一个月，发了两篇《科学》论文：AI对基因做的事，刚越过了"编辑"与"创造"的分界线？

一个事实：2026年8月6日，Arc Institute（一家非营利生命科学研究所）与斯坦福大学Brian Hie团队在《科学》杂志发表研究，首次用AI基因组语言模型（Evo1和Evo2）从头生成了完整的噬菌体基因组，湿实验验证16个设计可存活，部分性能超越天然版本。

一个边界：这些AI设计的病毒只感染细菌、不感染人类，研究团队设置了多重生物安全防护；但"AI创造生命"仍是一个需要审慎对待的表述——病毒在科学界是否属于独立生命尚无定论，且这项能力打开了需要新监管框架的伦理空间。

一个判断：如果说三周前AI设计的SynTnpB（一种迷你基因编辑工具）是"造了一把更锋利的剪刀"，那么这次AI设计的完整噬菌体基因组就是"画出了整辆车的图纸，而且车能跑、能比赛、还能赢"。AI生命科学正从"零件优化"跨越到"整机设计"。

1、一个月，两篇Science，AI在生命科学里的"两级跳"

上周，我们聊过诺贝尔奖得主Jennifer Doudna团队的一项研究（AI与基因系列文章之一：AI驱动基因编辑：应用、伦理与未来）：AI设计出了自然界从未存在过的"迷你分子剪刀"SynTnpB，更小、更轻，在某些场景下比天然版本更好用。那篇文章的核心是——AI学会了设计一个蛋白质。

一周后，另一篇《科学》的论文来了。这次的主角不是一把剪刀，而是一整台"生命机器"。

Arc Institute与斯坦福大学的Brian Hie团队，用AI从头"写"出了完整的噬菌体基因组——不是复制粘贴，而是真正原创的DNA序列。这些序列被化学合成、组装、注入细菌后，真的活了。16个AI设计的病毒在实验室里成功感染细菌、复制自己、裂解宿主。而且，有些设计比自然界进化了亿万年的原版更能打。

从设计一个蛋白质，到设计一个完整的生命蓝图，这中间的差距，远不是"大一点"那么简单。

2、为什么这件事比"设计剪刀"难十倍？——基因组设计的"地狱难度"

要理解这篇论文的分量，得先认识一下它的设计模板——ΦX174。

这是一个研究了几十年、堪称分子生物学"活化石"的噬菌体。它的基因组只有约5,400个碱基（DNA字母），包含11个基因。听起来很小，对吧？但这里藏着几个让科学家头疼了几十年的"陷阱"：

重叠基因：同一段DNA序列，从不同的起始位置读，能编码两个完全不同的蛋白质。就像一句英文，从左读是一个意思，从中间某个字母开始读又是另一个意思，而且两个意思都得对。人类研究了ΦX174几十年，但用传统基因预测工具去分析它，连11个基因都找不全——这一点论文的方法部分有明确记载。

长距离互作：基因A的产物要配合基因B的产物，基因C的调控元件要精准控制基因D的开关。改一个碱基，可能不是影响一个基因，而是打乱整张网络。

容错率极低：过去的研究表明，即使是单个碱基的突变，也可能让整个基因组报废。

所以，设计单个蛋白质（如SynTnpB），相当于让AI画一把剪刀的刀刃——只要刀刃锋利、能折叠成正确形状，基本就算成功。但设计一个完整基因组，相当于让AI从零画一辆汽车的完整图纸——发动机、变速箱、底盘、电路、油路，全部要自己设计，而且所有零件必须互相配合。更可怕的是，改错一个螺丝的位置，整辆车可能就发动不了。

过去，人类对生命的干预大多是"修修补补"：改一个基因、优化一个蛋白质。这次，AI是从白纸开始，当总设计师。

3、AI是怎么"写"出活病毒的？——五步流程

研究团队用了一个叫Evo的AI模型（专为 DNA 设计的独立基因组基础模型，有Evo1和Evo2两个版本）。它的工作方式，和ChatGPT学习人类语言规律类似——只不过它学的是DNA的"语法"。

第一步：读遍天下基因组之书。Evo预先"读"了超过270万条原核生物和噬菌体的基因组序列。它从这些数据中学到了哪些DNA组合能活、哪些组合是死路——就像通过读遍小说学会写故事一样。

第二步：专项特训光会读还不够。研究团队把Evo按在约1.5万条Microviridae家族（ΦX174所在的病毒家族）的基因组上，做了"专项训练"，让它从"通才"变成"科幻小说专精作家"。

第三步：科学家给一个开头，让AI续写。科学家写出ΦX174基因组的前4到9个字母，然后说："接着写，写完整，要像一个真的病毒。"AI开始"续写"，但它不是复制粘贴，而是原创出全新的DNA序列，它一口气写了成千上万个版本。

第四步：三重监考，严格筛选。AI写出来了,不代表能用。科学家设了三道关卡：

质量关：长度对不对？GC含量（碱基中G和C的占比）正常吗？有没有乱码？

靶标关：spike蛋白（病毒用来抓细菌的"钩子"）必须和ΦX174足够像，确保只感染目标细菌，不滥杀无辜。

创新关：不能和天然病毒太像，必须够新。

约300个设计,通过层层选拔，进入实验室。

第五步：真刀真枪进实验室。科学家把AI设计的DNA序列化学合成出来，像拼乐高一样组装成完整基因组，然后注入大肠杆菌C（一种非致病性的实验室菌株）。

结果：16个AI设计的病毒，真的活了。它们能感染细菌、复制自己、把细菌裂解。更关键的是安全性验证，科学家把这16个能活的AI病毒放到另一种大肠杆菌K-12里——结果它们全部"罢工"，完全不感染。实际上，连同另外269个没活过来的候选一起测试，285个组装体在K-12身上全部没有活性。这说明AI的"靶标过滤"确实有效：设计出的病毒只认目标细菌，不会"滥杀无辜"。

这里有一个同样重要的数字：科学家从AI生成的成千上万个版本中，筛选出约300个候选。其中285个成功完成DNA合成与组装，最终进入湿实验验证后，16个存活——湿实验存活率约5.6%。这个"低效"不是AI设计能力差，而是全基因组设计的初代尝试必然如此：DNA合成有损耗、组装有误差、序列本身是否可活无法提前预知。就像山中伸弥2006年首次实现体细胞重编程时，效率只有0.01%，但没人否认那是诺奖级突破。AI噬菌体的5.6%，已经是那个数字的500倍。

4、三个最惊人的发现

发现1：AI敢"混搭"，而且混搭成功了

其中一个叫Evo-Φ36的AI病毒，做了一件人类科学家过去不敢做、或者做了就死的事。它把ΦX174的一个关键零件——J蛋白（负责把病毒DNA打包进外壳的"包装工"），换成了远房亲戚G4噬菌体的J蛋白。这俩病毒的亲缘关系有多远？研究团队在论文中提到，过去有人试过这个操作——把G4的J蛋白硬塞进ΦX174——结果是死的。相当于把飞机的引擎装到汽车上。但AI设计的Evo-Φ36，不仅活了，冷冻电镜（分辨率2.9埃）还显示它组装出的病毒外壳完美无缺。

为什么？因为AI从海量数据里学到了人类没发现的"兼容性密码"——它知道怎么微调周围的序列，让"飞机引擎"和"汽车底盘"磨合成功。这批AI设计的新颖度同样惊人：与天然蛋白的氨基酸一致性最低只有63%。这是纯粹从数据驱动中涌现的洞察，人类科学家凭经验很难想到。

发现2：AI设计的比天然版本更能打

科学家把这16个AI病毒和天然ΦX174放在一起，让它们"养蛊"——同时感染同一批细菌，看谁复制得更快。结果：据论文数据，Evo-Φ69在三轮独立竞争中都拿了第一，6小时内数量翻了16到65倍；而天然ΦX174最好只排到第三，扩增仅1.3到4倍。还有一个叫Evo-Φ2483的，裂解细菌的速度比天然版本快得多——135分钟就把细菌杀到最低密度，天然版本需要180分钟。

这意味着：AI不是简单模仿自然，而是找到了自然界没进化出来的"优等生"方案。进化是"够用就好"的修理工，AI是拿着全部数据做全局优化的设计师。

发现3：组团攻破"耐药细菌"

这是最有实用价值的发现。科学家先让细菌在ΦX174的压力下进化出耐药性（模拟临床上超级细菌的产生），得到三株耐药菌株CR1、CR2、CR3。然后，单独用ΦX174攻击：完全没用，细菌照长不误。用16个AI病毒组成的"鸡尾酒"攻击：几轮传代后，耐药细菌被逐个击破——CR1在第1轮被攻破，CR2在第2轮，CR3在第5轮。

为什么？因为AI设计的病毒基因多样性极高。细菌进化出对A的耐药，B就能趁虚而入；对B耐药了，C又能补刀。而且AI病毒在攻击过程中还会重组、突变，演化出专门针对耐药菌的新版本。

这就像打游戏：单一武器容易被BOSS免疫，但AI给你造了一整个武器库，还能现场升级。

5、这件事对未来意味着什么？

（1）抗超级细菌——噬菌体疗法（高确定性方向）

抗生素耐药性是全球公共卫生危机，世界卫生组织（WHO）预测，到2050年每年可能导致1000万人死亡。噬菌体疗法是重要替代方案，但过去最大的瓶颈是"找噬菌体"——要去下水道、池塘里捞，效率低、特异性差。现在，AI可以按需设计噬菌体，针对特定耐药菌快速定制"精准导弹"，还能设计成鸡尾酒防止耐药。这是从"碰运气"到"按需设计"的关键跨越。

（2）合成生物学——微生物工厂（中等确定性方向）

未来可以设计完整微生物基因组，让细菌变成"活体工厂"：生产药物、分解塑料、固氮造肥、甚至直接吃二氧化碳产出生物燃料。以前人类只能"改造"现有细菌，效率有限；未来可能从零设计一个专门干活的微生物。

（3）基因治疗——更安全的载体（中等确定性方向）

现在基因治疗常用病毒作为载体，把治病基因送进人体细胞。但这些天然病毒有免疫原性（人体可能排斥）、装载容量有限。AI可能设计出更精简、更精准的人工病毒载体，降低副作用。

（4）生物安全与伦理（必须正视的隐藏问题）

研究团队做了三层防护：训练数据排除了所有人类病毒；使用非致病性宿主；严格的嗜性过滤确保只感染目标细菌，这些措施是负责任的。但能力越大，责任越大。2025年《科学》杂志已发表研究显示，AI设计的危险蛋白变体可以绕过现有基因合成筛查软件——就像机场安检能认出通缉令上的逃犯，但逃犯"整了容"就认不出来了。

值得注意的是，《科学》这次同期配发了约翰·霍普金斯大学专家的评论文章，明确呼吁对合成DNA订单实行法定强制筛查，而不是依赖企业自愿——期刊用自己的版面表明了态度。还有一个更少被提及的隐忧，排除人类病毒靠的是研究者的自觉，但任何拥有足够算力的人，理论上都可以用包含人类病毒的数据重走一遍这条路。能力门槛持续降低，"安全锁"不能只装在自律上。

因此，当AI能创造自然界从未存在过的基因组时，传统的生物安全评估方法是否仍然适用？需要新的国际监管框架和技术层面的"安全锁"。

6、从SynTnpB到Evo噬菌体：不是重复，是递进

上周，我们聊的SynTnpB，是AI设计了一个蛋白质工具——一把更锋利的分子剪刀。现在，Evo噬菌体是AI设计了一整套生命蓝图——一台能跑、能比赛、还能赢的生命机器。两者是同一浪潮下的两个独立里程碑：SynTnpB标志着AI学会优化零件，Evo噬菌体标志着AI学会设计整机。

合起来看，它们共同指向一个趋势：生命科学正在从"读取自然"（测序）、"编辑自然"（CRISPR，即常说的"基因剪刀"技术），正式进入"创造自然"（生成式设计）的时代。

结语：AI没有取代进化，但正在给它当"外挂"

进化用了亿万年从微生物世界里"淘"出了Cas9和Cas12（两种经典的基因编辑工具蛋白）；AI在数月内生成了SynTnpB的设计方案。进化让ΦX174在自然界中慢慢打磨成今天的样子；AI在电脑里用了很短的时间，就设计出了比它更能打的版本。

这不是说AI比进化更聪明——进化面对的是整个地球的生命博弈，AI面对的是一个人类定义好的数学问题。但AI确实正在做一件前所未有的事：从海量数据中提炼出人类凭直觉无法捕捉的"设计规则"，然后用这些规则创造出自然界没来得及尝试的方案。

真正的问题是：如果有一天，AI能画出整套生命蓝图，我们是否有足够精细的"操作手册"和"安全手套"来驾驭它？

技术的前进不会停止。技术向善，取决于人类是否愿意为速度设置边界。

AI医疗 · 用最笨的方法做最扎实的内容

本文不构成任何医疗建议。

信源说明

核心论文：King et al., Science 393, eaec2657（2026年8月6日），DOI: 10.1126/science.aec2657；预印本版本 bioRxiv 2025.09.12.675911

对比论文：Skopintsev et al.（Doudna团队），Science（2026年7月15日），DOI: 10.1126/science.aed6123

生物安全漏洞参考：Wittmann et al., Science 390, 82-87（2025），DOI: 10.1126/science.adu8578

同期评论：Inglesby & Hanke（约翰·霍普金斯大学），Science 同期 Perspective（2026年8月）

成功率细节（285/16）：论文正文及 Science Media Centre 专家评论（2026年8月）

本文概念框架为作者基于公开技术信息的独立分析