AI造出16株全新噬菌体，生成式生物学撞上生物安全红线

2026年8月6日，美国斯坦福大学领衔的研究团队在《科学》杂志发表论文，宣布利用人工智能设计出自然界中并不存在、却具有完整功能并能在实验室中复制的全新噬菌体。新华社洛杉矶8月7日电对此专门做了热点问答。这是生成式AI第一次被公开证明可以”写”出能自我复制的生命体基因组，科学界的兴奋和媒体的警觉，在同一天到达顶点。

一、这项研究到底做了什么

结论先说：AI没有”凭空造病毒”，而是学会了病毒基因组的语法，然后按语法重新写了一遍。

研究团队使用的不是普通的大语言模型，而是”基因组语言模型”。一般的大语言模型通过海量文本语料训练，基因组语言模型则通过大量天然基因组的脱氧核糖核酸（DNA）序列进行训练，学会识别自然界中长期演化形成的DNA结构模式，并据此生成新的基因组。

具体路径是这样的：

• 使用 Evo 1 和 Evo 2 两种基因组语言模型；
• 以天然噬菌体 Phi X-174 为模板，生成一批候选基因组；
• 从AI生成的数千组基因组数据中，挑出约300组进行人工合成并在实验室测试；
• 最终得到16株具有活性的噬菌体。

研究团队由此认为，AI模型能够设计出与自然界中完全不同的噬菌体基因组，并具备预先设定的特征。换句话说，”生成式生物学”从论文构想走到了培养皿里。

Evo系列模型的技术底子

这次的两个模型并非临时起意。Evo 由斯坦福大学Arc研究所（弧形研究所）团队开发，2024年11月15日登上《科学》封面，参数量70亿，基于270万个进化多样性微生物基因组训练，首次在DNA领域报告了缩放定律。2025年2月19日，弧形研究所、英伟达与斯坦福大学等机构联合发布 Evo 2，训练数据扩大到超过12.8万个基因组、9.3万亿个核苷酸，是当时生物学领域规模最大的AI模型，在乳腺癌相关基因BRCA1变体的良性/致病性预测中准确率超过90%。

二、为什么它同时是好消息和坏消息

好消息很直接：噬菌体是专门感染细菌的病毒。在抗生素耐药日益严峻的今天，能按需设计噬菌体，意味着一条对抗超级细菌的新路。有专家称这项研究有助于开发新的医学治疗手段。

坏消息同样直接：能写出能复制的基因组，本身就是一种可迁移的能力。相关报道显示，研究人员先用数百万份基因序列训练AI识别自然界中的DNA结构模式，再让AI依据这些数据构建全新基因组。这套方法论是公开的。

研究团队做了哪些安全设计

按研究团队的说法，为了降低风险，他们特意将能够感染人类以及其他动植物的病毒的数据排除在AI训练之外，因此训练出来的模型无法生成能够威胁人类的病毒基因组，这项研究生成的16种噬菌体不会对人类构成威胁。这与 Evo 2 发布时的做法一脉相承——其数据集排除了人类和其他复杂生物的病原体，并限制了对病原体相关查询的有效回答。

但约翰·霍普金斯大学的学者指出了要害：其他人在掌握了这种技术后，并不一定会像该团队这样如此重视安全问题。

三、修愚的三点判断

• 能力扩散比能力本身更值得担心。模型权重、训练思路、合成外包服务，三样凑齐，门槛就塌了。真正的防线不在论文里，而在DNA合成商的订单筛查环节。
• “数据集排除法”是自律，不是制度。它依赖研究者的自觉。这次团队做得很好，但自律无法复制到全行业，需要的是像前沿模型评估那样的强制性生物安全审查机制。
• 对产业的现实意义是噬菌体疗法。合成生物学公司未来两三年最可能落地的，不是”造生命”，而是把设计周期从几年压到几个月的定制化噬菌体制剂。这才是可投资的部分。

FAQ

Q1：AI设计的这16株噬菌体会感染人吗？

不会。噬菌体是专门感染细菌的病毒。研究团队还特意将能够感染人类以及其他动植物的病毒数据排除在AI训练之外，团队明确表示这16种噬菌体不会对人类构成威胁。

Q2：基因组语言模型和ChatGPT这类大模型有什么区别？

训练语料不同。一般大语言模型用海量文本训练，基因组语言模型用大量天然基因组的DNA序列训练，学会识别自然界中长期演化形成的DNA结构模式，并据此生成新的基因组。底层思路相通，但”词汇表”从人类语言换成了核苷酸。

Q3：成功率高吗？

不算高，但足够震撼。团队从AI生成的数千组基因组中挑出约300组进行人工合成与实验室测试，最终得到16株具备活性的噬菌体。也就是说，被实际验证的样本里成活率约5%左右，而这已经是零到一的突破。

Q4：普通企业和创业者该关注什么？

关注三个环节：一是DNA合成服务商的安全筛查能力，这可能成为强制合规项；二是噬菌体疗法在抗生素耐药领域的临床转化；三是AI4S（AI for Science）工具链本身。生成式生物学如果成立，工具层的价值不亚于应用层。