AI在生命科学领域的里程碑，又多了一座。8月5日，《科学》杂志刊登了斯坦福大学团队的成果：他们用名为Evo2的生成式AI模型，成功设计并制造出16种能够杀灭耐药大肠杆菌的合成噬菌体。这是人类首次用AI设计出完整、可存活的病毒基因组。Evo2模型基于900万亿个DNA碱基对训练，具备编写全新基因组的能力，此前的研究主要用它分析基因组序列，而这次，团队完成了从数字设计到物理验证的完整闭环。
这一突破的意义远不止于噬菌体本身。耐药细菌每年在全球造成数十万人死亡，被世界卫生组织列为最紧迫的公共卫生威胁之一，而噬菌体正是对抗耐药菌的天然武器。AI设计的合成噬菌体，为抗生素替代方案打开了新的想象空间。与此同时，它也把AI安全的讨论从数字空间延伸到了生命空间：当AI能够设计自然界原本不存在的生物系统，责任与风险的边界也随之改写。
Evo2之所以能设计噬菌体，源于它对基因组语言的理解。DNA序列本质上是一种生物信息语言，碱基对的排列组合决定了蛋白质结构和生物功能。Evo2在900万亿个DNA碱基对上训练，覆盖了从细菌、古菌到真核生物的大量物种，模型学会了基因组中的语法和规律，就像大语言模型学会了人类语言的语法一样，它可以预测一段序列的功能，也可以生成全新的序列。
斯坦福团队的设计流程分为两步。第一步是生成：研究者让Evo2生成噬菌体基因组的候选序列，模型根据训练中习得的噬菌体结构规律，输出大量可能的基因组设计方案。第二步是筛选与验证：团队从生成结果中挑选候选序列，在实验室中合成并测试其对耐药大肠杆菌的杀灭效果。16种成功杀灭耐药菌的噬菌体，正是从这一生成与验证循环中脱颖而出，其中部分候选在首次测试中即展现出活性。
与传统的噬菌体改造方法相比，AI设计的核心优势在于速度和多样性。传统方法主要依靠对已知噬菌体进行诱变和筛选，过程漫长且改进空间有限；而生成式AI可以在短时间内探索海量的序列空间，生成自然界中不存在的新设计，再通过实验验证筛选。这种数字设计与物理验证相结合的范式，正是AI4S（人工智能驱动科学研究）最典型的实践路径。
耐药菌问题的严峻性，正在推动噬菌体疗法从边缘走向中心。抗生素的广泛使用让细菌不断进化出耐药机制，碳青霉烯类等最后防线药物也出现失效案例，世界卫生组织多次警告，如果不采取行动，到2050年耐药菌感染可能成为全球主要死因之一。噬菌体是专门感染细菌的病毒，其杀菌机制与抗生素完全不同，不易诱导细菌产生交叉耐药，被视为抗生素替代方案中最有前景的方向之一。
然而，传统噬菌体疗法面临两大瓶颈。其一，天然噬菌体的宿主范围狭窄，往往只能感染特定菌株，找到匹配目标细菌的噬菌体需要大量筛选工作；其二，细菌会迅速对单一噬菌体产生抗性，临床上通常需要噬菌体鸡尾酒疗法，即多种噬菌体组合使用，进一步加大了筛选和制备的复杂度。AI生成式设计正好能够针对这两个瓶颈提供解法：快速生成针对特定菌株的定制噬菌体，以及批量设计多种不同机制的攻击方案。
斯坦福团队的成果还显示，AI设计的噬菌体在结构上与天然噬菌体存在差异，这为理解噬菌体的功能机制提供了新材料。研究者在论文中强调，这项工作是概念验证，从16种成功案例到临床可用，还需要经过安全评估、规模化生产和疗效验证等漫长流程。但它证明了AI在生命设计领域的可行性，为后续的药物开发、工业酶设计和合成生物学应用奠定了技术基础。
Evo2噬菌体研究的真正价值，在于它展示了AI4S的完整闭环：AI在海量数据中学习科学规律，生成可检验的科学假设，物理实验室验证假设并反馈数据，数据再反哺模型迭代。这种循环与传统的假设驱动科研范式有本质区别：传统科研依赖科学家的直觉和经验提出假设，验证周期长、试错成本高；而AI可以在假设空间内进行指数级规模的探索，把科学家的精力从重复试错中解放出来，专注于关键决策。
在生命科学领域，这种范式已经展现出巨大潜力。AlphaFold在蛋白质结构预测上的突破，让AI4S第一次被主流科学界接受；此后，AI在新药分子设计、蛋白质工程、合成生物学等领域持续产出成果。Evo2的噬菌体设计进一步证明，AI不仅能够分析理解生物系统，还能够设计构建生物系统，这标志着AI从科研辅助工具向科学发现引擎的角色跃迁。
当然，技术突破也伴随着审慎的声音。AI设计的生物系统一旦被滥用，可能带来生物安全风险，正如研究者自己所承认的，AI已经具备设计自然界原本不存在的新型生物系统的能力。这也解释了为何顶尖AI实验室和科研机构近年来纷纷建立生物安全审查机制。科学共同体需要为AI4S建立负责任的发展框架：既鼓励用AI解决耐药菌等人类重大挑战，也要防止技术被用于危险目的。Evo2的噬菌体研究，是AI4S的一座里程碑，也是人类重新思考技术与生命关系的一个新起点。