8 月 6 日发表在 Science 的一项研究，首次展示了由生成式基因组模型设计、并经实验验证有功能的完整病毒基因组：斯坦福大学 Brian Hie 团队用 Evo 1 与 Evo 2 两个基因组语言模型，以天然噬菌体 ΦX174 为模板生成基因组，化学合成并测试了近 300 个候选，最终有 16 个被「重启」为可感染、可复制、能杀死大肠杆菌的功能性噬菌体。把它们混合成鸡尾酒后，能快速克服已对天然 ΦX174 耐药的大肠杆菌菌株，而一组天然 ΦX174 近亲噬菌体的混合物做不到这一点。
这项成果同时涉及模型能力与研究治理。能力上，AI 首次端到端生成了完整、有功能的基因组，不再停留在单个基因或蛋白质的层面；监管上，正如约翰斯·霍普金斯健康安全中心的 Tom Inglesby 与 Moritz Hanke 在同刊评论中所写——「用生成式 AI 合成病毒基因组的能力已经存在，安全引导它的治理还不存在。」
模型生成之后，仍需筛选、合成和实验验证
基因组语言模型可以理解成在 DNA 上训练的 LLM：它逐碱基预测下一个字符，从海量基因组里学到的不是语法，而是进化对序列施加的约束。Evo 2 的训练数据集包含超过 200 万个噬菌体基因组；能感染植物、人类或其他动物的病毒序列被刻意排除，以降低它被直接用于设计危险病毒的风险。
对这次实验，团队又把它在约 1.5 万个 ΦX174 近亲基因组上微调，使生成范围集中于 ΦX174 近亲噬菌体。随后，团队依次进行生成、评估、合成与测试：模型生成数千个候选，按设计准则筛出 302 个送去化学合成，其中 17 个无法合成，剩下的 285 个被放进大肠杆菌测试，绝大多数无法感染或杀死细菌，最终只有 16 个被成功「重启」。
ΦX174 是刻意选择的最小目标：整个基因组只有约 5400 个碱基、11 个基因，是已知最小的基因组之一。Hie 在斯坦福官方新闻稿里说，他想要的是「模型端到端、从左到右一次性生成整个基因组，我们什么都没有加」——这与过去在单个基因或基因线路上做 AI 设计有本质区别。
序列与天然病毒高度相似，部分结构和功能仍有变化
对「从零设计」最尖锐的检验来自外部。牛津大学计算生物化学家 Oliver Crook 牵头的独立分析（bioRxiv 预印本）发现，16 个可用噬菌体的基因组平均与 ΦX174 有约 97% 的序列同源，放到进化树上，它们落在现有噬菌体多样性的内部，而不是分出新的分支。Crook 的结论是：这些设计出来的病毒「在很朴素的视角下，就是原始病毒的兄弟姊妹」。按 302 个候选、16 个成功计算，命中率只有 5.3%。
但序列的新颖性不等于功能的新颖性。论文第一作者 Samuel King 指出，部分生成噬菌体在三维蛋白结构、生长动力学和感染动力学上与 ΦX174 不同——这些才是决定病毒行为的属性。最典型的例子是其中一个噬菌体用了一个截短的 DNA 包装蛋白，这个蛋白来自演化上很远的噬菌体；模型通过重连周围的 DNA，让它在一个 ΦX174 骨架上正常工作，论文用冷冻电镜确认了这一结构。值得注意的是，同样的基因交换此前用传统基因工程手段引入 ΦX174 时被证明不可行，King 称之为「相当新的构型」。
瑞士 Botnar 免疫工程研究所的化学工程师、噬菌体疗法公司 Locus Biosciences 联合创始人 Chase Beisel 认为，这项工作的价值在于搜索进化未曾产生、科学家也未必想到尝试的基因组合，不能据此说它凭空创造了全新的病毒类别。换句话说，「从零」指的是从模型端到端写出整条基因组，而不是从零发明全新的生物学。
合成成本与实验能力，仍限制成果的实际应用
把这项成果直接等同于「AI 造出生化武器」会夸大现实。Hie 估计，如果不是合成服务商 Twist Bioscience 给了折扣，这次实验的 DNA 合成成本约在 10 万到 20 万美元；而且「重启」每一个病毒都需要针对性的实验条件优化、需要领域专家。「我们目前对 AI 提出的遗传改变如何导致致病性提升，理解还不够充分。」他补充说，目前这「确实需要一个非常有才华的跨学科团队」。
伦敦帝国理工学院的合成基因组工程教授 Tom Ellis 的批评更直接：ΦX174 是「字面意义上最小、最容易的基因组」，而「用 AI 完整设计和写出病毒或细菌基因组的威胁被严重夸大了——直接拿现有病原体做功能增强（gain-of-function）改造，要容易得多，也更可能构成真正的致病威胁」。
这些意见表明，模型输出之外，合成、恢复病毒活性和相关领域知识仍是重要限制。限制也可能随技术发展而变化：DNA 合成成本在下降，Evo 2 已免费开源、任何人都可从 GitHub 下载；后续微调也可能削弱「训练时排除了真核病毒」所提供的防护。
专家建议同时加强模型防护、合成筛查与实验室管理
Inglesby 与 Hanke 在评论里把问题表述为治理的时间差：问题已经不是生成式病毒基因组设计会不会存在，而是「社会能否建立监管，既让它的好处得以实现，又防止它造成严重伤害」。他们还明确建议，不应继续把工作推进到能感染人类、动物或植物的病原体上。
伦敦国王学院的科学与国际安全研究者 Filippa Lentzos 则特别强调 DNA 制造环节的监管。「不要把监管单独集中在 AI 模型上，」她说，分层的办法更合理——模型开发与访问的防护、负责任的研究审查、合成筛查，以及实验室层面的生物安全与生物安保。现有的合成筛查（供应商在接单时核对序列是否命中危险病原清单）是当前较可行的干预环节，但它是自愿且不统一的。
Hie 为自己的开源立场辩护的理由也值得记录：现有病原体比 AI 设计更危险、更容易获得和生产，而且自然进化里无法内建安全检查；AI 工具反而给人类提供了应对自然大流行和人为生物威胁的更强手段。
后续还要看设计能力、合成监管与临床试验
对 AI 从业者，这项研究展示了生成能力的一种扩展：模型处理的对象从文本、代码、蛋白质，延伸到了完整基因组。接下来需要观察三个问题。第一，团队能否把同样的方法扩展到更大、更复杂的基因组——Hie 已表示在推进细菌乃至可生产化学品或药物的工程微生物。第二，合成筛查是否会从行业自愿行为升级为硬性监管，这决定「治理滞后」能持续多久。第三，噬菌体鸡尾酒能否进入针对耐药菌的临床试验，检验实验室概念验证能否带来临床疗效。
Hie 在斯坦福新闻稿里给自己列出的开放问题，也正是这项技术的下一道门槛：「如何获得更大的遗传新颖性，如何获得对结果更强的可控性。」在得到答案之前，这项成果支持的是对新序列组合的搜索与实验验证，尚不足以证明模型能够任意设计全新物种。
