夜雨聆风凌晨三点，斯坦福大学一间灯火通明的实验室里，博士生Samuel King盯着培养皿，等待一个可能改写生物学史的结果。
几小时前，他把一段完全由AI从零生成的DNA序列注入了大肠杆菌。这段序列没有现成的自然样本或数据库模板，一个叫Evo的基因组语言模型逐个字母把它"写"了出来。
然后，培养皿上出现了透明的斑点
那是噬菌体裂解细菌后留下的痕迹，病毒活了。一个自然界从未存在过的病毒，在AI的笔下诞生，在培养皿里完成了它的第一次"呼吸"。
King后来回忆那个瞬间，用了一个词：extremely exciting。而当他把结果分享给更大的团队时，实验室负责人Brian Hie说，房间里自发响起了掌声。
▲ Samuel King在X上宣布论文正式发表于Science，配图展示了从AI生成序列到实验验证的完整管线
302个AI基因组，16个"活"了
这项研究在2026年8月6日正式发表于顶刊Science（DOI: 10.1126/science.aec2657），但它的故事要从更早讲起。
2024年，非营利研究机构Arc Institute发布了一个名叫Evo的基因组语言模型。你可以把它理解为生物版的ChatGPT，它读写的是由A、C、G、T四个字母组成的DNA密码。Evo在海量的原核生物与噬菌体基因组上训练，学会了"什么样的DNA序列看起来像能工作的生物代码"。到Evo 2，训练数据膨胀到约9.3万亿个碱基，覆盖约12.8万种生物。
但"能生成"和"能活"之间，隔着一道巨大的鸿沟。此前Evo 2生成过酵母染色体片段、小细菌基因组，但它们全都停留在电脑屏幕上，从未走进实验室接受生死检验。
这一次，King和Hie决定跨过那道鸿沟。
▲ Arc Institute官方博文《How We Built the First AI-Generated Genomes》，梳理了从基因到基因组的技术演进路径
他们选择的模板是ΦX174，分子遗传学史上一个"老熟人"。这个只有约5400个碱基的单链DNA病毒，1977年成为人类第一个完整测序的DNA基因组（Sanger团队），2003年成为人类第一个化学合成并启动的基因组（Venter团队）。现在，它要扮演第三个"第一次"：第一个被AI设计出来的功能基因组。
为什么选它？三个原因：基因组小，合成成本可控；宿主是实验室常用的非致病大肠杆菌，安全风险低；它的基因组里还有大量重叠基因，同一段DNA要同时编码不止一种蛋白质，对设计容错极低。能在这种"地狱难度"模板上成功，才算真本事。
团队在约两万条Microviridae家族序列上微调了Evo 1和Evo 2，然后让模型"放飞自我"地生成。提示词的长度是个精妙的平衡：太长，模型会死记硬背野生型序列；太短，又控制不住设计空间在经过长度、必要基因、宿主向性等层层计算筛选后，约302个候选基因组被送进了化学合成流水线。
最终，约285个成功合成并进入湿实验测试。结果，16个AI设计的噬菌体在培养皿里"活"了过来。它们能复制自己的基因组，组装成完整的蛋白外壳，裂解宿主细菌，释放有感染性的子代病毒。
▲ SciTech Era以"BIG BREAKTHROUGH"为题介绍这一成果
"这些病毒并非复制粘贴，它们前所未有"
一个关键问题摆在所有人面前：这些AI设计的病毒，到底有多"新"？
答案令人震撼这16个功能基因组，相对最近的自然同源序列，携带了约67到392个全新突变；与已知Microviridae家族的核苷酸一致性在93.0%到98.8%之间。其中最"激进"的一个设计，Evo-Φ2147，以约93.0%的一致性和392个突变，在部分分类学阈值下已经接近"新种"的门槛。
一个叫Evo-Φ36的设计尤其特别。它干了一件以往理性工程师认为"必死无疑"的事：把包装蛋白J换成了一种远缘噬菌体G4的更短版本。人类科学家曾多次尝试这类替换，结果全部失败。但Evo在全基因组的上下文中，自动给出了一系列补偿性突变，让这个"不可能的手术"奏效了。冷冻电镜照片显示，短J蛋白在衣壳内取了一个完全不同的朝向，AI发现了一条人类没想到的路。
Brian Hie看到电镜下AI设计的病毒颗粒时，说了一句后来被MIT Technology Review广泛引用的话：
"This AI-generated sphere."
那一刻的冲击，大概就像第一次在望远镜里看到一颗不应该存在的星星。
▲ MIT Technology Review以"AI-designed viruses are here"为标题进行深度报道，主视觉极具冲击力
活下来之后，它们还能对抗耐药细菌
如果故事到此为止，它已经足够写进教科书。但团队做了一件更有现实杀伤力的事。
他们让大肠杆菌进化出对野生ΦX174的抗性，细菌通过改变表面受体的方式，关上了病毒进入的大门。然后，他们分别用AI噬菌体鸡尾酒、天然ΦX174组合和单独的ΦX174去挑战这些"超级细菌"。
结果：单独的野生ΦX174完全无能为力。AI噬菌体鸡尾酒却在有限传代内攻克了全部三株抗性菌。
其中一个叫Evo-Φ69的设计，在与野生ΦX174的直接竞争实验中，扩增比例远远超过起始水平，展现出碾压级别的适应性优势。
为什么？因为AI生成的多样性本身就是武器。当细菌试图逃逸时，那些成功逃逸的菌株里出现了多个AI设计重组而成的镶嵌基因组，突变集中在与受体相互作用的表面区域。这些多样性构成了对抗进化的弹药库。
正如Jorge Bravo Abad在推文中精辟总结的那样：
"模型提出，计算筛选，实验室裁决。"
▲ 应用ML研究者Bravo Abad总结了这项工作的系统观：生成、筛选与验证的闭环
人类先学会了"读"，再学会了"写"，现在开始"设计"
把这件事放进更长的时间轴，你会看到一条清晰得令人起鸡皮疙瘩的线，
1977年，Sanger团队完成ΦX174测序，人类第一次"读"完了一个基因组。2003年，Venter团队化学合成ΦX174并启动，人类第一次"写"出了一个基因组。2026年，King和Hie让AI设计出功能性ΦX174变体，人类第一次"设计"了一个基因组。
曼彻斯特大学合成基因组学教授Patrick Cai说得好：这件事的意义超出噬菌体本身，语言模型开始学习进化用几十亿年写入DNA的设计原则。西班牙庞培法布拉大学教授Marc Güell则称之为"非常重要的转折点"：人类开始在计算机上设计生物学。
但，让我们深吸一口气，看看硬币的另一面。
潘多拉的盒子，打开了吗？
Science配发的安全评论中，约翰霍普金斯大学健康安全中心的Thomas Inglesby和Moritz Hanke写下了一句掷地有声的话：
"AI生成式病毒基因组设计已经出现，人们能否在避免严重伤害的前提下使用它，成为新的问题。"
研究团队强调了他们的安全边界：训练数据排除了感染人类的病毒序列；实验宿主是非致病菌株；生物安全措施超出常规要求但批评者的担忧并不因"这次只做了噬菌体"而消失。Evo 2的权重和代码是开源的许多人类致病病毒的基因组长度与噬菌体处于同一量级。当模型获取、DNA合成服务与实验室能力三者组合在一起时，治理问题变得极其紧迫。
伦敦国王学院的生物安全专家Filippa Lentzos等人指出：现有高风险生命科学研究政策，未必覆盖了"在计算机上设计新病毒DNA"这一全新场景。一位日文评论者追问：如果AI能设计自然界不存在的病毒，核心问题就变成：谁来管？怎么管？
方法学上的质疑同样存在计算生物学家Sergey Ovchinnikov直言发问：93%的一致性真的需要Evo 2吗？如果对高相似序列做比对并按平均谱采样285条，实验室成功率会怎样？这把讨论拉回了一个根本性张力：这究竟是"设计生命"，还是"高效探索近邻序列空间"？
这个问题不削弱培养皿里那16个透明斑点的客观存在，但它决定了我们如何理解这件事的意义边界。
站在分水岭上
Hie对BBC说，朝更复杂的细胞级别系统推进"工作量很大，但并非不可能"。要知道，最小的自由生活细胞基因组，比ΦX174大了两个数量级。从5000个碱基到50万个碱基，计算能力和对生命复杂性的理解都横亘在前方。
但分水岭已经到了就像Asimov Press的Niko McCarty在预印本发布当天写下的那句话，此前AI设计的一切生物分子，蛋白质、基因、CRISPR系统，都是零件。而这一次，是第一台"机器"被整体设计出来，并且发动了。
▲ 科学记者McCarty强调：这16个噬菌体代表了从"设计零件"到"设计整机"的跃迁
16个透明斑点，16种自然界从未见过的病毒，16次AI对进化的致敬与僭越。
培养皿上的斑点还在扩大摆在人类面前的问题也随之增多