夜雨聆风培养皿上出现了透明的斑点
那是死掉的细菌留下的空洞，学术上叫噬菌斑。在帕洛阿尔托 Arc Institute 的实验室里，博士生 Samuel King 盯着灯光下那几个小圆圈，心跳加速。因为杀死这些细菌的病毒，地球上从未存在过。
它们的来源出人意料：一个大语言模型像写文章一样，一口气“写”出了这些序列。五千多个字母，十一个基因，从第一个碱基到最后一个碱基，全部由 AI 原创。然后科学家把这段数字序列变成真实的 DNA，塞进大肠杆菌，
细菌裂解了病毒活了
2026 年 8 月 6 日，这项工作正式登上 Science。论文标题平静地描述实验，圈内人读完却难掩激动：生成式 AI 设计生命的时代，到了。
▲ 实验室负责人 Brian Hie 在 2025 年 9 月预印本发布时写道："Welcome to the age of generative genome design!" 把 1977 年桑格测序与 AI 生成并置。
数百个候选，十六个“活”了
先说数字，因为数字最诚实
团队用基因组语言模型 Evo 2 生成了大约 302 个全新的噬菌体基因组设计。经过化学合成、组装、注入宿主菌，最终16 个成功启动，它们能复制自己、组装成完整的病毒颗粒、并从内部裂解宿主细胞，释放下一代。
命中率大约 5%听起来不高？但请注意前提：这些序列在自然界中从未出现过。它们与最近的天然亲戚之间，携带着 67 到 392 个全新突变，核苷酸一致性最低只有约 93%。其中一个编号为 Evo-Φ2147 的家伙，按某些分类标准，已经可以被认定为一个全新物种。
▲ 科学记者 Niko McCarty 第一时间在 Asimov Press 发布深度解读，称之为"AI 设计基因组首次获得湿实验验证"。
Evo-Φ36 尤其特殊这个 AI 设计做了一件人类工程师试过、但失败了的事：它把一个远缘噬菌体 G4 的 DNA 包装蛋白 J 嫁接到了 ΦX174 的整体框架里。G4 的 J 蛋白更短，过去的人工替换实验每次都导致噬菌体“瘫痪”。AI 换掉这个零件后，又在基因组的其他位置安排了一系列补偿性突变，让整台机器重新跑通。冷冻电镜下，那个更短的 J 蛋白在衣壳里采取了完全不同的空间取向。
这次成功显示，模型在数万条病毒序列中学到了某种深层的“语法”，能够处理突变之间的冲突与配合。
一只 48 岁的老噬菌体，为什么反复被选中
ΦX174，分子生物学的“果蝇”
1977 年，弗雷德里克·桑格团队用它完成了人类历史上第一次完整 DNA 基因组测序，五千多个碱基，当年已是技术极限。2003 年，克雷格·文特尔团队又把它做成了第一个化学合成并成功启动的全基因组。现在，Arc 的团队在它身上实现了第一次 AI 生成的功能性基因组。
读、写、设计，三种能力，落在同一只小病毒上，间隔近半个世纪。
为什么总是它？因为它足够小（约 5,386 个碱基，合成成本可控），却又足够难（11 个基因大量重叠，一个突变可能同时改变两个蛋白质）。这种重叠编码是天然的“压力测试”：如果 AI 只会做表面文章，碰到这种基因组会立刻露馅。
而 16 个活体证明，它没有露馅
当耐药菌遇上 AI 鸡尾酒
故事到这里，科学意义已经够了接下来的耐药实验更让公共卫生圈竖起耳朵。
团队人工培育了三株对天然 ΦX174 完全免疫的大肠杆菌，它们改变了表面受体，让原来的噬菌体无处下嘴。然后，研究者分别用三种武器去挑战这些耐药株：
单独的天然 ΦX174 → 失败 天然噬菌体的混合物 → 失败 - AI 生成噬菌体组成的鸡尾酒
→ 在一到五次传代内突破耐药
▲ Samuel King 在 Science 发表线程中展示：生成噬菌体鸡尾酒（左）能克服耐药，天然对照（右）不能。
成功的关键在于多样性AI 生成的噬菌体彼此之间序列差异很大，当它们共同面对耐药菌时，会发生重组，两三个设计之间交换基因片段，拼出新的嵌合基因组，突变恰好集中在与受体相互作用的表面区域。AI 先铺开了一整个弹药库，让进化自己找到出路，省去了直接设计“银弹”的难题。
这击中了噬菌体疗法百年来最痛的瓶颈：找到“对的”噬菌体太慢了。
2016 年那个被全球媒体追踪的故事至今令人唏嘘，流行病学家 Steffanie Strathdee 的丈夫 Tom Patterson 在埃及感染了多重耐药鲍曼不动杆菌，所有抗生素失效。紧急之下，多个实验室从污水、畜舍、甚至军舰舱底水中大海捞针，才凑齐了一套噬菌体鸡尾酒，静脉注射后奇迹般康复。
如果当时有一个模型，能在几小时内生成数百个候选呢？
这正是 Arc 团队画出的路线图King 在采访中直言：远期目标包括噬菌体疗法与基因治疗载体的改造，用 AI 重新设计病毒外壳，让它更高效地把治疗基因送进人体细胞。
“对人类无风险”？没那么简单
论文发表当天，社交媒体上最火的一条回复来自一位叫 Mystisith 的用户。他对“对人类无风险”四个字冷冷反讽：
"Sure... It's not like we have hundreds of types of bacteria in our bodies that are vital to keep us alive."
▲ 这条回复精准击中了公众的直觉焦虑：噬菌体杀的是细菌，但人体依赖细菌。
这个担忧有生物学依据人体肠道、皮肤、口腔中寄居着数以万亿计的共生菌群，它们帮助消化、训练免疫系统、抵御病原入侵。如果一种噬菌体“杀错对象”，理论上可能搅乱整个微生态。
实验数据怎么说？这批 AI 噬菌体对测试过的非目标大肠杆菌株保持了极窄的宿主范围。但“注入人体后是否扰动共生群落”属于另一层问题，必须依靠体内实验、微生态组分析和长期追踪才能回答，而这些目前统统没做。
更深层的忧虑来自约翰霍普金斯大学健康安全中心。他们在 Science 同期发表评论文章，措辞严厉：用生成式 AI 拼装病毒基因组的能力已经存在，安全引导它的治理却还没有。 他们划出一条明确红线，可感染真核生物（包括人类）的病原基因组，不应成为生成目标。
▲ CNN 在论文发表当日报道，同时强调了耐药希望与滥用警告。
Arc 团队并非对此毫无准备他们的技术护栏包括：训练数据完全排除人类病毒、只用非致病宿主做实验、用模板约束把生成空间锁在已知安全范围内、所有操作在生物安全柜中完成。Evo 2 的红队测试显示，模型对人类致病病毒蛋白的生成效果接近随机噪声。
但批评者的逻辑同样锋利：研究伦理只能构成其中一层约束，全球治理还要面对实验室之外的问题。 模型权重已经开源，下载量以十万计微调一个开源模型的门槛，远低于从头训练。当 DNA 合成的价格每年都在下降，“实验室护栏”还能撑多久？
从读到写到设计：一条跨越半世纪的弧线
把镜头拉远，这件事的意义逐渐浮现
过去五十年，人类与 DNA 的关系经历了三个阶段：读（测序）、写（化学合成已知序列）、设计（生成从未存在的功能性序列）。前两步之间隔了 26 年，后两步之间，如果从文特尔 2003 年的合成算起，又隔了 22 年。
但“设计”这一步的质变在于：不再需要人类理解每一个碱基为什么在那里。 模型从数据中提取的“语法”，已经超越了任何单个研究者的直觉。Evo-Φ36 的蛋白嫁接就是明证，人做砸了，AI 做成了，而且做成的方式人类事后才看懂。
这让人想起 AlphaFold 对蛋白质折叠的征服。但基因组设计比蛋白质设计难一个维度：蛋白质是一条链折成一个功能单元；基因组是多个基因、启动子、包装信号、重叠读码框的协同编排。一个突变可能同时毁掉两个蛋白16/285 的命中率，恰好说明这条路刚刚打通，离高速公路还很远。
▲ Arc Institute 官方博客标题：《How We Built the First AI-Generated Genomes》。从单基因到整基因组，这一步走了数年。
更清醒的对照：ΦX174 只有约 5 kb。大肠杆菌基因组大约 4,600 kb，大了将近一千倍。人类基因组？3,200,000 kb从 AI 写出一首五千字母的“短诗”，到写出一部三十亿字母的“长篇小说”，中间隔着一次范式革命，远超常规技术优化。
但历史教训是：每一次有人说“从这里到那里还远得很”，中间的距离都比预期缩短得快。
尾声：那个培养皿上的夜晚
MIT Technology Review 的记者记录了实验室里的一个瞬间：当第一个噬菌斑出现在培养皿上，一小块透明的、细菌死亡留下的空白，有人轻声说：
"AI is here."
随后他们启动了电子显微镜屏幕上出现了模糊的球状小点，大约 25 纳米，与天然 ΦX174 几乎一模一样，却又完全不同。
文特尔听到消息后泼了盆冷水：在他看来，这不过是把过去人工反复试错的过程加速了而已。也许他说得对但速度本身，恰恰是这个故事最危险、也最迷人的部分。
当“写”一段生命程序的时间，从数年压缩到数小时，无论你是治病还是作恶，窗口都已经打开。
十六个从未存在过的病毒，正安静地躺在帕洛阿尔托的冰箱里。它们不会感染任何人但它们证明的那件事，将感染整个世界。