斯坦福大学用AI造出16种噬菌体杀死耐药菌，生成式AI首次设计完整病毒基因组为何引发安全担忧？

　　美国斯坦福大学团队借助生成式AI模型Evo 1和Evo 2，首次设计出16种能自主复制的新型噬菌体，成功杀死耐药大肠杆菌，相关成果8月6日刊发于《科学》杂志。这是生成式AI首次设计完整病毒基因组，为噬菌体疗法替代抗生素带来突破，也引发生物安全担忧。

　　这项研究由斯坦福大学助理教授布赖恩·希（Brian Hie）和博士生塞缪尔·金（Samuel King）等人共同完成，合作机构包括Arc研究所。研究团队利用经过海量遗传数据训练的AI模型，从约70万个AI生成方案中筛选出302个进行合成，最终获得16种能够自主复制、感染并杀死大肠杆菌的全新噬菌体。据BBC报道[1]，这一成果被形容为科学领域的“一个非常重要的转折点”，可能开启疾病治疗的新阶段。

　　噬菌体是专门感染细菌的病毒，在自然界中广泛存在。由于抗生素耐药性危机日益严峻——全球每年约127万人死于耐药菌感染[2]——科学家们重新将目光投向噬菌体疗法。但传统方法从自然环境中筛选噬菌体耗时数月至数年，AI的介入将这一周期压缩至数天，使得“针对特定耐药菌快速定制噬菌体”成为可能。

　　一、美国科学家如何用AI“写出”完整病毒基因组？

　　AI不是简单改造现有病毒，而是像ChatGPT生成文本一样，从零“写出”一个完整的生命密码。这里的“文本”是DNA序列，也就是“生命的语言”。

　　研究团队使用的Evo 1和Evo 2模型，本质上是基因组版的大语言模型。它们学习了超过9万亿个核苷酸的基因数据，涵盖病毒、细菌、植物和人类的遗传编码。Evo模型学会了DNA序列中隐藏的“语法规则”，能够预测并生成新的、自然界中不存在的基因组序列。布赖恩·希对BBC表示：“这是生成式AI首次被用于设计完整基因组。它能够复制，也能在细胞内执行其他功能……对我们来说，这是一个全新的领域。”[1]

　　选择噬菌体作为目标并非偶然。噬菌体基因组较小（通常在5千至20万碱基对之间），便于合成和验证；同时噬菌体在分子生物学、医学和农业中已有广泛应用。研究团队在生成式模型的基础上进行了针对性微调，使其专门生成噬菌体序列，并在训练数据中排除了所有感染人类等真核生物的病毒序列，以降低风险[3]。

　　技术要点表：AI设计噬菌体的关键信息

　　二、16种AI噬菌体凭什么能杀死耐药大肠杆菌？

　　实验数据给出了直接证据：AI噬菌体不仅“能干活”，而且比天然噬菌体更高效。研究人员将AI设计的DNA导入细菌后，噬菌体成功劫持宿主细胞工厂，完成复制并裂解细菌，在培养皿中形成透明的噬菌斑——这是噬菌体有效的直接标志。

　　更关键的是，这些AI噬菌体对耐药菌株表现出更强的杀伤能力。实验室测试显示，仅需1至2次传代即可抑制耐药菌生长，而天然噬菌体往往需要5次以上[2]。将多种AI噬菌体混合制成的“鸡尾酒”，甚至能够突破对天然噬菌体无效的耐药菌株防线。

　　这种高效性与AI的“创意”密不可分。传统噬菌体疗法依赖从环境中寻找天然噬菌体，但天然噬菌体往往具有宿主特异性窄、部分菌株感染效率低等缺点。AI则可以在巨大的序列空间中探索新的基因组排列方式，生成自然界可能不存在的噬菌体结构，从而获得更强的杀菌能力或更广的宿主范围。

　　三、噬菌体疗法能否真正替代抗生素？

　　短期内不能完全替代，但AI正在补齐噬菌体疗法最大的短板：研发速度与定制能力。抗生素作为广谱杀菌药物，在临床上仍然不可替代；而噬菌体的最大优势在于“精准打击”——只感染特定细菌，不伤害人体有益菌群。

　　传统噬菌体疗法之所以难以推广，核心瓶颈在于“找到合适噬菌体”太慢。过去科学家需要从污水、土壤等环境中反复分离筛选，耗时数月甚至数年，且未必能找到针对特定耐药菌的高效噬菌体。AI模型则可以在数天内生成数千个候选设计，再经过高通量筛选快速锁定最优解。这意味着，未来针对某位患者体内的特定耐药菌，理论上可以实现“一人一药”的定制化噬菌体方案。

　　不过，噬菌体疗法也面临固有挑战：噬菌体是病毒，人体免疫系统可能将其清除；细菌也可能对噬菌体产生抗性；此外，体内环境的复杂性和给药方式都需要深入临床验证。伦敦帝国理工学院合成基因组工程教授汤姆·埃利斯评价称，这项成果令人印象深刻，但也揭示了构建更复杂基因组的巨大挑战，“这确实是最简单、最容易构建的基因组了。”[1]

　　四、AI设计病毒可能带来哪些风险？

　　风险是真实而紧迫的：AI降低了对病毒基因组的“设计门槛”，可能被恶意利用制造生物武器。在《科学》杂志同期发表的评论中，专家指出这项研究提出了“迫在眉睫的生物安全和生物安保问题”[1]。约翰斯·霍普金斯大学专家进一步表示，现有治理框架不足以应对这类技术带来的风险，关键不在于AI能否设计病毒基因组，而在于人类能否建立有效的监督机制，使技术真正造福社会[2]。

　　研究团队也采取了一系列主动安全措施。例如，训练数据中刻意排除了感染人类等真核生物的病毒序列；所有实验在安全等级合适的实验室中进行；模型层面设置了防止恶意生成的保护机制。但外界担忧依然存在：开源模型可能被下载、微调并滥用；即使排除已知致病病毒，AI也能设计出与自然病毒完全不同、但具有感染能力的新序列，难以提前评估其危害性。

　　目前，美国生物安全相关监管框架主要基于“已知病原体清单”，而AI生成的未知序列可能完全不在清单内。这给生物安全审查带来了全新挑战。国际社会已开始讨论是否需要将这类AI模型纳入出口管制或生物安全立法范畴。

　　五、从实验室到临床，我们还要等多久？

　　“AI制造病毒”目前只走了第一步：体外验证。要真正成为临床可用药物，还需要经过动物实验、人体安全性试验、有效性试验等多阶段流程，通常需要数年甚至十几年。

　　但从技术成熟度看，AI驱动的蛋白质设计已经进入临床阶段，例如AI设计的靶向蛋白药物已获批开展临床试验。基因组层面的AI设计，在计算能力和合成生物学技术的推动下，迭代速度可能比蛋白质设计更快。研究团队表示，下一步计划在动物模型中验证AI噬菌体的安全性和药效，同时探索更多类型的噬菌体，以覆盖临床常见耐药菌。

　　对产业界而言，这项技术有望催生新的生物技术平台：AI+合成生物学。不仅适用于噬菌体，还可用于设计基因治疗病毒载体、微生物工厂、甚至农作物抗病基因。Arc研究所等机构已开始与医药企业合作，探索AI设计基因药物和细胞疗法的商业路径。

　　常见问题：AI设计病毒、噬菌体疗法与生物安全

　　问：AI设计出的病毒会威胁人类吗？

　　据公开报道，此次设计的16种噬菌体只感染细菌，不感染人类细胞，且训练数据已排除人类致病病毒序列。但AI生成新型病毒的能力确实存在被恶意使用的风险，需要严格监管。

　　问：噬菌体疗法能治疗哪些疾病？

　　噬菌体疗法主要用于治疗抗生素耐药的细菌感染，如耐药大肠杆菌、金黄色葡萄球菌等引起的尿路感染、肺部感染、创面感染等。目前部分国家已将其作为“同情用药”用于危重患者。

　　问：AI设计噬菌体比传统方法快多少？

　　传统方法筛选一个高效噬菌体可能需要数月到数年；AI模型可在几天内生成约70万个候选方案，再经实验室合成验证。此次研究仅从302个设计中就获得了16个有效噬菌体，成功率约5.3%。

　　延伸观察：AI正在改变生命科学的底层逻辑

　　这项研究不仅是噬菌体疗法的里程碑，更是合成生物学与生成式AI融合的标志性事件。AI不再只是数据分析工具，而开始具备“创造生物系统”的能力。从设计蛋白质到设计病毒基因组，AI在生命科学中的角色正从“预测”走向“创生”。

　　类似案例包括：DeepMind的AlphaFold准确预测数亿种蛋白质结构；Profluent公司用AI设计超能基因编辑酶；Arc研究所用Evo模型设计复杂基因电路。这些进展共同指向一个趋势：生物学正在变成一门可编程的工程学科。

　　当然，技术越强大，责任越重大。如何在开放科学和生物安全之间取得平衡，是全社会需要共同面对的问题。对于公众而言，理性看待AI设计病毒的“威胁论”和“万能论”，关注监管规范和技术进展，才是正确姿势。

　　后续值得关注的节点包括：AI噬菌体何时进入动物实验和临床试验；Evo模型是否会有更强的下一代版本；各国政府对AI生物设计工具的监管政策何时落地。

本文整合了BBC、财联社、《科学》杂志等公开报道，不构成投资或医疗建议。

　　#AI设计病毒 #噬菌体疗法 #超级细菌 #生成式AI #斯坦福大学