夜雨聆风深夜，斯坦福大学的实验室里，博士生 Samuel King 盯着琼脂平板上一块块透明的圆斑，心跳骤然加速。
那些圆斑叫"噬斑"，每一个，都意味着一群病毒正在屠杀细菌。这些病毒源于一个 AI 模型逐字母"敲"出来的基因组。
A、T、C、G，五千多个碱基，像写一篇散文一样，从左写到右。
写完了，化学合成，送进细菌，细菌裂了，病毒复制了，子代又去感染下一批宿主。
Brian Hie 教授后来对 BBC 说：当电子显微镜下第一次出现 AI 生成的球形病毒颗粒时，"那种震撼是真实的"。团队把结果分享给更多同事时，房间里自发响起了掌声。
这段实验场景已经成为现实2025 年 9 月预印本上线，2026 年 8 月正式登上 Science，人类第一次用生成式 AI 设计出完整的、经实验验证能工作的病毒基因组。
▲ 科技资讯账号 SciTech Era 以"BIG BREAKTHROUGH"为标题发布消息，引发社交网络讨论
302 个 DNA 序列扔进去，16 个"活"着走出来
先把关键数字摆上桌
斯坦福大学与非营利研究机构 Arc Institute 合作开发了名为 Evo 1 和 Evo 2 的基因组语言模型，你可以粗暴地理解为"ChatGPT，但它说的语言是 A/T/C/G"。模型从海量真实 DNA 序列中学习基因组的碱基排列规律，然后被要求从零开始，写出完整的病毒蓝图。
目标模板是 ΦX174（Phi X174），一种科学史上赫赫有名的小噬菌体。它只感染大肠杆菌，不感染人，基因组只有约 5,386 个碱基，编码大约 11 个基因，看似简单，但基因之间大量重叠，同一段 DNA 同时属于两个基因的阅读框。随便改几个字母，整段就可能崩塌
这恰恰是最好的考试题：如果 AI 连这种"牵一发动全身"的精密结构都能搞定，就说明它掌握了基因组层面的设计法则。
漏斗是这样的：模型生成了数千个候选序列 → 经过长度、必需基因、宿主特异性等计算筛选后，团队挑出约 302 个送去化学合成 → 约 285 个成功组装并进入湿实验 → 最终，16 个成为了货真价实的、能感染、能复制、能杀死宿主细菌的噬菌体。
5.3% 的成功率，听起来不高但换个角度，这些序列与自然界最近的同源物相比，携带了 67 到 392 个全新突变，序列一致性低至约 93%。在噬菌体分类学里，平均核苷酸一致性低于 95% 通常意味着可以被讨论为"新种"。
换句话说，AI 写出了自然界从未存在过的病毒，而且它们能工作。
▲ 科学记者 Niko McCarty 在预印本上线当刻发帖："部分 AI 生成的噬菌体感染力不输甚至优于野生型"
能活之外，有些比天然病毒还猛
让研究者自己都感到意外的是：部分 AI 噬菌体的表现超过了它们的天然模板。
在竞争实验中，一个编号为 Evo-Φ69 的 AI 变体，相对起始丰度获得了约 65 倍的竞争优势，它比野生型 ΦX174 更擅长抢占宿主。
更实用的发现来自耐药实验研究者先让大肠杆菌在实验室里反复进化出对野生型 ΦX174 的耐药性（通常是表面受体突变，让病毒"认不出门"）。然后，他们把多种 AI 噬菌体混合成鸡尾酒，结果在 1 到 5 代之内就突破了耐药防线，而单用野生型的对照组彻底失败。
Brian Hie 这样解释其中的逻辑："单一噬菌体一旦被细菌进化绕过，game over。但如果你有一堆遗传上彼此不同的毒株，细菌很难同时对所有变体产生抗性。"
还有一个案例堪称"AI 的神来之笔"：编号 Evo-Φ36 的噬菌体，使用了一个来自远缘噬菌体 G4 的更短版本 J 蛋白（与 DNA 包装相关）。此前，人类研究者尝试过这种替换，结果往往是功能削弱甚至彻底报废。但 AI 在基因组的其他位置做了一系列补偿改动，让这个"本不该工作"的组合成功运转。冷冻电镜的结构数据证实了它确实形成了完整的病毒颗粒。
没有人告诉模型该怎么补偿它自己从数据里"悟"出来的
▲ Arc Institute 官方博客由 King 与 Hie 联合署名，详解从训练到实验的完整技术路径
一条 DNA 的"读，写，设计"简史
为什么团队反复拿 ΦX174 讲故事？因为这个小病毒本身就是分子生物学的活体刻度尺。
1977 年，弗雷德里克·桑格团队测出了它的完整序列，人类第一次"读"完一个 DNA 基因组。2003 年，克雷格·文特尔团队把它的序列完整化学合成出来并"启动"，人类第一次"写"出一个可工作的基因组。2025 年，Arc 团队让 AI 从头生成全新序列并验证功能，人类第一次"设计"出可工作的基因组。
读 → 写 → 设计，同一把尺子，量了半个世纪的技术跃迁。
Evo 2 的训练底盘有多大？约 9.3 万亿核苷酸、覆盖约 12.8 万种生物。在这之上，团队又用约 1.4 万条 Microviridae（ΦX174 所属科）相关序列做了精细微调。微调促使模型掌握这一类病毒的"语法"，并在考试时写出从未见过的"新文章"。
"历史上第一次开始在计算机上设计生物学"
Science 论文发表后，学术界给出了分量十足的评价。
巴塞罗那庞培法布拉大学的合成生物学教授 Marc Güell 对 BBC 说：这是"非常重要的转折点"，"历史上第一次开始在计算机上设计生物学。" 爱丁堡大学的 Patrick Cai 进一步点明：意义远不止噬菌体本身，基因组语言模型似乎在学习进化编码的设计原则，为"AI 辅助写基因组"打开了一扇大门。
而 J. Craig Venter 本人，二十多年前亲手合成了第一个 ΦX174 的那位传奇，则给了一个简洁的定位："更快的试错。"肯定速度，也提醒别把它神话为全知的设计师。
掌声之后，是巨大的沉默
但恐惧来得和掌声一样快
纽约时报的推文下，一条高赞回复写道："为什么我感觉这东西将来会被用来杀我？"
▲ 网友对纽约时报推文的短回复，成为恐惧情绪的典型样本
另一位用户更激烈："十年前我会觉得这是个有趣的想法。现在我觉得这个实验室和所有研究都应该被彻底焚毁，所有科学家应该被送到荒岛上好好反思。"
▲ 极端反对声音：从"好奇"到"恐惧"，十年间公众心态的剧烈翻转
这些声音不构成科学结论，但它们折射出一个真实的裂缝：当"写病毒"变成一项软件技能，谁来守门？
卫报把这道裂缝撕得更开约翰霍普金斯健康安全中心的 Tom Inglesby 与 Moritz Hanke 在 Science 配发评论中写道：生成式病毒基因组设计已经存在，而安全引导它的治理尚不存在。 他们主张：不应追求对人类、动物、植物致病的病毒基因组生成。
团队自己也清楚这条线公开材料反复强调：训练数据有意排除了感染人、动物、植物的病毒；实验宿主只是无害的实验室大肠杆菌；宿主嗜性测试显示功能噬菌体只杀目标近缘株。Evo 2 的权重和代码虽然开源，但 Hie 的逻辑是：开源能加速防御能力建设，而目前改造已有自然病原体仍比从零 AI 设计新人类病毒容易得多。
帝国理工的 Tom Ellis 提供了一个冷静的校准：这只是"最小、最容易"的一类基因组。HIV 约 1 万碱基，冠状病毒约 3 万碱基，确实在"可合成"尺度内，但更现实的威胁路径，往往是对已有病原体做功能获得改造，而非从零创造。伦敦国王学院的 Filippa Lentzos 则把目光拉向最实际的闸门：DNA 合成订单筛查，你可以让 AI 随便写，但想拿到实体 DNA，目前仍然要过合成公司这一关。
潘多拉的盒子，还是普罗米修斯的火种？
回到最根本的问题：这件事到底意味着什么？
乐观者看到的是：噬菌体疗法可能迎来"从碰运气到按需设计"的范式转变。全球每年因抗生素耐药感染死亡的人数已超过百万量级，如果 AI 能批量生成遗传多样的候选毒株，快速组装成鸡尾酒对付超级细菌，这是实实在在的救命工具。Hie 团队的潜在靶标清单已经包括铜绿假单胞菌、MRSA、甚至植物病害相关细菌。
悲观者看到的是：写基因组这件事正在变得越来越"软件化"，可复制、可远程、可规模化。今天是 5,000 碱基的细菌病毒，明天呢？
但或许最值得记住的，是一位日本网友在推文下的留言，大意是：如果 AI 已经能设计自然界没有的病毒，它的角色已经改变。从今以后，管理问题将成为主题
历史告诉我们，每一次"写生命"的能力向前跃进，人类都会经历同样的循环：震惊，兴奋，恐惧，然后，如果运气够好的话，赶在灾难之前建好规则。
1975 年的阿西洛马会议是这样基因驱动的争论是这样
这一次，留给我们的时间窗口可能更短。