如果让人工智能设计并制造一种病毒，世界是否会像《生化危机》所描绘的那样，陷入末日般的混乱？
2026年8月6日之后，这种担忧似乎多了一些现实的依据。
斯坦福大学的研究团队在《科学》（Science）杂志上公布了一项突破性成果：他们利用人工智能工具，从零开始设计并合成了完整的病毒基因组，成功制造出了16种自然界中原本不存在的全新病毒。这些病毒能够感染大肠杆菌，在细菌体内完成复制，并最终杀死宿主细菌。[1]
那么，这一技术究竟是如何实现的？它将如何影响人类？我们是否正一步步逼近《生化危机》中的场景？本文将从多个角度，为您剖析其中的关键问题。
从AI设计病毒，到人类组装和验证，图源丨参考文献[1]
问题一：AI究竟是如何做到的？
整个过程可以分为几个关键步骤：
首先，AI并非凭空想象，它需要一个初始模板。科学家选择了噬菌体ΦX174——一种专门感染大肠杆菌的病毒。这是已知最小的病毒之一，仅有约5386个碱基对和11个基因。它也是历史上第一个完成测序（1976年）并在实验室人工合成的病毒序列，因此科学家们对其特性了如指掌。
其次，AI的设计过程类似于我们使用GPT等对话模型。研究者输入一些“提示词”，即由A、T、C、G四种碱基字母组成的序列片段，AI则据此生成一个完整的全新基因组。通过此循环，AI共产生了约70万个候选基因组。
最后，AI输出的仅仅是数字信息。通过化学合成、基因组装、导入细菌以及功能验证等一系列复杂操作，研究者才能确认这些设计是否真正具备生物活性。最终，研究人员从70万个候选基因组中筛选出302个进行实验，并成功培育出16种具有感染能力的活病毒。
与以往对现有生物的改造不同，这次是真正意义上的“生成式”创造：AI从无到有地创作出一整套能够自我复制的生物系统，其产物在自然界中毫无先例。
这些病毒的全新程度令人咋舌。论文作者指出，这16种病毒与自然界中最接近的病毒相比，基因相似度最高仅为93.2%至98.8%。作为参照，家猫与老虎的基因相似度大约为95.6%[13]。因此，这些AI设计的病毒，完全有资格被认定为“新物种”。其中，一种代号为“Evo-Φ36”的病毒，其基因序列与已知生物的差距最大，研究者估计，如果依靠自然演化，可能需要数百万年才能诞生。
那么，设计这些自然界不存在的病毒，仅仅是科学家们在炫耀技术实力吗？答案显然是否定的，这项技术蕴含着巨大的应用价值。
问题二：AI设计病毒有何实际用途？
未来，利用AI设计针对“超级细菌”的病毒，有望解决令全球医疗系统头痛的耐药菌难题。目前，耐药菌感染已成为全球公共卫生的重大威胁。
- 触目惊心的数据：全球每年直接死于耐药菌感染的人数超过100万，关联死亡人数约500万，这一数字已超过疟疾和艾滋病年死亡人数的总和。《柳叶刀》GRAM研究在2024年预测，2025年至2050年间，耐药菌将累计造成约3900万例死亡，相当于每分钟约3人[2]。
- 中国的现状：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）为例，其对亚胺培南、美罗培南等药物的耐药率，已从2005年的约3%，飙升至2025年的约21%[3]。鲍曼不动杆菌对多数主流抗菌药的耐药率已超过60%，其引发的医院获得性肺炎总死亡率高达约42.6%[3]。
肺炎克雷伯菌的耐药性趋势丨参考文献[3]
鲍曼不动菌的耐药性现状丨参考文献[3]
与长期服用的慢病药物不同，抗生素的使用周期短，利润空间有限。开发一款新型抗生素耗资巨大、周期漫长，导致制药公司普遍缩减相关研发管线。这形成了一个恶性循环：耐药菌出现 → 药企不愿研发新药 → 旧抗生素剂量越用越大 → 耐药菌问题愈发严重。
噬菌体，即细菌病毒，是自然界中最古老的细菌克星。它们具有高度的专一性，通常只攻击一种或少数几类细菌，作用精准，不会伤害人体细胞，因而被视为抗生素的有力补充。解决耐药问题的思路之一，是采用“鸡尾酒疗法”，即混合多种基因各异的噬菌体，迫使细菌必须同时应对来自多方面的攻击，从而显著延缓其耐药性的产生。
在此背景下，噬菌体的多样性至关重要。然而，天然噬菌体种类有限，传统方法寻找、培养和定制噬菌体速度缓慢。AI技术的介入，使得按需批量设计各种噬菌体成为可能。8月发表的这篇论文报告了一个令人振奋的结果：对于对原始ΦX174噬菌体已产生抗性的大肠杆菌，混合使用了AI设计的16种噬菌体后，这些耐药菌被全部杀灭。
既然能攻克大肠杆菌，那么针对更多耐药菌也充满希望。例如，医院内最常见的超级细菌——耐甲氧西林金黄色葡萄球菌（MRSA）、全球年感染超百万人的耐药结核菌，以及院内感染的重要元凶——铜绿假单胞菌，都有望通过AI设计的噬菌体得到有效控制。当然，这并非要完全取代抗生素，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的希望。
以上是基于美好愿景的推测，但如果以最坏的恶意来揣测呢？例如，AI能设计攻击细菌的病毒，理论上是否也能设计出针对人类的病毒？这将带来怎样的风险？
问题三：AI会导致“生化危机”吗？
简单来说，受当前技术所限，制造出类似《生化危机》中的“T病毒”难度极大，短期内难以实现。但风险绝非为零，而是以一种更隐蔽的方式存在。
为什么短期内难以实现？
- 成功率极低：即使在最顶尖的生物模型中，通过层层筛选后，成功率也仅有约5%（如《科学》论文所示）。另一项2026年的分析也显示，非专业人士利用AI工具完成常规病毒学任务的端到端成功率，仍低于8%[4][5]。要想高效地“按需定制”危险病毒，AI的效率和可靠性还差得很远。
- 复杂度呈指数级增长：研究使用的模板病毒ΦX174仅有5000多个碱基对，而新冠病毒约有3万个，两者相差近6倍。考虑到基因间的相互作用、调控和蛋白质折叠等因素，基因组长度的增加会导致设计难度呈指数级上升。有专家指出，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“防火墙”：目前用于设计病毒的AI模型，在训练时已主动排除了所有可能感染人类、动物、植物或真菌的病原体基因组。此次研究设计的16种病毒仅能感染细菌，对人类完全无害。
因此，与其担心AI是否会凭空创造出超级病毒，不如正视自然界中已有的、更直接的威胁。许多病原体本身就易于获取和培养，且已适应人类宿主，它们构成的威胁远比实验室中的新病毒更紧迫。
真实的风险究竟是什么？
短期内，AI一键生成超级瘟疫的科幻情节并不现实，但这并不意味着我们可以高枕无忧。真正的风险体现在以下两点：
- 作恶门槛降低：尽管从零设计复杂病毒很难，但AI使得获取和改造已知病原体信息变得更容易。过去需要在高等级生物安全实验室才能研究的危险病原体，如今通过开源模型，其基因组信息可能被不良分子理解和利用。
- 现有安全体系存在盲区：当前最紧迫的技术盲区在于，现有措施难以排查AI设计的全新基因序列。实验室合成基因序列的服务很普遍，但服务方通常仅依赖一个已知的“危险清单”（如天花、炭疽等）来筛查订单。如果AI“创造”出的危险序列不在这个清单上，它就可能会被漏检，从而被合成并获得。这相当于全球生物安全体系的最后一道防线，在面对未知威胁时显得异常脆弱。
在同期《科学》杂志的另一篇评论中，约翰霍普金斯大学的学者们明确警告：这项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”，而结果表明，这套体系并未完全通过考验[7]。目前，全球大多数国家并未强制要求DNA合成商对序列和订购者身份进行筛查。这意味着，任何人理论上都可以在线订购定制DNA，并通过快递收货，而无需解答“你是谁”和“你打算用它做什么”这两个关键问题。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：普通人能“手搓”一个病毒吗？
AI带来了技术平权，但也容易让人产生“别人能做到，我也行”的幻觉。然而，从代码到病毒，隔着巨大的技术鸿沟。
- 算力门槛：像Evo 2这样的模型虽开源，但训练和运行需要数千张高端GPU。即便能跑通，输出的也只是碱基代码，后续的基因筛选、病毒合成和培养，每一步都需要专业的实验技能和设备。
- 资金门槛：合成一个ΦX174级别的病毒基因，成本已高达数万美元至数十万美元不等。若要合成与新冠病毒大小相似的基因组，成本将突破百万美元。这绝非普通人所能承受。
- 人才壁垒：这项研究的第一作者King一人身兼数职：既编写计算框架，又进行化学合成、基因组装和功能验证。能同时精通AI、分子生物学和病毒学实验的复合型人才，在全球范围内凤毛麟角。
- 实验室条件：重现该实验，需要与斯坦福大学水平相当的实验室、充足的经费、经验丰富的导师团队以及高等级的生物安全实验室。这些条件将绝大多数人拒之门外。
综上所述，下载模型很容易，但从代码到活病毒，难度堪比登天。
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”，其潜力远超病毒本身。今年3月，同一研究团队在《自然》杂志上发表了另一项研究，展示了他们利用同一AI工具设计更复杂生命体的可能性[8]：
- 人类线粒体DNA（约1.6万个碱基对）
- 一段酵母染色体（约33万个碱基对）
- 以生殖支原体为蓝本的简化细菌基因组（约58万个碱基对）
当然，这些目前仍停留在数字阶段，尚未经过实验验证。预计只有约70%的基因设计看起来合理。从病毒到细菌，难度本质上是不同的量级：病毒是简单的寄生程序，而细菌是一个需要独立完成新陈代谢、自我复制的完整操作系统。
也有科学家在做“减法”。今年4月，哥伦比亚大学团队利用AI设计，让缺少一种标准氨基酸（异亮氨酸）的大肠杆菌，通过新设计的核糖体蛋白，成功延续了450代[10]。这展示了AI在“重写生命密码”方面的潜力。
最终目标是远大的。如果有一天科学家克服所有障碍，我们可以期待：按需设计的环境监测细菌（如遇水质污染即变色）、在实验室中绝对安全的“底盘”微生物、能直接高效捕获二氧化碳的工程菌等。但目前，首要任务是将AI设计的准确率从70%提升到100%，否则，错误的蓝图可能导致难以预料的后果。
问题六：最关键的技术——Evo模型，究竟是什么？
斯坦福团队所使用的AI工具名为“Evo”，它并非商业产品，而是由非营利科研机构牵头、多方协作开发的基础生物学模型。
Evo有多强？
Evo是全球领先的AI生物学模型。其最新版本Evo 2在2026年发表于《自然》杂志，训练数据集规模达到8.8万亿个核苷酸，涵盖了12.8万个完整基因组，视野从细菌拓展至生命三大域（细菌、古菌、真核生物）及噬菌体[8]。其核心架构Striped Hyena 2结合了Transformer和状态空间模型，能以单碱基精度处理百万级碱基的DNA序列。本次《科学》杂志的病毒设计实验，正是将Evo 2的能力从“阅读”基因序列，推进到了“编写”和“创造”生命。
斯坦福大学研究人员使用Evo 2进行合成病毒研究，左边为本次合成病毒的作者之一Brian Hie，图源丨Stanford Report
Evo 2的背后是典型的硅谷科研模式。它由Arc研究所牵头，联合斯坦福、UC伯克利、英伟达等顶尖机构完成。Arc研究所是一家非营利AI与生物学基础研究机构，依靠慈善捐款和政府资助运作。其联合创始人的未婚夫曾捐助5亿美元，其他资助方还包括美国国家科学基金会（NSF）和以太坊创始人V神（Vitalik Buterin）等。这种非营利、慈善加开源的模式，让人联想到早期的OpenAI。随着成本压力增大，Arc能否保持纯非营利性，仍是一个未知数。
最后，回到AI设计病毒这个核心议题。像《生化危机》那样的末日场景短期内不会出现。然而，AI的进步已经毫不留情地揭示了全球生物安全监管体系中的漏洞。真正可怕的永远是人心，如果只是假定“技术掌握在善良的人手中”，那么出乱子恐怕只是时间问题。
