开源AI病毒设计模型存在哪些生物安全风险？

　　美国斯坦福大学团队首次利用开源AI模型Evo成功设计出16种具备完整功能的全新噬菌体，这一突破在展现医疗潜力的同时，也因模型开源和监管滞后引发了对生物安全风险的广泛关注。

　　

　　

　　一、开源AI模型降低滥用门槛，但安全护栏存在盲区

　　模型开源与可及性：Evo2模型已开源发布，任何人都可免费下载并用于设计新的基因组，研究团队明确表示暂无商业化计划。这种开放性虽然促进了科研，但也意味着技术可能被不具资质的个人或组织获取。

　　训练数据的刻意排除：为降低风险，团队在训练数据中排除了所有能感染人类、动物和植物的病毒遗传代码，使模型底层不具备设计人类病原体的知识储备。然而，其他研究者可以在此基础上微调模型，补充危险病原体数据，从而绕过这一防护。

　　现有筛查工具的局限性：微软一项研究发现，现有生物安全筛查软件对AI生成的病毒变异体检测灵敏度不足，即使升级补丁后仍有约3%的变异体未被发现。这意味着依赖自动筛查很难完全拦截恶意设计。

　　二、治理框架滞后于技术能力，多层次监管亟待建立

　　政策与技术的脱节：约翰斯·霍普金斯大学健康安全中心专家指出，AI设计病毒基因组的能力已成为现实，但安全引导该技术的治理机制尚未到位。美国国立卫生研究院（NIH）的新政策仅禁止涉及已知高风险病原体的实验，但对纯计算设计尚无明确限制。

　　关键干预节点在DNA合成环节：伦敦国王学院学者强调，不应仅管控AI模型本身，更应在DNA合成采购环节建立筛查机制——控制谁能订购、核实买家身份、检查合成序列是否涉及危险病原体。这是从代码到生物体的关键关卡。

　　国际层面缺乏统一标准：对于AI创造出的前所未见的新病毒，科学界尚无统一的风险评估标准，难以判断"从未见过的东西到底有多危险"。

　　三、技术本身的不可预测性为安全带来新挑战

　　设计成功率的偶然性：在302个AI设计方案中，只有16个（约5.3%）成功产生有活性的病毒，其余均失败。这种不确定性既说明了技术尚未成熟，也意味着意外获得功能性病原体的可能性存在。

　　涌现的全新蛋白质结构：其中一个AI设计的噬菌体含有在地球已知生物中找不到同源序列的蛋白质外壳，表明AI能够发现自然进化未曾采用的解决方案。这种"不可知"特性增加了风险评估的难度。

　　超越自然模板的能力：AI设计的某些噬菌体在复制速度和杀菌效率上甚至超越了作为模板的天然噬菌体，并能克服细菌的耐药性。如果同样的技术被用于设计致病病毒，可能产生现有药物无法应对的超级病原体。