AI设计的病毒：生成式生命蓝图的第一步

如果有一天，一段由AI写出的基因序列被合成、包装、注入细胞，然后开始自我复制，那么「生命」这个词的定义可能需要重写。2025年，斯坦福大学博士生塞缪尔·金（Samuel King）向前迈出了一小步：他使用一个生成式AI模型，提出了若干微型病毒的基因蓝图。这距离真正的「AI创造生命」还有距离，但问题已经从科幻小说搬进了实验室日程表。

编者按：AI设计生命并不需要一个戏剧性的「诞生时刻」。它更像水位上涨——某一天你回头看，才发现原本不可逾越的边界早已被淹没。

先把话说清楚：这不是AI造生命

需要强调的前提是，金的工作并不等于「AI创造了一个新生命」。他做的更接近「提出设计草案」：由生成式模型给出候选的遗传蓝图，再由人类研究者评估其可行性，并交由实验去验证。AI在这里扮演的是设计助手的角色，而不是造物主。

但正是这一步值得认真对待。因为设计的瓶颈一旦被解开，后面的合成、组装、测试就只是工程问题——而工程问题通常比科学问题更容易被复制、被提速、被扩散。

从蛋白质到基因组，AI正在向「上游」移动

过去几年，生成式模型在生物学领域最亮眼的成绩集中在蛋白质层面：AlphaFold解决了结构预测，RFdiffusion、ProteinMPNN等模型可以凭空设计蛋白质骨架，ESM系列语言模型则把氨基酸序列当作「句子」来学习其语法。

病毒基因组设计是另一回事。它涉及的不只是几十上百个氨基酸如何折叠，而是调控元件、复制机制、衣壳组装、宿主互作等一系列彼此耦合的组件如何协同工作。可设计对象的复杂度上升了一个数量级，而AI恰恰擅长在组合空间里搜索人类直觉触及不到的角落。从「设计一个蛋白」到「设计一套基因组」，这就是从零件到整机的跨越。

从序列到活体，中间横着一道现实鸿沟

即便AI给出看似完美的蓝图，合成生物学仍有一整套硬约束：基因合成长度与保真度、密码子优化、细胞内的表达毒性、宿主兼容性，以及最现实的——成本与周期。许多设计方案在纸面上成立，在试管里死亡。这也是专业研究者面对「AI设计病毒」时最常见的冷静回应：能不能设计出来是一回事，能不能做出来、做出来之后能不能活，是另一回事。

但技术史反复提醒我们，这类「做不出来」的壁垒往往只是时间问题。DNA合成的单位成本在过去二十年里下降了好几个数量级，自动化的实验平台正在把试错变成高通量流水线。

老问题，新的加速度

生物安全领域对这类进展并不陌生。DNA合成商的订单筛查、受控病原体清单、双重用途研究（DURC）审查，都是既有机制。争议也早已存在：此前围绕「镜像生命」的讨论，已经让学界认真争论过是否应当主动为某些研究方向划红线。

AI带来的变化不在性质，而在速度与准入。设计端的门槛下降，意味着「谁能提问」的范围在扩大；而模型的开放性，又让能力扩散难以被有效管控。安全机制大多建立在「订购序列可被识别」这一假设上，可当序列本身是AI生成的新型组合时，筛查规则该依据什么？这是圆桌上最棘手的问题之一。

AI不会自动带来生物灾难，但它会大幅降低「设计」这一步的门槛——而门槛的降低，从来都是双刃的。

为什么值得一场圆桌讨论

2026年10月16日，MIT Technology Review将举办圆桌对话，由资深AI记者与塞缪尔·金对谈。议题显然不止于技术细节：一个博士生用生成式模型提出病毒基因蓝图，这件事该被理解为科学进步，还是风险信号？研究者应承担怎样的披露责任？模型开发者、合成服务商、监管机构之间的责任如何分配？

值得注意的是，金本人并未宣称造出了生命。他的谨慎恰恰说明，这个领域真正的分界线不在「能不能」，而在「该不该」以及「以什么节奏」。AI设计的病毒或许还不是生命，但它已经把一个问题摆到所有人面前：当我们能够书写生命的蓝图时，我们准备好了吗？

本文编译自MIT Technology Review