夜雨聆风凌晨时分，斯坦福大学的实验室里，博士生 Samuel King 凑近一排铺满细菌的培养皿。灯光打下来，琼脂表面出现了一个又一个透明的空洞，那是细菌被杀死后留下的"弹坑"，学名叫噬菌斑。
当结果分享给团队时，房间里自发响起了掌声。
这些杀死细菌的病毒全都来自一个 AI 模型。它坐在服务器里，一个碱基一个碱基"写"出了完整序列，自然界中找不到它们的原样本。
它们从未在地球上存在过现在，它们活了
▲ Arc Institute 官方发布《How We Built the First AI-Generated Genomes》，宣布人类首次用生成式AI设计出完整且可工作的病毒基因组
一台"病毒打印机"是怎么造出来的
故事的主角有两个名字：Evo 1 和 Evo 2。
它们是 Arc Institute 与斯坦福大学联合开发的基因组语言模型，原理跟 ChatGPT 惊人地相似：ChatGPT 在海量文本上学"下一个词该是什么"，Evo 在数百万条病毒和细菌的基因组上学"下一个碱基该是什么"。只不过，它的字母表只有四个字母：A、C、G、T。
研究团队给这台"病毒打印机"选了一个模板：ΦX174，一种专门感染大肠杆菌的经典噬菌体，基因组只有大约五千多个碱基，是已知最小的DNA病毒之一。
小，但极其精密它的基因像俄罗斯套娃一样层层重叠，一个碱基的改动可能同时破坏两个蛋白质。这就像在一张已经写满字的纸上重新写一篇文章，还不能涂掉任何一个原有的字，难度呈指数级攀升。
整条流水线走下来是这样的：
第一步，用 ΦX174 作为"创作提示"喂给 Evo 模型；第二步，模型疯狂输出数千条候选基因组序列；第三步，用计算过滤器筛掉明显不靠谱的，基因缺失的、长度离谱的、关键蛋白结构崩坏的；第四步，把幸存者化学合成成真实的 DNA 分子，注入大肠杆菌；第五步，看它们能不能"活"
▲ 科学作者 Niko McCarty 在预印本发布日第一时间公告：首批AI设计的可活基因组诞生
285 个候选者走进了决赛圈16 个活着走了出来
这个成功率，大约 5.6%，在外行看来或许不高。但要知道，一个完整基因组里哪怕一个碱基出错，整个设计就可能彻底报废。AI 能在从未被自然界"实验"过的序列空间里，命中 16 次可以自洽运行的组合，这本身就是一个惊人的概率奇迹。
它们活了，而且比天然病毒更猛
如果故事到这里就结束，那不过是一篇漂亮的概念验证论文。
但实验室里接下来发生的事，足以让研究者以及整个生物安全界坐直了身子。
研究团队把 16 个 AI 噬菌体和野生型 ΦX174 扔进同一个竞技场，让它们在同一批大肠杆菌上厮杀。结果，部分 AI 设计的变体，感染效率不亚于甚至超过了经历数十亿年进化打磨的天然病毒。其中一个编号为 Evo-Φ69 的变体，丰度在竞争中飙升到初始值的约 65 倍。
更狠的来了
当大肠杆菌对野生型 ΦX174 产生抗性，这是临床噬菌体疗法最头疼的问题之一，研究者把多个 AI 噬菌体混合成"鸡尾酒"再次投入战场。野生型单打独斗失败了，但 AI 鸡尾酒突破了细菌的防线。 测序发现，成功突破的噬菌体往往是多个 AI 设计之间重组产生的嵌合体，突变集中在与细菌表面受体互作的区域。
AI 由此提供了一座军火库，多样性本身就是武器。
▲ Asimov Press 刊出万字深度解读，将这项工作定位为从"读基因组"到"写基因组"再到"设计基因组"的历史性跨越
同一个ΦX174，串起了半个世纪的三次革命
这里藏着一段让人起鸡皮疙瘩的历史巧合。
1977 年，Frederick Sanger 的团队完成了 ΦX174 的全基因组测序，这是人类历史上第一次读完一个 DNA 生物的完整蓝图。Sanger 因此拿到了诺贝尔奖
2003 年，Craig Venter 的团队用化学方法从零合成了 ΦX174 的整条基因组，注入细胞后成功启动，人类第一次证明可以"印刷"生命蓝图。
2025 年，Evo 模型在从未被自然选择探索过的序列空间中，"创作"出了全新的 ΦX174 样基因组，并且它们能工作。
读写设计 同一个五千碱基的微小生命体，见证了基因组科学的三个纪元。每一次跨越之间，人类与 DNA 的关系都被彻底重新定义。
而这一次，机器成了执笔者
"这是最小、最容易的基因组"，然后呢？
论文发表在 Science 上的那一周，全球媒体集中报道了这项成果。
▲ BBC 以"全新病毒"为题进行报道，将其称为AI设计生命的"转折点"
BBC 称之为"转折点"Nature 早在 2025 年预印本阶段就定调为"迈向 AI 生成生命的一步"。《卫报》则直接把"安全恐惧"写进了标题
▲ 《卫报》标题直书"Safety fears"，配图为科研人员展示含噬菌体的琼脂平板
乐观派看到的是噬菌体疗法的曙光全球每年因抗生素耐药菌感染死亡的人数以数十万计，而传统方法中，找到一株刚好能杀死当前临床分离株的噬菌体，往往耗时极长。如果 AI 能像生成文本一样批量"提案"候选病毒，再配合快速合成与高通量筛选，候选发现便可能快得多，这将彻底改写抗感染医学的底层逻辑。
约翰·霍普金斯大学微生物学家 Kimberly Davis 对 Science News 说：在急需匹配噬菌体的临床情境下，AI 或许能大幅加速候选生成，但必须严格控制，防止误伤人体共生菌群。
然而，帝国理工学院合成基因组工程教授 Tom Ellis 说了一句让所有人冷静下来的话：
"这是最小、最容易的基因组。"
如果这项技术的箭头从噬菌体转向人类病原呢？
潘多拉的盒子，锁在哪里？
这正是整个故事中最让人不安的维度。
研究团队从一开始就做了大量安全限定：训练数据经过筛选，排除了人类病原相关序列；实验只用非致病的实验室大肠杆菌；操作在标准生物安全柜中进行16 个 AI 噬菌体无一感染人类细胞，它们只是细菌的天敌。
但约翰·霍普金斯健康安全中心的 Tom Inglesby 与 Moritz Hanke 在配套评论中写下了一句被广泛引用的警告：
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。
另一个让安全界紧张的事实是：Evo 模型的训练代码、推理代码、甚至微调权重，都以开源形式发布在了 Hugging Face 上。
▲ 微调模型权重在 Hugging Face 公开可下载，开源精神与生物安保之间的张力肉眼可见
伦敦国王学院的生物安全专家 Filippa Lentzos 提出了一个更务实的框架：别只盯着模型本身。从模型开发、数据访问、研究伦理审查，到DNA 合成订单的安全筛查，再到实验室的物理管控，每一层都是拦截点。因为无论多危险的数字序列，最终都要穿过一个不可绕开的关口：把 0 和 1 变成真实的分子。
这话说得漂亮，但现实是：全球 DNA 合成行业的筛查标准远未统一，而合成成本正在以摩尔定律般的速度下降。
▲ 有研究者在预印本发布后以反讽口吻回复："还能出什么问题……"
当AI学会写生命的源代码
让我们把镜头拉远一点
过去几年，AI 在生物学领域的进击路线是这样的：AlphaFold 解决了蛋白质折叠预测，这是"理解零件"；生成式模型开始设计全新蛋白质与酶，这是"制造零件"；而现在，Evo 写出了完整的、可运行的病毒基因组，这是第一次组装出一台能自我复制的机器。
BBC 报道中提到，AI 已经被用于设计新型抗生素分子，针对淋病、MRSA 等超级细菌取得了进展。但抗生素分子和病毒基因组之间，有一条本质的分界线：分子不会自我复制，病毒会。 这就是公众对后者反应远比前者激烈的根本原因，它不仅是工具，它是可以自主复制的实体。
▲ 日本网友的评论一针见血："如果能设计自然界不存在的病毒，AI就不再只是辅助工具，谁来管、怎么管，才是核心议题。"
一位推特用户的总结或许最为精准：AI 安全的讨论，正在从聊天窗口走进实验室。
当一个模型能在几小时内输出数千条候选病毒基因组，其中一些比天然 ΦX174 更高效，一个全新物种的问题已经摆在我们面前：
一种由 AI 创造的物种
此刻，那 16 个透明的噬菌斑还安静地躺在斯坦福的实验室里，只感染大肠杆菌，对人畜无害。
但潘多拉打开盒子时，总是一点一点掀开缝隙，每次都说"就看一眼"。