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 盯着琼脂培养板，屏住了呼吸。
几个小时前，他把一段由AI从零写出的DNA序列注射进了大肠杆菌。这段序列未经人类编辑，也没有从自然界照抄，是大语言模型像写作文一样一个碱基一个碱基"吐"出来的。现在，培养基表面正在出现一个个透明的斑点。
那些斑点意味着：细菌正在死亡AI写的"剧本"，被生命的分子机器照单全收了。
房间里自发响起了掌声
▲ Arc Institute发布的官方深度解读：《How We Built the First AI-Generated Genomes》
302个候选，16个"活"了
让我们把数字摊开
斯坦福大学化学工程教授 Brian Hie 的实验室与非营利机构 Arc研究所合作，使用名为 Evo（1代和2代）的基因组语言模型，生成了数千个候选病毒基因组。经过计算筛选，团队挑出约 302个 设计送去做DNA化学合成；大约 285个 成功组装并进入湿实验测试。
最终结果：16个成为了有感染性、可以自我复制的病毒。
它们属于噬菌体，一种只感染细菌的病毒。具体来说，它们专杀实验室常用的大肠杆菌，对人体细胞毫无兴趣。这件事的分量在于，
这是人类历史上第一次，生成式AI设计出完整的、经实验验证可以工作的病毒基因组。
从电脑屏幕上的ATCG字符串，到培养皿里真实裂解细菌的生物粒子，中间那道曾被认为遥不可及的鸿沟，被跨过了。
▲ 《纽约时报》以突发新闻形式报道这一进展，标题同时指向"希望与危险"
一个70年前的"老熟人"
要理解这个突破有多难，你需要认识一个名字：ΦX174（读作Phi X 174）。
这是一种极其微小的噬菌体，1935年前后被发现。它的整个基因组只有大约5386个碱基，如果DNA是一本书，它连一页纸都算不上。编码区只有11个基因但别被体积骗了：这11个基因高度重叠，同一段DNA可能同时属于两个不同基因的阅读框。牵一发而动全身，随便改几个碱基，整个系统就可能崩溃。
正因如此，它成了合成生物学史上的刻度尺：
- 1977年
，桑格（Frederick Sanger）团队把它测成了人类历史上第一个完整DNA基因组，学会了读。 - 2003年
，文特尔（J. Craig Venter）团队首次化学合成并"启动"了它的全基因组，学会了写。 - 2025年
，Brian Hie团队让AI从零设计出它的全新变体，开始学创造。
读 → 写 → 设计 同一个微小的病毒，丈量了半个世纪生命科学的三次跃迁。
▲ 科技资讯大V Mario Nawfal用"里程碑还是警告"的对举结构报道，引用Hie原话："下一步是AI生成的生命"
活下来以后，它们甚至"更野"
如果16个噬菌体只是ΦX174的"山寨版"，故事到这里就结束了。但实际情况远比这刺激
研究团队发现，这些AI设计的基因组与最近的自然同源体相比，携带了约67到392个全新突变，序列一致性在93%到98.8%之间。在噬菌体分类学的惯例中，平均核苷酸一致性低于约95%，通常就可以讨论是否构成"新种"。
换句话说，AI可能"无中生有"地创造了自然界从未存在过的物种。
一个叫 Evo-Φ36 的设计尤其让研究者意外。它使用了来自远缘噬菌体G4的一个更短版本的J蛋白（与DNA包装相关）。过去科学家尝试过类似的人工替换，结果往往是功能大幅削弱甚至彻底报废。但AI版本通过在基因组其他位置引入一系列补偿性改动，让这个"本不该工作"的组合硬生生跑起来了，冷冻电镜的结构数据证实，病毒粒子成功组装。
Brian Hie后来对BBC说，在电子显微镜下第一次看到AI生成的球形病毒粒子时，感觉"quite stunning"，相当震撼。
而在竞争实验中，有个编号为 Evo-Φ69 的AI噬菌体，在混合培养条件下，相对于起始丰度实现了约65倍的扩增优势。部分AI设计的噬菌体在感染力或复制速度上，不输甚至超过了天然的ΦX174。
最硬核的一击来自耐药实验团队人为演化出一批对野生型ΦX174已经产生抗性的大肠杆菌，然后用多种AI噬菌体组成的"鸡尾酒"去攻击。结果：仅仅1到5代之内，细菌的防线就被突破了。而单用野生型ΦX174？失败
▲ 科技博主Dr Singularity梳理关键数字：302个设计→16个成功，Craig Venter评价其为"更快版本的试错"
"ChatGPT，但字母是ATCG"
Evo 到底是个什么东西？
你可以把它粗略理解为：一个学习生命语言的ChatGPT，词表只有A、T、C、G四个碱基字母。
模型在海量真实DNA序列上训练，学习自然基因组中常见的碱基排列规律。Evo 2的训练语料量级达到约9.3万亿个核苷酸，覆盖约12.8万种生物。为了让它更精准地生成ΦX174家族的基因组，团队又用约1.4万条Microviridae（ΦX174所属科）相关序列做了微调。
生成方式和你用ChatGPT打字一样：给一小段"开头"当提示，模型从左到右把后面的序列续写完。但提示长度需要精心设计，太长，模型会"背诵"野生型原文；太短，输出就飘到不知道哪里去了
关键跃迁在于维度升级 此前AI更擅长设计一个蛋白质或一小段功能模块。而一整个基因组是另一个层级的挑战：多个基因必须在时间和空间上精密配合，调控序列、包装信号、宿主互作位点，任何一环出错都意味着零产物。DNA合成界的先驱Venter对此的评价是，"更快的试错"。肯定了速度，也暗示：别把它神话成全知的设计师。
希望这么大，恐惧也这么大
故事讲到这里，你大概已经感受到了两股力量在拉扯。
乐观的一面光芒万丈 全球每年有超过百万人死于抗生素耐药菌感染，这个数字还在攀升。如果AI能按需生成遗传多样的噬菌体候选库，把"碰运气找毒株"变成"在序列空间批量采样"，噬菌体疗法将获得前所未有的弹药。Hie团队已经在展望下一批目标：铜绿假单胞菌、MRSA（耐甲氧西林金黄色葡萄球菌）、结核相关病原，甚至植物病害细菌。
悲观的一面指向潜在风险 HIV基因组约1万碱基，冠状病毒约3万碱基，和噬菌体处于同一个数量级，都属于"技术上可合成"的尺度。开源模型如果被换一批训练数据、重新微调，理论上……
约翰霍普金斯健康安全中心的 Tom Inglesby 在 Science 配发的评论中措辞严厉：生成式病毒基因组设计已经存在，而安全引导它的治理框架尚不存在。他主张，不应追求对人类、动物、植物致病的病毒基因组生成。
帝国理工学院的 Tom Ellis 则提供了一个冷静的对照：这次做的是"最小、最容易的一类基因组"；当前更现实的威胁路径，往往来自对已有病原体的功能增益改造。从零写一个全新病毒的门槛更高伦敦国王学院的 Filippa Lentzos 进一步指出：不要只盯着AI模型本身，DNA合成订单筛查才是目前最硬的那道闸门。毕竟，AI一秒能写百万条序列，但把它们变成真实DNA，你得找合成公司下单，而那里是可以设卡的。
当评论区成为时代情绪的切片
学术界在审慎地权衡，而公众的反应更加本能。
▲ 纽约时报推文下的高赞回复，浓缩了公众焦虑
一位用户在《纽约时报》推文下写道："为什么感觉这东西将来会用来杀我。" 收获了大量点赞另一位用户更激烈："十年前我觉得这很有趣，现在我觉得这项研究应该被彻底销毁。"
▲ 日本用户的冷静追问："如果能设计自然界不存在的病毒，AI就不再只是辅助工具了。谁来管、怎么管，才是今后的正题。"
这些声音不构成科学结论，但它们是真实的社会压力信号。它们会倒灌进监管议程、资助审查和公众信任，而这三样东西，每一样都能决定一项技术是被善用还是被冻结。
一道正在模糊的边界
回到开头那间实验室
Brian Hie事后接受斯坦福新闻采访时，反复强调一个细节："我们没有事后手动添加任何东西。" 模型端到端生成，合成，注入，然后它就活了。
▲ 斯坦福大学官方新闻稿标题：AI designs a novel E. coli killer
当代基因组合成学者 Marc Güell 对BBC的评价是："这是一个非常重要的转折点。历史上第一次，我们开始在计算机上设计生物学。"
数字代码和生命代码之间的边界，正在变得模糊。
这一次，AI写出来的是杀细菌的噬菌体，5000多个碱基，11个基因，无害于人。但大肠杆菌的基因组是ΦX174的一千倍，人类基因组是30亿碱基对，这之间的距离仍然以数量级计。合成成本随长度急剧攀升，湿实验的复杂度呈指数爆炸，我们离"AI设计一个可以独立生活的细胞"还有漫长的路。
但历史一再证明：漫长的路，有时候会突然变短。
那些透明的噬斑，琼脂板上一个个微小的、细菌被杀死后留下的空洞，既是医学的希望之光，也是一声清脆的警钟。它们在说：
AI不再只是在屏幕上画画、写诗、聊天了。它开始触碰生命本身的源代码
接下来，决策与约束成为焦点：谁来决定它该做什么，不该做什么？
