夜雨聆风凌晨三点，斯坦福大学的实验室里，博士生 Samuel King 盯着培养皿，屏住了呼吸。
铺满大肠杆菌的琼脂平板上，一个又一个透明的圆斑正在浮现，那是噬菌斑，是病毒成功入侵并杀死细菌后留下的"弹坑"。但这些病毒，地球上从未存在过它们的基因组，是一个名为 Evo 的 AI 模型在计算机里"写"出来的。
King 冲进走廊，把同事们叫醒当结果被投上屏幕的那一刻，整个房间自发鼓掌。
这段场景来自真实实验2025 年 9 月，这项工作以预印本形式震动学术圈；2026 年 8 月，论文正式登上Science，BBC、《纽约时报》、《卫报》同日集中报道。人类第一次用生成式 AI 从零设计出完整的、可自我复制的病毒基因组，而且，一口气成功了 16 个。
▲ Arc Institute 发布的研究详解页面：《我们如何构建了首批 AI 生成的基因组》
一个活了 90 年的"老病毒"，串起三场革命
要理解这件事的重要性，先得认识一位主角：ΦX174。
这是一种极其微小的噬菌体，专门感染细菌的病毒，大约 90 年前在巴黎的下水道里被发现。它的基因组只有 5386 个碱基，比你手机里一张照片的文件名还短。但就是这个小东西，三次站在了人类生物技术的转折点上。
1977 年，Frederick Sanger 用它完成了人类历史上第一次对 DNA 基因组的完整测序，我们第一次"读完"了一个生命的全部遗传密码。2003 年，Craig Venter 的团队把它的基因组用化学方法从零合成出来，注入细胞，证明人类可以"手抄"生命的蓝图，并让它运转。
读，写，然后呢？
2025 年，Arc Institute 和斯坦福的团队给出了答案：设计。AI 学会"遗传语法"之后，自己写出了自然界从未出现过的剧本。
这就像，Sanger 教会人类认字，Venter 教会人类抄书，而 Evo 开始自己写小说了。
"模型提案，计算筛选，实验室判决"
AI 怎么写出一条能"活"的基因组？实际流程远比按一下回车键复杂
▲ 科学记者 Niko McCarty 在预印本发布当天的推文：16 个 AI 设计的噬菌体，部分感染力不亚于甚至优于野生型
整个流程是一条环环相扣的工业流水线：
第一步，学习 Evo 系列模型（包括 Evo 1 和 Evo 2）在数百万条基因组上预训练，学会了 DNA 序列的底层统计规律，哪些碱基组合倾向于出现在一起，基因与基因之间如何"咬合"。然后，团队在约 15000 条 Microviridae（ΦX174 所属病毒科）序列上做了精细微调，让模型专攻这一类噬菌体的"方言"。
第二步，生成 以 ΦX174 的片段作为"开头提示"，模型续写出数以百计的候选基因组，就像 ChatGPT 续写一段开头，只不过字母表换成了 A、C、G、T。
第三步，过滤 这里是关键：裸生成远远不够 团队用一整套计算过滤器检查每条候选，基因是否齐全？长度合不合理？负责识别宿主的表面蛋白有没有严重畸变？绝大多数候选在这一步就被淘汰
第四步，合成与验证 幸存的约 302 个设计被化学合成、组装成真实的 DNA 分子，注入大肠杆菌。然后，等待
结果：285 个完成组装的设计里，16 个"活"了过来。 它们进入宿主、劫持细胞机器、复制自身基因组、组装子代颗粒，最终裂解细菌释放后代，完成了一个病毒完整的"生命周期"。
▲ 物理学家 Jorge Bravo Abad 的长帖总结了关键方法论：模型提案 → 计算筛选 → 实验室裁决
用 Jorge Bravo Abad 的话来概括这套范式：模型提出，计算筛选，实验室判决。
远离"换皮拷贝"的新序列
如果 AI 只是把天然 ΦX174 的序列改了两三个碱基，那不过是高级复制粘贴。但事实远比这疯狂
根据 Arc 的报告，这 16 个功能噬菌体相对最近的天然亲缘序列，携带了 67 到 392 个全新突变。有些突变在任何已知的自然序列中都找不到，它们是 AI 独创的。按照病毒分类学的惯例阈值，部分 AI 噬菌体的序列新颖性已经高到足以被讨论为全新的分类单元。
一个叫 Evo-Φ36 的案例尤其醒目。这个设计把一种远缘噬菌体 G4 的 DNA 包装蛋白"嫁接"到了 ΦX174 的骨架上。人类工程师此前多次尝试过类似操作，都失败了，因为外来蛋白的长度和构象与衣壳不匹配。但 AI 做到了冷冻电镜显示，更短的 G4 蛋白在衣壳内采取了完全不同的取向来适应新环境。模型移植这个基因的同时，还安排了一系列补偿性突变，让整个系统重新自洽。
这正是"全基因组设计"比"单蛋白设计"难上一个数量级的原因。蛋白质是相对自洽的实体；基因组是一个必须精密协作的系统ΦX174 的基因高度重叠，同一段 DNA 在不同的阅读框里编码不同的蛋白。改一个碱基，可能同时伤到两个基因 AI 必须学会在这张极其紧绷的约束网里跳舞，才能写出"能活"的序列。
抗性之战：AI 的多样性就是武器
实验并没有停在"活了"这一步研究团队让 16 个 AI 噬菌体与野生型 ΦX174 一起，在同一群大肠杆菌中展开生存竞争。
结果：部分 AI 变体的丰度飙升到起始水平的 65 倍。 一个叫 Evo-Φ69 的设计，在竞争中碾压了"原版"。
抗性实验又给出了一组结果研究者用突变了表面受体的"抗性大肠杆菌"来挑战这些噬菌体，野生型 ΦX174 单打独斗时束手无策。AI 噬菌体组成"鸡尾酒"混合使用后，在有限传代内突破了细菌的防线。测序发现，突破株的基因组是多个 AI 设计的嵌合体，突变集中在与受体互作的表面区域。
这些结果显示，AI 提供的序列多样性本身，就是对抗细菌演化的弹药库。
对于全球每年因耐药细菌感染而失去生命的数十万人来说，这个方向充满希望。传统噬菌体疗法的瓶颈之一，是找到刚好能杀死当前临床分离株的那支噬菌体，往往要从环境中慢慢淘，有时来不及，病人就没了。约翰霍普金斯大学微生物学家 Kimberly Davis 评论道：AI 或许能极大加速这个匹配过程，但必须严格测试，避免误伤人体内的有益菌群。
▲ BBC 报道现场：Brian Hie（左）与同事在实验室查看分子结构，标题称之为"转折点"
"还能出什么问题？"，安全争论炸开锅
荣耀的另一面，是恐惧
在预印本上线的当天，退休教授 Rune Linding 只留下一句冷冰冰的反讽："What could possibly go wrong....."
▲ 一句五个点的省略号，浓缩了整个安保界的焦虑
《卫报》的标题径直写道：《安全恐惧：科学家制造出首批 AI 设计的病毒》。约翰霍普金斯健康安全中心的 Tom Inglesby 和 Moritz Hanke 在配套评论中写下一句令人不寒而栗的判断："生成式 AI 撰写病毒基因组的能力已经存在，而安全引导这一能力的治理，尚不存在。"
▲ 《卫报》的报道聚焦于治理缺口
帝国理工学院的 Tom Ellis 教授给出了更冷静的风险排序：这项工作令人印象深刻，但 ΦX174 是"最小、最容易的基因组"。他更担心有人用类似技术对已有病原做功能增强改造，认为这类做法在现实威胁排序上可能更高。
伦敦国王学院的 Filippa Lentzos 则把防线拉得更宽：不能只盯着模型本身，要看整条链路，模型开发与访问控制、负责任的研究审查、DNA 合成商的订单筛查、实验室生物安全，每一层都是拦截点。
而让安保界最紧张的一个事实是：Evo 的微调模型权重已经在 Hugging Face 上公开。 理论上，任何有足够算力和生物学知识的人，都可以把这套方法迁移到其他病毒家族上。HIV 约一万碱基，冠状病毒约三万碱基，在尺度上，并不比 ΦX174 的五千碱基遥不可及。
▲ Hugging Face 上公开的微调模型权重，开源精神的双刃剑
当然，现实中的壁垒仍然存在数字序列要变成 DNA 分子，需要穿过合成这道物理关口。 高质量合成的成本、合成商的安全筛查、以及从噬菌体到更大基因组指数级增长的复杂性，都是拦在"数字威胁"与"现实危险"之间的重重关卡。
终极之问：我们站在哪里？
让我们把镜头拉远
1977 年，人类学会了读一个完整基因组。2003 年，人类学会了抄一个完整基因组。2025 年，AI 学会了写一个完整基因组。
但"写"和"创造生命"之间，仍隔着三个数量级的鸿沟。ΦX174 只有五千多个碱基；大肠杆菌有四百多万个；人类基因组则是三十亿个从噬菌体到细菌，就像从写一首俳句到写一部《红楼梦》。剑桥大学 Jason Chin 团队花了数年时间、耗费巨资，才合成出一个完整的大肠杆菌基因组，而且只完成了对现有序列的合成。
但历史的教训是：那些看似不可逾越的鸿沟，往往在一代人之内就被技术碾平。 从 Sanger 测完 ΦX174 的五千碱基到人类基因组计划测完三十亿碱基，用了不到 25 年。数据、算力和合成技术的指数增长，可能会以同样的方式压缩"设计"的尺度跨度。
一位日文推特用户的评论把焦点落在管理上："如果 AI 能设计出自然界不存在的病毒，接下来的问题便是，谁来管，怎么管。"
▲ 科技账号的汇总帖：话题在全球社交平台上掀起两轮讨论浪潮
16 个透明的噬菌斑，安静地躺在培养皿上。它们不感染人类，只杀大肠杆菌但它们身上携带的信息，比任何一个碱基都沉重，
AI 已经学会了书写生命的语言接下来的故事，取决于我们如何书写规则。