夜雨聆风凌晨两点，培养皿上开始出现透明的斑点。
斯坦福博士生Samuel King盯着那些蚀斑，每一个亮斑都意味着一群细菌刚刚被从未在自然界存在过的病毒杀死。这些DNA全文来自一个AI模型，在几小时内便被"敲"了出来。King后来对BBC说，那个瞬间"extremely exciting"。当结果被分享给整个团队时，房间里自发响起了掌声。
他们刚刚完成了一件此前从未有人做到的事：用生成式AI从零设计出完整的、可复制的、能感染并杀死细菌的全新病毒基因组。它越过了局部碱基修改与已知片段组装，让语言模型像写文章一样，一个字母一个字母地"写"出整条基因组，然后在真实的培养皿里活了过来。
2026年8月6日，这项工作正式登上Science。
▲ 第一作者Samuel King发帖宣布："今天我们在Science上报告了首批功能性的AI生成基因组。"配图展示了从序列生成到宿主验证的完整管线。
一条病毒，5386个字母，零容错
要理解这件事有多难，你得先知道他们选了一个地狱难度的模板。
ΦX174，读作"Phi X 174"，大概是分子生物学史上最有名的病毒之一。它只有大约5400个碱基，编码11个基因，是一种只感染大肠杆菌的噬菌体（bacteriophage），对人类完全无害。但它有一个让所有基因工程师头疼的特征：基因重叠。
什么意思？想象同一行文字同时属于两首诗，你改一个字，可能同时破坏两层含义。ΦX174的多个基因在DNA序列上彼此叠压，同一段碱基要同时编码不止一种蛋白质。因此，你不能随便动任何一个位置，每一个突变都可能是致命的。
正因如此，ΦX174串联起了基因组学的三座里程碑：1977年，Sanger团队完成了它的测序，人类第一次"读"完一整条DNA；2003年，Venter团队化学合成并启动了它，人类第一次"写"出完整基因组；而现在，Arc Institute的团队让AI"设计"了它的全新变体。
从读，到写，到设计
▲ Arc Institute官方博文标题：How We Built the First AI-Generated Genomes，配图用箭头标出从基因到基因组的复杂度跃迁。
语言模型不写诗了，它开始写DNA
这个"写手"叫Evo
如果你熟悉ChatGPT，可以把Evo理解为它的"生物学表亲"：ChatGPT读的是人类语言，预测下一个词；Evo读的是碱基序列A、C、G、T，预测下一个核苷酸。它在海量原核生物和噬菌体基因组上训练，学会了"什么样的序列看起来像能工作的生物代码"。
Evo 1专注于原核与噬菌体语料；Evo 2则把训练扩展到约9.3万亿个碱基、涵盖约12.8万种生物，并支持更长序列的生成。但在此之前，Evo生成的基因组，包括酵母染色体和小细菌基因组，全部停留在计算机里，从未进过培养皿。
这一次，团队做了关键的一步：在约14,466条Microviridae家族序列上微调模型，然后用短序列作为提示（prompt），引导Evo产出接近ΦX174、同时避开照抄野生型的全新基因组。这里有个精妙的平衡，Asimov Press的深度报道指出：提示太长，模型变成复读机；提示太短，设计空间失控；中间长度刚好
▲ 科技记者Niko McCarty在预印本阶段即报道：部分AI噬菌体携带数百个突变，感染效率却不输甚至优于野生ΦX174。
从两万条序列里，活下来16个
生成只是第一步接下来是残酷的筛选
团队生成了数以千计的候选序列，然后用计算过滤层层淘汰：长度不对的、关键基因缺失的、宿主向性不匹配的，统统砍掉。最终约302个设计进入化学合成阶段。其中部分因重复区导致合成失败，约285个被成功组装并导入大肠杆菌。
接下来是培养皿的裁决，模型说了不算，细菌说了算。
96孔板、光密度监测、蚀斑实验、电子显微镜……一整套验证走完，16个基因组被确认具有完全功能：它们能在细菌体内完成复制，组装成病毒颗粒，裂解宿主，释放有感染性的后代。
Jorge Bravo Abad在技术解读中精确概括了这条链路的本质："模型提出，计算筛选，实验室裁决。" 仅有生成远远不够，是基础模型+微调+提示+过滤+湿实验验证的闭环，才让16条从未存在过的DNA在培养皿里醒了过来。
▲ MIT Technology Review以"AI-designed viruses are here"为题深度报道，头图设计中出现"Can you design life?"的提问。
比野生型更强，还能对付耐药菌
这些AI病毒存活后还显示出更强的性能，部分设计甚至超过自然界的原版。
在直接竞争实验中，名为Evo-Φ69的设计展现出远超野生ΦX174的扩增能力。而结构上最有故事的是Evo-Φ36：它把负责包装的J蛋白换成了一种远缘噬菌体G4的更短版本。过去的理性工程尝试认为这种替换必然致命，但Evo在全基因组层面给出了一组人类不太会想到的补偿性突变，让整个系统重新跑通。冷冻电镜显示，短J蛋白在衣壳内取向完全不同，AI找到了一条人类设计师看不见的路。
而在噬菌体疗法的概念验证中，团队先让大肠杆菌进化出对ΦX174的耐药性，然后用AI生成的噬菌体鸡尾酒去挑战。结果：AI鸡尾酒在有限传代内攻克了三株耐药菌，而单独使用天然ΦX174做不到。 成功逃逸的细菌体内，还出现了多种AI噬菌体设计重组形成的镶嵌基因组，多样性本身成了对抗进化的弹药。
它们有多"新"？
这是一个核心问题：AI真的创造了"新"东西，还是只在抄近义词？
数据说话：16个功能基因组相对最近的自然同源，携带67到392个新突变；与已知Microviridae的核苷酸一致性在93.0%到98.8%之间。其中最"野"的一个，Evo-Φ2147，以约93%的一致性和392个突变，在某些分类阈值下已经可以讨论为接近一个新物种。
当然，也有清醒的声音蛋白质设计领域的Sergey Ovchinnikov提出了尖锐的方法学质疑：93%的一致性真的需要Evo 2吗？如果对高度相似的自然序列做比对、按平均谱系采样285条，实验室成功率会是多少？ 这个问题将讨论从"设计生命"拉回到一个更冷静的框架，"高效探索近邻序列空间"。
两种说法都不错关键在于，ΦX174的重叠基因使随机突变几乎必然致命，King自己也提到，按此估算，AI设计的存活率远高于随机基线。模型确实学到了某种进化用几十亿年才编码进去的设计原则。
潘多拉的盒子，已经打开了吗？
所有人都在问同一个问题：如果AI能设计自然界不存在的病毒，谁来管？
研究团队强调了多重安全边界：训练数据排除了感染人类的病毒序列；实验宿主是非致病实验室菌株；所有材料不离开生物安全控制区但Science配发的评论中，约翰霍普金斯大学健康安全中心的Thomas Inglesby提醒：技术已经出现，接下来的问题是如何在不造成严重伤害的前提下使用。
他和合作者Moritz Hanke进一步主张：有致病潜力的新病毒方向不应被追求。 而伦敦国王学院的Filippa Lentzos等人则把视野拉到全链路，Evo的权重和代码是开源的，DNA合成服务商业可得，现有高风险研究政策未必覆盖"在计算机上设计新病毒DNA"这个场景。
这类担忧有现实基础人类致病病毒中，不少基因组长度与噬菌体同一量级。当模型能力、合成服务与实验室技术三者同时外溢时，仅强调"到真核生物还有距离"远远不够。
新纪元的第一页
曼彻斯特大学合成基因组学教授Patrick Cai说了一句值得反复咀嚼的话：语言模型开始学习进化写入的设计原则。
从蛋白质折叠预测到抗生素分子设计，再到完整基因组的从头生成，AI介入生命科学的复杂度台阶正在一级一级地跳。BBC的报道特意做了对比：AI设计抗生素，改的是一个分子；AI设计完整可复制基因组，改的是一整套能自我繁殖的系统。
Brian Hie对BBC坦言：朝向更简单的细胞级别系统，"工作量很大，但并非不可能"。要知道，最小的自由生活细菌基因组比ΦX174大约两个数量级。从5000碱基到50万碱基，算力与人类对生命复杂性的理解都得跨越一道鸿沟。
但那道鸿沟，此刻看起来，比昨天窄了一点。
16个透明斑点，16条从未存在过的基因组，16个在凌晨的培养皿里醒来的人造病毒。它们不感染人类，只猎杀细菌，但它们证明的那件事，将改变所有人对"设计"与"生命"之间距离的认知。
生成式AI在写诗、画画、编代码之外，开始触碰生命基因组。