在斯坦福大学的一间实验室里，研究人员观察到透明斑点在装满细菌的培养皿上扩散——这无疑表明，他们完全在计算机中构建的某种东西刚刚“活”了过来。那些正在消灭细菌的生物体并非来自自然界，而是由一种名为 Evo 的计算模型生成的AI 设计病毒，随后在化学上从零合成。如今，这些结果引发的问题已经远远超出了斯坦福某个地下实验室的范围。
Summary
要点总结
- 由斯坦福大学和 Arc 研究所开发的 AI 模型 Evo 提出了70 万种可能的病毒基因组，其中 285 种被化学合成，最终有 16 种产生了能够复制并杀死细菌的病毒。
- Evo 首先在来自数百万种动物、植物、微生物和病毒的大约九万亿个核苷酸上进行训练，然后再专门针对噬菌体 Phi X-174 的 11 个基因以及约 1.5 万个相关基因组进行专项训练。
- 这些由 AI 生成的病毒与天然病毒一样强健，其中一些复制速度甚至比天然噬菌体 Phi X-174 本身还要快。
- 当前美国国立卫生研究院（NIH）的生物安全规则禁止开展使病原体更危险的实验，但并未明确涵盖纯计算的病毒设计，除非涉及“受关注实体”。
- 包括约翰斯·霍普金斯大学健康安全中心的 Moritz Hanke 在内的专家警告称，AI 目前的能力与监管规则之间的鸿沟正在扩大。
AI 模型 Evo 为细菌设计新型病毒基因组
Evo 的工作方式类似于遗传版本的大型语言模型，它像 ChatGPT 预测句子中下一个词那样预测 DNA 序列。只不过它学习的不是自然语言，而是写入生命遗传密码中的模式。由斯坦福和 Arc 研究所组成的团队想要验证，这种模式识别是否能更进一步，不仅仅是设计单个蛋白质或抗生素，而是实际产出一个可工作的病毒。
Evo 是如何被训练的
该模型的“教育”分为两个阶段。Evo 的初始训练基于大约九万亿个核苷酸，这些数据来自动物、植物、微生物和病毒界的数百万种生物，从而吸收贯穿整个生命之树的模式。在打下这一广泛基础之后，才进行了第二轮更为专门化的训练，这一次聚焦于噬菌体 Phi X-174 的 11 个基因以及其约 1.5 万个近缘基因组。对斯坦福博士生、论文合著者 Samuel King 来说，以这种方式分层训练似乎是顺理成章的选择。他说：“这看起来就是显而易见的下一步。”
从 70 万个候选到 16 个可工作的病毒
在完成训练后，Evo 提出了 70 万种可能的病毒基因组。研究人员从这个庞大的池子中筛选出最有前景的候选者，将其中 285 条序列化学合成为 DNA，然后将其插入细菌体内，观察会发生什么。最终有 16 条序列产生了能够复制的病毒——并且关键在于，它们在这一过程中能够杀死目标细菌大肠杆菌。King 和同事们据称是在凌晨时分意识到这些噬菌体起作用的，他们看到培养皿上出现了一个个透明斑点。“我们开始看到这些透明斑点时，真是无比激动，”King 说。据斯坦福助理教授 Brian Hie 回忆，当更大范围的团队看到结果时，“整个房间自发地爆发出掌声。”
AI 设计病毒在实验室中的实际表现
这次实验中产生的 16 种病毒并不是脆弱的实验室“奇观”。它们的表现与天然病毒相当，在某些情况下甚至更胜一筹——这一结果甚至让未参与该研究的科学家也感到惊讶。
稳健性、速度与科学里程碑
这些设计病毒被证明与天然病毒一样稳健，其中一些复制速度甚至快于 Phi X-174 本身。“它们不仅仅是现有东西的病恹恹版本，”未参与该研究的牛津大学蛋白质化学家 Oliver Crook 说。曼彻斯特大学合成生物学家 Patrick Cai 称这项工作是一个“重要里程碑”，并补充说，“其意义远远超出噬菌体本身——这表明基因组语言模型开始学会进化所编码的设计原理，为 AI 辅助的基因组写作打开了大门。”庞培法布拉大学合成生物学实验室的 Marc Güell 则将其描述为一个“非常重要的转折点”，因为这是第一次“我们开始在计算机上设计生物学”。
不过，Crook 也谨慎地给出了冷静预期。AI 并没有发明出任何根本全新的东西——所得病毒与天然物种非常相似，并依赖相同的基础生物学，而非某种新机制。Evo 能否在其他病毒家族上复制同样的“魔法”仍是一个悬而未决的问题。如果这种方法确实具有普适性，Crook 认为，它可能为医学和生物技术带来真正有用的工具：“我们很多科学都建立在把病毒当作技术的基础上。”作为背景信息，团队所研究的噬菌体基因组长度约为 5,400 个碱基对，而最小的活细胞约有 50 万个碱基对，人类基因组则约有 30 亿个碱基对——Hie 表示，这一差距意味着设计一个简单的活生物体“可能要花很多功夫，但并非不可能”，而且这是团队“绝对有兴趣努力实现”的目标。
计算病毒设计中的生物安全缺口
这一突破出现之时，美国的生物安全政策尚未追上 AI 模型如今在屏幕上可以生成的内容。这种错位正处于由人工智能引导的病毒基因组合成争论的中心。
美国生物安全规则未涵盖的内容
在 7 月下旬，国立卫生研究院公布了一项关于高风险生命科学研究的政策，禁止创造更具危害性的病原体变体。然而，完全通过计算方法开展的工作——在计算机上设计病毒 DNA 而不进行实际合成——并不在其覆盖范围之内，“除非涉及受关注实体”，该机构表示。对于天花这类被明确定义为危险的病原体，这一区分很容易适用。但当所讨论的病毒来自 AI 模型而非已知病原体清单时，情况就要模糊得多，而这正是当前围绕生物安全监管与 AI之间政策博弈的模糊地带。
防范措施与专家警示
斯坦福和 Arc 研究所的团队并未等待监管者追上来。在训练阶段的整个过程中，Evo 都没有接触任何关于感染人类的病毒或其相关动物、植物或真菌病原体的信息——这意味着模型从一开始就无法生成这些基因序列。“我们的意图只是尽可能谨慎行事，”Brian Hie 说。约翰斯·霍普金斯大学健康安全中心的 Moritz Hanke 称这一决定“相当值得称赞”，尤其是在没有任何正式规则要求的情况下：“因为他们没有从任何地方得到关于他们应该做什么的指导。”
Hanke 和同样来自约翰斯·霍普金斯的 Thomas Inglesby 在发表于《Science》期刊、与该研究同期刊登的评论中更进一步，警告这些发现提出了“紧迫的生物安全和生物安保问题。”他们认为，真正的问题不在于未来是否会存在生成式病毒基因组设计——它显然已经存在——而在于能否在不“造成严重危害”的前提下使用它。Hanke 直截了当地阐明了这一担忧：“我从未见过的东西，它的风险是什么？”他问道，并形容科学进展速度与防护措施跟进速度之间存在“巨大的脱节”。他设想的最坏情形并不难想象：“你可以说，‘嘿，基因组语言模型，给我做一个经过改造、传染性更强或致死性更高的流感病毒基因组。’”
为何这很重要：让 Evo 在数月内利用九万亿个核苷酸的训练数据和一次针对 Phi X-174 的定向后续训练，就能设计出 16 种可工作的噬菌体的这种计算捷径，本质上是一种通用方法。其底层技术并未被限制在无害的“杀菌器”上。这正是 Hanke 和 Inglesby 所指出的缺口：一种研究方法的进展速度快于旨在约束它的政策，在这个领域中，合成生物学研究正日益模糊设计新药与设计新风险之间的界限。
目前，研究人员表示，他们采取的防护措施——排除感染人类的病毒数据、只研究噬菌体，并在安全实验室内完成所有工作——在很大程度上确保了这项技术指向益处而非危害。Hie 认为，这种方法有潜力通过新药物和新疗法“极大改善人类健康”，包括基于噬菌体的耐药感染治疗。该承诺能否在 Phi X-174 之外站得住脚，以及监管者能否在下一版实验瞄准一个不那么可控的目标之前采取行动，是两个很可能决定 AI 设计病毒未来走向的问题。
常见问题
在实验室测试中，AI 设计病毒的效果如何？
在 285 条合成的病毒基因组序列中，有 16 条产生了能够在实验室中复制并杀死细菌的病毒。
训练 AI 模型 Evo 使用了哪些数据？
Evo 首先在来自数百万种动物、植物、微生物和病毒的大约九万亿个核苷酸上进行训练，然后又专门针对噬菌体 Phi X-174 的 11 个基因及约 1.5 万个相关基因组进行训练。
为什么当前美国生物安全政策没有监管 AI 设计病毒？
因为在当前美国 NIH 政策下，纯计算的病毒 DNA 设计不在监管范围之内，除非涉及受关注实体，这为 AI 设计病毒留下了监管空白。
科学家在 Evo 的训练过程中采取了哪些预防措施？
他们排除了关于感染人类的病毒及相关病原体的数据，以防止 AI 生成可能对人类有害的感染性病毒基因组。
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”在实验室测试中，AI 设计病毒的效果如何？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”在 285 条合成的病毒基因组序列中，有 16 条产生了能够在实验室中复制并杀死细菌的病毒。”}},{“@type”:”Question”,”name”:”训练 AI 模型 Evo 使用了哪些数据？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Evo 首先在来自数百万种动物、植物、微生物和病毒的大约九万亿个核苷酸上进行训练，然后又专门针对噬菌体 Phi X-174 的 11 个基因及约 1.5 万个相关基因组进行训练。”}},{“@type”:”Question”,”name”:”为什么当前美国生物安全政策没有监管 AI 设计病毒？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”因为在当前美国 NIH 政策下，纯计算的病毒 DNA 设计不在监管范围之内，除非涉及受关注实体，这为 AI 设计病毒留下了监管空白。”}},{“@type”:”Question”,”name”:”科学家在 Evo 的训练过程中采取了哪些预防措施？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”他们排除了关于感染人类的病毒及相关病原体的数据，以防止 AI 生成可能对人类有害的感染性病毒基因组。”}}]}
本文在人工智能协助下完成，并由编辑团队进行审阅。
