本文由虎嗅旗下健康与抗衰公众号“九叶刀研究”首发，头图由AI生成。
如果让AI制造一个病毒，你猜世界会不会变成《生化危机》那样的地狱场景？
2026年8月6日之后，这种可能性真的多了那么一点点。
斯坦福大学研究团队在《科学》（Science）杂志宣布：他们使用AI工具，从零设计了完整的病毒基因组，并真的造出了16种自然界并不存在的全新的病毒，而且这些病毒有能力感染大肠杆菌、在细菌体内复制，并杀死细菌。[1]
这是怎么做到的？对人类有什么用？世界会因此进入《生化危机》副本吗？这一次，让“九叶刀”来解释6个你可能关心的问题。
问题一：AI到底是怎么做到的？
整个过程是这样的：
首先，AI并非凭空臆想出的新病毒，它仍需要一个模板。
科学家使用了噬菌体ΦX174（一种专门感染大肠杆菌的病毒）做模板，该病毒是最小的病毒之一，只有约5386个碱基对、11个基因，它是史上第一个被测序（1976年），也是最早在实验室人工合成的序列，人们对它足够熟悉。
第二，AI设计也需要提示。和我们使用GPT之类的对话类似，研究者给几个提示词（其实就是A、T、C、G这些碱基字母组合），AI据此生成一个完整的新基因组，如此循环，AI生成了大约70万个候选基因组。
第三，AI设计出基因序列之后，只是纸面信息，还需要经过人类之手，通过化学合成、组装、转入细菌和功能验证等步骤，才能确定是有完整功能的活病毒。研究人员从AI生成的70万个基因组中，只筛选出302个基因进行实验，最终培养出16个活病毒。
从AI设计病毒，到人类组装和验证，图源丨参考文献[1]
和以往的改造现有生命相比，这次有什么不同？
过去，人们都是在已知的遗传信息上修修改改。主要是两种方式：理性设计（人类想好改哪一段基因，然后自己动手编辑）和定向进化（在实验室让微生物自己突变、筛选）。
而这次是生成式的：AI从无到有创作出一整套能自我复制的系统，产物在自然界根本不存在。
这些病毒到底有多新？
论文作者表示，这16种病毒与自然界中最接近的病毒相比，顶多只有93.2%-98.8%基因相似度。
作为对比，躺在你怀里撒娇卖萌的猫咪，与丛林之王老虎的基因相似度，大约为95.6%。[13]
所以，这些AI设计的病毒，完全可以称得上是新物种。
这16种病毒中，有一种代号为Evo-Φ36的病毒，基因序列距离已知生物最远。研究者估计，如果要全靠自然演化，可能需要数百万年。
可能有人要问了，设计这些自然界不存在的病毒，只是科学家们在秀技术肌肉吗？那当然不是，它有实在的用途。
问题二：AI设计病毒有什么用？
未来，使用AI设计针对超级细菌的病毒，有望解决让人类头痛的耐药细菌难题。
如今，耐药细菌已经成为全球医疗系统最头痛的问题。
全球每年直接死于耐药菌的超过100万人，关联死亡约500万，这个数字已经超过了疟疾和艾滋病的年死亡人数之和； 《柳叶刀》GRAM研究（全球抗微生物药物耐药性项目）在2024年预测显示，2025-2050年间，耐药菌将累计造成约3900万例死亡，大约每分钟3人；[2] 在中国，每年与抗生素耐药相关的死亡超过60万例，其中直接归因死亡超过14.5万例； 以碳青霉烯类耐药肺炎克雷伯菌（CRKP）例，这种超级细菌对亚胺培南、美罗培南的耐药率，从2005年的3%左右，上升到2025年的21%左右；[3] 鲍曼不动杆菌对多数主流抗菌药的耐药率都超过60%，其引发的医院获得性肺炎的总死亡率约 42.6%。[3]
肺炎克雷伯菌的耐药性丨参考文献[3]
鲍曼不动菌的耐药性丨参考文献[3]
抗生素和长期使用的慢病药物不同，它使用周期短，人们吃几天就停了，利润空间有限，但开发一款新型抗生素既耗时又费钱，制药公司无利可图，所以全球药企都在缩减相关研发管线。
这就导致出现一个恶性循环：耐药菌出现-药企不愿研发-旧抗生素剂量越用越大-耐药菌更多……
噬菌体，也就是细菌病毒，是自然界里最古老的细菌杀手。它们高度专一，每种通常只攻击一种或几类细菌，作用精准，不用担心伤害人体细胞，是抗生素很好的助手。
但噬菌体疗法也和抗生素类似，有耐药性问题：细菌会很快对单一噬菌体进化出免疫力（比如大肠杆菌，就会使用基因编辑工具，使噬菌体失去功能），一旦细菌适应，疗法就失效了。
解决思路是使用鸡尾酒疗法，也就是把基因各异的多种噬菌体混在一起，迫使细菌不得不同时防御多方面的进攻，大幅延缓耐药速度。
于是，噬菌体的多样性就显得尤为重要。但天然噬菌体种类有限，传统方式寻找、培养和定制，速度太慢。这时候就需要AI，按需批量设计各种噬菌体。
8月的这篇论文就报告了一个好消息，对原版ΦX174噬菌体有抗性的大肠杆菌，加入AI设计的16种噬菌体的混合制剂后，都被杀灭了。
既然能搞定大肠杆菌，那也有希望搞定更多耐药菌。
比如，医院里最常见的超级细菌，耐甲氧西林金黄色葡萄球菌（MRSA），全球每年超过100万人感染的耐药结核菌，医院获得性耐药感染的元凶，铜绿假单胞菌，都有希望通过AI设计的噬菌体，一招制敌。
当然，AI设计的噬菌体，并不是要完全替代抗生素，而是作为一种补充手段，为那些无药可救的超级细菌感染者带来新希望。
这些是我们以最大善意推测AI设计病毒的光明未来，但如果以恶意揣测呢？
比如，AI可以设计针对细菌的病毒，能设计针对人类的病毒吗？如果能，是不是很危险？
问题三：AI会造成“生化危机”吗？
简单地说，技术所限，难度极大，目前没戏，但风险犹存。
设计针对人类的病毒，为啥暂时没戏？
成功率很低。 在8月《科学》杂志这篇论文中，用的是世界上最好的生物模型，但通过层层筛选和测试后，只有5%的成功率。这个数字是业界常态，2026年，另一项对AI生物武器工作流的分析发现，非专业人士用AI工具做常规病毒学任务的端到端成功率，仍低于8%。[4] [5]
也就是说，想要高效地按需定制病毒，现在的AI工作效率还差得远。
基因越多，难度越大，且呈指数级增长。 这次AI设计病毒参考的模板病毒ΦX174，只有5000多个碱基对，而新冠病毒约有3万个，二者相差6倍。考虑到每个基因之间的相互作用、调控关系和蛋白折叠等因素，随碱基数量增加，最终设计难度呈指数级上升。
伦敦帝国理工学院的合成基因工程教授汤姆·埃利斯就指出，基因组长度翻几倍，实现难度可能飙升至原来的约100倍。[6]
数据也有防火墙。 AI设计病毒也要讲基本法，目前用于设计病毒的AI，在训练时就已经主动排除了所有能感染人、动物、植物或真菌的病原体基因组。这16种病毒只杀细菌，对人完全无害。
所以，与其担心AI是否设计出危害人类的病毒，不如担心一下更危险的天然病原体。埃利斯明确指出，环境里自然存在的已知病原体随处可得、易于培养、已经适应宿主，比AI从零设计的新病毒构成了更直接和紧迫的威胁。
真实的风险到底是什么？
科幻里AI一键生成超级瘟疫的剧情，短期内并不现实，但这并不意味着没有风险。
第一，坏人作恶的门槛降低了。 虽然从0设计的难度很大，但坏人获取和改造已知病原体信息变得更容易了。以前需要进一个高等级生物安全实验室才能接触的东西，现在可以借助一个开源模型理解它。
第二，现有安全措施，很难排查AI设计的新序列。 这是当前最紧迫的技术盲区。
今天，实验室要合成基因序列，不用手搓，很多生物实验室都提供合成服务，价格也不贵。
但这些服务方是如何确定客户的订单是不是危险基因呢？目前通行的做法是，他们有一个已知的危险清单（比如天花、炭疽等），把客户的需求和清单做比对，如果命中，就拒单。这是防止危险分子通过邮购，得到生物武器的最后一道防线。
但这道防线非常脆弱：如果是地球上从没有出现过的基因呢？万一AI写出了潜在的危险基因序列，却因为不在任何已知的危险清单里，没有命中和匹配，放行之后，你说有没有可能无意中造成一场危机？
在同期《科学》上发表的另一篇评论中，来自约翰霍普金斯大学的作者们明确警告：AI设计病毒的研究，是对全球生物安全体系的一次压力测试，而体系没完全过关。[7]
目前，全球大多数国家并没有强制要求DNA合成商去筛查序列和订购者身份。也就是说，任何人都可以在线订购定制DNA，通过快递收货，无需强制询问你是谁、你打算用它来干嘛。
好消息是，部分国家已开始推动相关立法；坏消息是，截至2026年8月，全球范围内尚无强制性的统一标准落地。
问题四：普通人手搓一个，难不难？
AI带来技术平权，但也会给很多人一个幻觉：专业人士能做到的，我也可以在AI的协助下做到。但这可真是想多了。
1. 从代码到病毒，隔着千山万水
Evo 2确实开源免费，但又不是说下载了就能轻松搞出一个新病毒。
并非人人都能坐拥2000张H100的GPU，而且就算跑起来了，顶多拿到一些写满了ATCG字母的碱基代码，基因的筛选、病毒的合成、培养，哪个环节不要专业技术？
2. 没钱真的不行
ΦX174这种级别的病毒基因组，已经算是简单模式了，成本已经从几万到几十万美元不等（当然还取决于基因片段的长短和出错率），要想玩大的，比如像新冠大小的（基因组大约是ΦX174的6倍），成本轻松飙到百万美元。普通人真想花大钱办坏事，也得掂量一下自己有没有那个财力。
3. 上哪儿去找一个既会写代码，又会化学合成的人？
这篇论文的湿实验部分，是第一作者King一个人搞定的：既要写计算框架，从70万个候选里筛序列，又要进实验室做化学合成、组装、转入细菌、功能验证。但放眼全球，能同时精通AI、分子生物学和病毒学实验的人，真不多。随便找个程序员或者生物系本科生，两边都搞不定。
4. 论文细节够多，但那是给同行看的
如果一个实验室和斯坦福这个级别差不多，那确实可以照着论文重现，但……你有他们的经费吗？你有导师带着博士生手把手教你吗？有BSL-2级别的生物安全实验室吗？
总之，下载模型很容易，从代码到活病毒很难，除非世界上真的出现了一个邪恶天才。
问题五：AI 设计病毒的下一步是什么？
AI设计病毒的本质是“设计生命”（虽然人们对于“病毒是不是生命体”还有很多争议），能给人以无限遐想。
事实上，今年3月斯坦福大学团队发表的另一篇《自然》论文显示，他们已经在用同一款AI工具，设计远比病毒复杂的东西了。[8]
他们用AI生成了三个层级的基因组：
人类线粒体DNA（约1.6万个碱基对/16kb） 一段酵母染色体（约33万个碱基对/330kb） 以生殖支原体为蓝本的简化细菌基因组（约58万个碱基对/580kb，是ΦX174的100倍以上）
当然，这些都还在屏幕上的字母阶段，没有进实验室验证。比如，那个仿支原体的设计，计算机预测下来只有约70%的基因看起来合理。同行评价是：“这很酷，但还没到那一步。” [9]
从病毒到细菌，差别不在于尺寸。
既然能造出5386碱基对的病毒，那58万的细菌不就是把这个病毒信息量放大100倍吗？当然不是。
噬菌体本质上是一段被蛋白壳包着的DNA，是完全的寄生体，但细菌不一样，哪怕最简单的自由生活细菌，也需要几百到上千个基因自己搞定一切：营养代谢，分裂繁殖，维持稳态……一套寄生工具包和一套独立操作系统，本质上是两个不同的技术量级。
还有人在做减法。
今年4月，另一篇发表在《科学》杂志的论文，展示了不同的“重写生命”的思路。
地球上所有已知生命都用20种常见氨基酸制造蛋白质，但哥伦比亚大学团队用AI新设计了21种核糖体蛋白，让大肠杆菌在缺少一种标准氨基酸（异亮氨酸）的情况下（只有19种氨基酸），照样延续了450代。[10]
2016年，文特尔研究所造出过一个只有473个基因（531 kbp）的最小合成细菌，那是人类至今在合成生命领域所能达到的极限成绩，耗费总时长超过20年。[11]
随着合成基因组长度增加，成本也飙高。58万碱基对的支原体基因组，已经是庞然大物了，而大肠杆菌有460万，人类是30亿。
AI能把设计环节从十年压缩成几周或几个月，但目前，很难让合成和验证也跟着加速。
最终目的是什么？
如果有一天，科学家跨过了所有的障碍，那我们能做的事情远不止制药和造燃料。
中期或远期，我们可以期望的是：按需设计的环境传感器细菌，比如碰到水里有毒就变色；只能在实验室存活、永远逃不出去的“安全底盘”微生物；能直接捕获二氧化碳的工程菌……
但这些目前都还是很遥远的目标。当前，首先要解决的是，把AI的70%正确率做到100%，不然，拿一个错误蓝图，谁也不知道会制造出什么样的怪物。
问题六：最关键的AI技术，到底是什么来头？
前面我们已经多次提到，斯坦福大学团队使用神秘AI工具，做了不少工作，这个工具是啥？这是某家公司的商业产品吗？不是。
它是一个非营利科研机构牵头、多方协作的基础模型，名叫Evo。
由于它解释起来比较晦涩，但又比较重要，我们就放在最后这一部分来讲，等你读完了，才算真正理解了AI设计病毒的技术含量。
Evo到底有多强？
Evo是目前全球最强的AI生物学模型，无论规模还是开源程度，都是世界之最。
Evo 1于2024年首次登上《科学》，用约8万个细菌和古细菌基因组，270万个原核与噬菌体基因组训练，训练数据集为3000亿核苷酸，能预测基因突变效应、甚至设计出完整的人工CRISPR-Cas基因编辑系统；但当时它只会读细菌基因组。[12]
Evo 2则是质的飞跃：2026年正式发表于《自然》的数据显示，最新版本的Evo 2，训练数据集达到8.8万亿个核苷酸、12.8万个完整基因组，训练规模达到9.3万亿token，首次将视野从细菌拓展到覆盖生命三大域（细菌、古菌、真核生物、噬菌体）。[8]
注意，这里说的 Evo 2 模型的《自然》杂志论文，和前面讲到的 AI 设计病毒的《科学》杂志论文是两篇独立的研究。
Nature 论文回答了“Evo 2 是什么、怎么训、性能如何”，《科学》论文回答了“用这个模型能造出什么、造出来的东西能不能活”。后者是前者的一个应用验证。
其架构Striped Hyena 2结合了Transformer和状态空间模型，能够以单碱基精度处理百万级碱基的DNA序列，相当于能一次性覆盖支原体等较小细菌的完整染色体，或覆盖较大细菌染色体的大部分区域。
《科学》杂志这次AI设计病毒的实验，是把Evo 2从读，推进到了写，开始设计和创造。
斯坦福大学研究人员使用Evo 2进行合成病毒研究，左边即为本次合成病毒的作者之一Brian Hie，图源丨Stanford Report
Evo 2背后的硅谷科研模式
Evo 2由Arc研究所（Arc Institute）牵头，联合斯坦福大学、UC伯克利、UC旧金山、英伟达、华盛顿大学等多方共同完成。Arc的联合创始人之一、UC伯克利教授Patrick Hsu把Evo 2描述为对生物学具有通用理解的模型，这有点像GPT对自然语言的意义，只不过对象从句子变成了基因组。
Arc位于美国加州，定位为非营利AI与生物学基础研究机构，运作模式很硅谷：靠慈善捐款和政府资助运转，不急于变现，专注于做别人不敢投的基础课题。
Arc研究所在成立之初，联合创立者Silvana Konermann的未婚夫就曾捐助5亿美元，成为全球科研圈的美谈。
Arc研究所的其他资助方包括：美国国家科学基金会（NSF）、奈特-亨尼斯研究生奖学金、Fannie与John Hertz基金会（著名的科技奖学金），以及斯坦福以人为本人工智能研究所（HAI）等。另外，还有以太坊创始人V神（Vitalik Buterin）。
这种非营利加慈善加开源的模式，让人联想到早期的OpenAI。OpenAI在2015年成立时同样是非营利，目标是以最有可能造福全人类的方式推进数字智能。后来它转向了闭源与有限盈利的商业化方向。
所以很自然的问题是：Arc会不会走同样的路？
这次AI合成病毒的研究者Hie，在采访中明确表态：目前没有将这项技术商业化的计划，Arc是一个由慈善捐款与政府补助资助的学术实验室。
但只是“目前”。
毕竟训练一次Evo 2需要数千张专用GPU，如果这种算力成本可以持续由慈善和公共资金覆盖，非营利路线就没问题。但如果成本继续膨胀，转向开源模型+商业云服务的混合模式，也并非不可能。
最后，回到AI设计病毒的话题上来。
《生化危机》那种末日场景，暂时不会出现，但AI的进步的确暴露了全球监管的漏洞，最可怕的永远是人心，如果只是假定“技术掌握在善良的人手中”，那么出乱子是迟早的事情。
本文仅为个人观点，不构成任何投资或医疗建议。
参考文献
[1] Samuel H. King et al., Generative design of bacteriophages with genome language models. Science 393,eaec2657(2026). DOI:10.1126/science.aec2657
[2] GBD 2021 Antimicrobial Resistance Collaborators. Global burden of bacterial antimicrobial resistance 1990-2021: a systematic analysis with forecasts to 2050. Lancet. 2024;404(10459):1199-1226. doi:10.1016/S0140-6736(24)01867-1
[3] CHINET 2025年全年细菌耐药监测结果.CHINET中国细菌耐药监测网. 2026.3.34
[4] Shen. Z.H. et al., Measuring Mid-2025 LLM-Assistance on Novice Performance in Biology. arRxiv. https://doi.org/10.48550/arXiv.2602.16703
[5] Chen. B.C.Z. et al., LLM Novice Uplift on Dual-Use, In Silico Biology Tasks. arRxiv. https://doi.org/10.48550/arXiv.2602.23329
[6] Roger Satterfield. Stanford AI Wrote Viruses No Evolution Ever Produced; Biosecurity Gap Confirmed. TechTimes. 2026.8.7. https://www.techtimes.com/articles/323507/20260807/stanford-ai-wrote-viruses-no-evolution-ever-produced-biosecurity-gap-confirmed.htm
[7] Thomas V. Inglesby, Moritz S. Hanke , AI-designed viral genomes. Science 393,563-564(2026). DOI:10.1126/science.aej8512
[8] Brixi, G., Durrant, M.G., Ku, J. et al. Genome modelling and design across all domains of life with Evo 2. Nature 652, 1349–1361 (2026). https://doi.org/10.1038/s41586-026-10176-5
[9] Ewen Callaway. AI can write genomes — how long until it creates synthetic life?. Nature 651，292（2026）. https://doi.org/10.1038/d41586-026-00681-y
[10] Liyuan Liu et al., Toward life with a 19–amino acid alphabet through generative artificial intelligence design. Science 392,eaeb5171(2026). DOI:10.1126/science.aeb5171
[11] Clyde A. Hutchison, III et al., Design and synthesis of a minimal bacterial genome. Science 351,aad6253(2016). DOI:10.1126/science.aad6253
[12] Eric Nguyen et al., Sequence modeling and design from molecular to genome scale with Evo. Science 386,eado9336(2024). DOI:10.1126/science.ado9336
[13] Cho, Y., Hu, L., Hou, H. et al. The tiger genome and comparative analysis with lion and snow leopard genomes. Nat Commun 4, 2433 (2013). https://doi.org/10.1038/ncomms3433
本内容未经允许不得转载。授权事宜请联系 hezuo@huxiu.com。
End
点击下方【虎嗅嗅小程序】，持续追踪 AI 赛道变化，发现产业机会。看完记得【添加到我的小程序】中~~
