夜雨聆风凌晨的斯坦福实验室，灯光惨白Samuel King 盯着培养皿上那一个个透明的圆斑，噬菌斑，每一个都意味着一片细菌正在被从未在自然界中存在过的病毒吞噬。
他的手在发抖
培养皿里的病毒没有对应的天然分离株，序列变化也远远超出几个碱基的微调。AI 从一张白纸上“写”出全新基因组，研究者将它合成、注入细菌，然后，它活了。
当结果在组内分享时，房间里自发响起了掌声。
▲ 实验室负责人 Brian Hie 在社交平台写道："欢迎来到生成式基因组设计的时代。" 他把这一刻与1977年人类首次测通基因组相提并论。
大模型开始“写”生命了
斯坦福大学与 Arc 研究所的团队，用两款名为 Evo 1 和 Evo 2 的基因组语言模型，像写文章一样，一个碱基一个碱基地生成了完整的病毒基因组。
然后他们把这些数字序列变成了真实的 DNA 分子，注入大肠杆菌。
约 285 条候选设计进入湿实验16 条活了
它们能感染细菌，能在细胞内复制，能释放出有传染性的下一代，换句话说，它们是功能完整的病毒。
其中一些 AI 设计的噬菌体，杀菌效率比自然界的原版还要高。
这项工作以预印本形式首发于 2025 年 9 月，随后以同行评议论文正式登上了 Science 正刊。BBC、卫报、CNN、Nature 等全球主流媒体集中报道。Arc 研究所同步发布了一篇长达数千字的技术博文，标题直截了当：《我们如何造出第一批 AI 生成的基因组》。
▲ Arc 研究所的博文开篇就点明核心难度：从设计单个蛋白质到设计一整条可运转的基因组，是完全不同量级的挑战。
为什么偏偏是这个50岁的“老病毒”？
如果你觉得 ΦX174 这个名字眼生，那你可能不知道，它几乎是整部基因组学的起点。
1977 年，Fred Sanger 团队完成了 ΦX174 的全基因组测序。那是人类读通的第一条完整 DNA 文本，直接催生了后来的测序革命。2003 年，Craig Venter 团队把它的基因组从化学原料重新合成出来，证明"写下并启动"一条基因组在原则上可行。
现在，2025 年，同一个模板被交给了 AI。
这种选择经过了精心设计ΦX174 的基因组只有大约 5386 个碱基对，编码 11 个基因，人类基因组的百万分之一。但别被它的“小”骗了：这条基因组里，基因彼此重叠，调控元件交错缠绕，牵一发而动全身。它像一架被压缩到极致的精密钟表，够小，合成成本还能承受；够复杂，足以考验任何设计者的功力
读、写、设计，基因组学的三部曲，终于在同一个对象身上走完了闭环。
AI 到底是怎么“写”出一条基因组的？
先忘掉 ChatGPT 写作文的画面。这里的"语言模型"，输入输出全是 DNA 碱基序列，A、T、G、C，没有一个自然语言词汇。
Evo 2 在涵盖生命三域、数万物种的海量基因组数据上做了预训练，学会了 DNA 序列里那些人类至今说不清的隐性语法。研究团队随后在微病毒科（ΦX174 所属的家族）的序列上做了精细微调，让模型更擅长写出“像 ΦX174 那样”的基因组。
但光会模仿还不够研究者设置了一套极其严苛的过滤管线：
- 长度和碱基组成
要合理； - 关键蛋白
必须存在； - 刺突蛋白
（决定病毒认哪种细菌为宿主的“钥匙”）要与 ΦX174 足够相似，锁死宿主范围； 序列要足够新颖，不能只是把野生型背诵一遍。
在“太像抄袭”和“完全不像噬菌体”之间，模型必须找到一个微妙的平衡点。
▲ 第一作者 Samuel King 在预印本上线当天发布长线程，逐步拆解了从模板选择、微调、过滤到湿实验验证的全过程。
不止能活，有时还更强，结果里最惊人的细节
16 条可工作的基因组，每一条都经历了大刀阔斧的重塑。
与最近的天然序列相比，这些 AI 噬菌体携带了 67 到 392 个新突变，核苷酸同一性大致落在 93% 到 98.8% 的区间。有的设计包含基因插入、丢失、截短或调控区重构。最极端的一个，Evo-Φ2147，差异之大，按照某些噬菌体分类标准，已经可以被划为一个全新物种。
Evo-Φ36 的故事尤其出人意料：
有一条名为 Evo-Φ36 的设计，AI 把一个叫 J 基因的关键包装蛋白，直接换成了来自远缘噬菌体 G4 的版本。G4 的 J 蛋白更短，而过去人类科学家尝试做同样的替换时，结果只有一个，死。
但 AI 让它活了
怎么做到的？冷冻电镜揭示了答案：模型在替换 J 基因的同时，协调修改了基因组其他多个位点，产生了一系列补偿性突变。那个更短的 J 蛋白在病毒衣壳内部，采取了一种从未在经典结构中观察到的全新取向和相互作用方式。
这种结果展示出一种整体性的设计能力。
▲ Asimov Press 主编 Niko McCarty 撰写了深度长文解读这一工作，指出部分 AI 噬菌体的感染能力可比甚至优于野生型。
最硬核的考验：用 AI 鸡尾酒打败“超级细菌”
如果 AI 噬菌体只是在实验室里"能活"，故事可能只值半篇论文。后续抗性实验让结果更有分量
团队先培育出一批对天然 ΦX174 有抗性的大肠杆菌，它们通过表面受体突变，让野生型噬菌体完全无法附着。单独拿 ΦX174 去打，毫无效果
然后，研究者把多种 AI 生成的噬菌体混合在一起，组成一杯“AI 鸡尾酒”，倒进去。
几代培养之内，抗性菌株被重新压制了。
后续测序发现了一个精妙的机制：成功突破抗性的样本，往往由多条 AI 噬菌体之间发生重组，形成全新的嵌合基因组。突变集中在与细菌受体相互作用的表面区域，恰恰是抗性菌株改变了的地方。
AI 提供了一整盒不同形状的毛坯，进化自己完成了最后的打磨。
多样性本身，变成了对抗耐药的武器
这正是噬菌体疗法梦寐以求的场景：抗生素耐药已成为全球公共卫生的慢性危机，而单一噬菌体总会被细菌进化逃逸。如果 AI 能批量生成遗传上足够多样、却仍锁定目标宿主的噬菌体军团，逃逸的门槛会被大幅抬高。
▲ BBC 科学记者 James Gallagher 以“AI被用于设计全新病毒”为题报道，配图是 Brian Hie 与合作者在屏幕前查看结构可视化，计算设计与湿实验闭环的典型画面。
“既疯狂得酷，也疯狂得吓人”
社交平台上，评论几乎在第一时间撕裂成两极。
有人评论："Crazy awesome and also crazy scary."，既疯狂得酷，也疯狂得吓人。
日本网友的追问更冷静，也更尖锐：如果 AI 已经能设计自然界不存在的病毒，问题就会从技术延伸到：谁来管理，如何管理？
▲ 来自日本网友的评论，将讨论从技术层拉向治理层。
Science 配发的评论文章里，约翰霍普金斯大学健康安全中心的 Thomas Inglesby 与 Moritz Hanke 写下了更冷的句子：生成式病毒基因组设计的能力已经存在，而安全引导它的治理尚未跟上。 他们明确主张：对可能感染人或动植物的病原方向，不应推进同类工作。
需要先按下暂停键，厘清两个容易被标题带偏的关键事实，
第一，这里的“病毒”是噬菌体，只感染细菌，不能感染人类。实验宿主也是非致病性的实验室大肠杆菌菌株。第二，从噬菌体的五千多个碱基到最小细菌基因组的数十万碱基，再到复杂病原体，碱基数量与系统复杂度的跃迁是巨大的。帝国理工学院合成基因组工程教授 Tom Ellis 对媒体直言：选 ΦX174 恰恰说明更复杂的基因组有多难。
安全讨论主要面向未来同一类生成能力，在更换训练数据与目标之后，理论上可以指向更危险的系统。这就是为什么多方同时强调：除了管理模型，还要落实 DNA 合成订单筛查、实验室准入、研究伦理审查，分层防护比单点封禁更现实。
更重要的遗产：从16条序列到一条管线
回头看，那 16 个成功的噬菌体只是这项工作最显眼的成果。
约二十分之一的成功率说明：模型已经学会了相当多生物约束，但远未达到“下笔即活”的水平。效率很低，但非零，而“非零”在科学史上，往往是最重要的那个词。
Arc 博文花了大量篇幅讲那些“无聊的工程细节”：自建的重叠基因注释工具、基于刺突蛋白相似性的嗜性过滤、防止模型背诵野生型的多样性筛查、高通量生长抑制实验……这套从候选到验证的完整管线，是可以迁移到其他模板噬菌体、其他目标宿主的关键资产。
正如 Asimov Press 的长文所提醒的：全基因组设计未必总是最实用的工程路径，很多时候，改几个关键基因就够了。这次里程碑表明，机器可以学习基因组尺度的生成约束。
1977 年，人类读通了第一条基因组。2003 年，人类写出并启动了它2025 年，AI 开始设计新的
读、写、设计半个世纪的三部曲，在同一个五千碱基的小病毒身上，画下了句号，又打开了一扇谁也不确定通往何处的门。