今天的Evo 2能够设计危险病毒，而在于设计、合成和测试这几道原本相对独立的技术门槛正在同步下降。

过去，一个复杂的病毒工程项目需要多个不同能力：真正懂病毒的人提出设计、专业公司合成DNA、成熟实验室完成构建、大量实验筛选结果。这些事情分散在不同的人、机构和设备之间，本身就是一种门槛。

现在，AI设计能力越来越强，DNA合成越来越便宜和自动化，实验机器人和高通量平台越来越成熟。如果再把实验结果反馈给模型，形成"设计-构建-测试-学习"的闭环，技术链条正在变得越来越完整。

监管面临的三大挑战：

1. 筛查机制的失效风险：目前最重要的防线是商业核酸合成公司的序列筛查。但2023年HHS指导文件已建议将监管扩展至台式核酸合成设备——如果设备到了用户手中，软件限制能否永远不被规避？

2. AI生成序列的识别难题：传统筛查依赖序列相似性比对，判断"这段DNA和已知危险序列有多像"。但AI越来越擅长生成自然界原本没有的新序列，未来可能面临"它和已知病原体不像，但这段序列到底能干什么"的困境。判断生物学功能比判断序列相似性难得多。

3. 监管框架的滞后：2024年美国OSTP发布《核酸合成筛查框架》，将要求与政府科研经费绑定。但2025年5月美国政府要求重新修订或替换该框架，截至2026年8月新版框架尚未公布。2000年图灵奖得主姚期智院士曾直言："如果有人想要故意制造病毒的话，现有的筛查方法是不能阻止他们的。"

五、我的判断：不应当停止，但必须重构

面对这项技术，有两种极端立场：一种是因噎废食，认为应该禁止AI设计病毒；另一种是盲目乐观，认为风险可控。

我认为两者都有失偏颇。

首先，禁止这项研究本质上是一场注定失败的军备竞赛。这项技术不会因为我们停止而消失，反而可能转移到监管更松的地方。而且，噬菌体疗法等正当应用的价值不可否认——让AI帮助设计新型噬菌体，对于对抗耐药菌感染具有明确的公共卫生意义。

其次，真正的风险不在于技术本身，而在于"门槛消融"的过程。过去挡在风险前面的，不是道德约束或法律禁令，而是技术本身的高门槛。当这些门槛被AI、自动化合成和实验平台逐一降低时，我们的监管方式也必须随之改变。

我建议三个方向的调整：

1. 从"查序列"转向"查功能"：开发基于AI的风险评估工具，不仅比对已知危险序列，还能预测新序列的潜在生物学功能。这本身也需要更强大的生物AI。

2. 从"监管供应商"转向"全链条管控"：台式核酸合成设备的监管必须提上日程。设备制造商、软件供应商、使用机构之间需要建立更紧密的责任链条。

3. 推动国际协作而非单边监管：生物技术没有国界，监管也不能停留在各国各自为政。需要建立类似《禁止生物武器公约》审议会议那样的国际讨论机制。

结语

2026年8月，当斯坦福团队的16种AI设计噬菌体在培养皿中形成透明斑点的那一刻，人类历史上新的一页已经被翻开。我们不是第一次"制造"病毒，但这是第一次由生成式AI自主设计完整基因组。

技术门槛正在消融，但这不意味着我们必须放弃技术。真正的问题是：在一个越来越容易"读懂生命语言"的时代，我们是否也学会了用同样的智慧去守护安全？

这或许比设计出更好的病毒，更需要人类的集体智慧。

参考链接

Generative design of bacteriophages with genome language models | Science - AAAS

美国科学家首次用AI设计出病毒，生物安全该如何设防？-腾讯新闻

美国科学家首次用AI设计出病毒 - 澎湃新闻

AI designs a novel E. coli killer | Stanford Report

Genome modelling and design across all domains of life with Evo 2 - Nature

破解超级细菌治疗困局！我国噬菌体疗法从试验走向正规临床-腾讯新闻