斯坦福一个团队最近做了件听起来科幻、账本却很清楚的事:让两个大型基因组模型自己写噬菌体的完整基因组,一口气合成285个候选,结果16个真的能抑制大肠杆菌生长。

这事有意思的地方不在"AI造出了病毒"——它造的是感染细菌、对人无害的噬菌体,成功率也只有5.6%。真正该盯的是那16个里,一部分改动幅度远远超出随机突变理论上能活下来的范围。模型显然找到了一条比自然选择快得多的路。

造了什么,造成了什么样子

这次的模型对象是ΦX174,一种专门感染大肠杆菌的老牌噬菌体,基因组只有约5400个碱基、11个基因,功能早已研究透彻。研究者用Evo 1和Evo 2喂了200多万个碱基的噬菌体序列,又专门用ΦX174所在的Microviridae家族数据做了微调,再拿它固定的末端序列当提示词,让模型"续写"整个基因组。

计算机筛选后留下302个候选,实际合成285个,插入细菌验证,16个显示出抗菌效果——其中9个是模型直接输出即可用,另外7个是进入细菌后又发生了突变才起效。

数字里藏着一个关键线索:如果只看和原始ΦX174相似度98%以上的那批,可行率跳到46%;拉开距离,总体可行率就掉到5.6%。说明模型高度依赖已有的病毒骨架,离"从零设计"还很远。

但少数远距离改写的案例才是重点。按照过往研究,单个氨基酸变化平均有20%的概率直接让病毒失活,理论上改动超过25处的病毒几乎不可能存活。实际结果里,近四分之一改动超过25处的AI序列反而是活的,其中两个甚至带着50多处氨基酸变化,照样能跑通感染周期。

—

效率超过进化,才是真正的门槛

一句话概括这次结果:模型不是造出了病毒,是造出了一条比进化更快穿过天择的路。

模型没有造出病毒,它造出的是一条比进化更快的路。

天然噬菌体讲究"以毒攻毒",但细菌早就学会对某些噬菌体家族产生耐药性。研究者拿一组天然噬菌体和这16个AI噬菌体分别去对付耐药菌株:天然组失败了,AI组反而在实验中演化出感染能力,靠的是彼此交换DNA片段加上后续突变。这是这项研究里最接近"有用"的部分——噬菌体疗法这些年一直卡在耐药性和给药一致性上,如果AI真能批量生成有效组合,理论上能补上这个缺口。但离临床验证还差很远,抑制细菌生长不等于完成了感染机制和疗效验证,这一步没人替它跳过。

  • 风险.研究者主动把感染脊椎动物的病毒数据排除在训练集之外,但这只是这一支团队的自律。任何有足够算力的人重复同样流程、换一批训练数据,门槛并不比训练一个中等规模模型高多少。定制DNA订单的筛查机制目前几乎是空白,监管明显落在能力后面。

生物安全的老问题,换了个技术外壳又出现一次:能力扩张永远先跑,治理永远后追。核不扩散条约谈了几十年才补上曼哈顿计划留下的窟窿,基因编辑靠CRISPR专利战和伦理委员会才勉强搭起框架。这次的新变量是,大型基因组模型让"跨过完整基因组的功能约束"这件事,从需要几代实验室试错,变成了几次计算加筛选。

噬菌体疗法的价值还没兑现,生物安全这笔账已经提前送到了桌上。谁来管住DNA合成的订单,谁来审计训练数据里排除了什么,这两个问题现在都没有答案。