AI 首次設計出自然界不存在的病毒？Evo 解析逾 9 兆個核苷酸，16 種 AI 設計噬菌體成功運作

【AI 不只是理解 DNA，開始嘗試設計新的生命序列】

人工智慧正在進入一個比「分析生物資料」更敏感的領域：設計新的生物序列。

史丹佛大學與 Arc Institute 的研究團隊近期展示了一項受到高度關注的成果。他們使用名為 Evo 的基因組 AI 模型，讓模型從大規模 DNA 資料中學習生物序列的統計規律，再利用這些規律提出新的病毒基因組設計。

研究最引人注意的結果是，在研究團隊進一步篩選並實驗測試的 285 個 AI 設計病毒基因組中，有 16 個成功形成具功能的噬菌體。這些新病毒能夠感染大腸桿菌，並在細菌中進行複製。

換句話說，這些病毒並不是自然界中已知存在的病毒，而是 AI 根據從大量生物基因組中學到的規律提出設計後，再經由實驗驗證其是否具有生物功能。

這項研究發表於《Science》，也讓一個過去更像科幻小說的問題開始變得非常現實：AI 是否已經開始具備協助人類探索「自然界尚未出現的生物設計」的能力？

【模型到底學了什麼？】

研究團隊使用的 Evo 並不是單純的病毒資料庫搜尋工具。

研究人員讓模型接觸超過 9 兆個核苷酸，資料涵蓋超過 128,000 個基因序列，以及來自大量動物、植物、微生物與病毒的遺傳資訊。

核苷酸可以理解為 DNA 的基本建構單元。DNA 本身由這些基本單元排列而成，而不同的排列方式則可能對應不同的基因與生物功能。

研究團隊希望讓 AI 從海量資料中學習一件事情：什麼樣的 DNA 排列方式，較有可能形成具有生物功能的序列。

這種概念與大型語言模型學習文字結構有些相似。語言模型可以從大量文本中學習哪些詞彙與句型通常能夠合理組合，而基因組 AI 則試圖從大量遺傳資料中學習核苷酸與基因之間的統計關係。

但兩者有一個非常重要的差異：文字模型產生的是資訊，而生物序列一旦被實際合成，就可能進入真實的生物系統。

這也是這項研究受到關注的核心原因之一。

【為什麼研究團隊選擇噬菌體？】

研究並不是直接讓 AI 設計會感染人類的病毒。

研究團隊選擇了 Phi X-174，一種研究歷史非常悠久的噬菌體作為實驗對象。噬菌體是一類專門感染細菌的病毒，而 Phi X-174 的主要宿主是大腸桿菌。

由於這種病毒已經被研究超過一個世紀，其生物學特性相對容易被研究人員掌握，因此適合作為測試 AI 是否能夠產生具有功能的新病毒基因組的模型系統。

研究團隊先讓 Evo 分析 Phi X-174 以及其近親的遺傳特徵，接著由模型提出大量候選基因組，再從中挑選較具研究價值的候選方案進行實驗驗證。

最終，285 個候選 AI 設計基因組中，有 16 個成功形成具有功能的噬菌體。

這個結果非常重要，因為它證明 AI 不只是能夠「預測」某些 DNA 序列，而是能夠提出新的序列設計，其中部分設計經過實驗後確實能形成可以感染細菌並複製的病毒。

【AI 設計病毒甚至能挑戰細菌抗藥性】

研究團隊還進一步測試了這些 AI 設計噬菌體的一項潛在用途：對付已經產生抗性的細菌。

研究人員建立了對天然 Phi X-174 產生抗性的 E. coli 菌株，接著使用 AI 設計的噬菌體組合進行實驗。

結果顯示，這些噬菌體族群在實驗過程中也會發生演化，最終成功突破三種具有抗性的細菌菌株。

這提供了一個相當值得注意的可能應用方向。

噬菌體本身就被研究作為對抗細菌的一種工具，而當 AI 能夠協助探索大量新的病毒基因組設計時，未來或許能讓研究人員更快速尋找能夠針對特定細菌的噬菌體。

不過，這仍然屬於研究潛力，而不是已經可以直接應用於臨床的治療方案。從實驗室中的細菌模型，到真正的人類醫療應用，中間仍然存在大量安全性、有效性與監管要求。

【研究團隊：這些病毒目前並不會感染人類】

研究團隊特別強調，這次研究的 AI 設計病毒針對的是細菌，而不是人類。

研究過程也沒有使用已知會感染人類的病原體資料來訓練模型。

因此，不能將這項研究直接解讀成「AI 已經製造出能感染人類的新病毒」。目前研究展示的是 AI 設計能力在噬菌體這類較簡單病毒系統中的可行性。

但問題也正是從這裡開始。

如果 AI 能夠從大規模基因組資料中學習生物序列規律，並提出自然界不存在的新設計，那麼未來當這類模型被應用到更複雜、更敏感的生物系統時，安全邊界應該如何設定，就成為研究之外的重要議題。

【真正令人擔心的不是這 16 種病毒】

這項研究目前並沒有證明 AI 可以設計出危害人類的病毒，因此把它直接描述成「AI 創造了新的致命病毒」並不準確。

真正值得注意的是另一件事情：AI 正在降低探索生物設計空間的門檻。

自然界存在數量極其龐大的可能遺傳序列，人類不可能逐一實驗測試所有可能性。傳統生物研究往往需要依賴已知生物、既有基因序列以及大量實驗累積。

而基因組 AI 的核心價值，就是利用計算模型從龐大的生物資料中尋找人類難以直接觀察的模式。

一旦模型能夠提出大量候選設計，實驗室便可以從中挑選部分候選者進行驗證。

這可能大幅縮短從「提出假設」到「實驗驗證」之間的時間。

對醫療、抗菌研究與生物工程而言，這可能是一項巨大突破；但對生物安全而言，同樣代表需要重新思考治理方式。

【AI 生物學的能力，可能跑得比監管更快】

這也是外界對這項研究最主要的擔憂之一。

傳統生物技術的安全機制，往往建立在實驗設備、專業人員、實驗材料與研究流程等多重門檻上。然而，AI 正逐漸成為另一個可以快速探索生物設計空間的工具。

當 AI 能夠從數兆級生物資料中尋找規律，並提出大量人類過去沒有直接想到的候選序列時，監管機構需要處理的不再只是「哪些已知病原體可以被研究」，而可能還包括「AI 能夠提出什麼樣的新型生物設計」。

這是一個更加困難的治理問題。

因為 AI 模型本身不一定知道人類設定的安全邊界，而研究人員也可能面對模型產生的大量未知候選結果。

因此，未來的生物安全規範可能需要同時考慮 AI 模型能力、資料集、模型輸出、實驗驗證流程以及合成生物學工具之間的連接。

【從「AI 讀懂生命」走向「AI 設計生命」】

這項研究真正具有象徵性的地方，是 AI 在生物學領域的角色正在發生變化。

過去，人們更常把 AI 當成分析工具：分析蛋白質結構、預測基因功能、尋找疾病相關變異，或從大量生物資料中尋找規律。

現在，AI 開始進一步參與設計。

而當「理解」與「生成」之間的界線逐漸消失，AI 的能力就不再只是幫助科學家更快閱讀自然界留下的答案，而是開始提出自然界本身未必曾經產生過的可能性。

這次研究的 16 個成功噬菌體並不是末日情節的證據，也不是 AI 已經能夠自由創造危險病原體的證明。

但它確實是一個清楚的訊號：AI 與合成生物學正在快速靠近，而科學能力的進步速度，可能正在超過現有生物安全治理框架更新的速度。

未來真正需要回答的問題，或許已經不只是「AI 能不能設計新的生命序列」，而是「當 AI 可以做到時，我們應該允許它做到什麼程度？」