AI 已經能從零寫出一隻病毒的基因，而防守那一邊還在用 Ctrl+F

TL;DR

• Radical Numerics 執行長 Eric Nguyen 是 Evo 系列模型的第一作者，這系列模型開創了「生成式基因體學」，也就是讓 AI 不只讀 DNA，還能寫 DNA
• 已經有團隊用 Evo 生成出史上第一個完全由 AI 設計、且真的能運作的基因體，是一隻噬菌體（bacteriophage，專門感染細菌的病毒），全長只有六千個鹼基對
• 新模型 Omnii 把語言模型圈的「對齊」那一套搬進基因體，在預測一個基因突變會不會致病這件事上做到業界最佳，尤其在過去所有工具都失靈的非編碼區
• 全世界的 DNA 合成公司都能像 Amazon 一樣接單出貨，但他們的危險序列偵測基本上是「跟已知病原資料庫比對字串」，遇到換個拼法、保留同樣功能的序列就直接失效
• Eric 最擔心的不是國家級生物武器，是門檻降低之後，有人不小心做出了自己也關不住的東西
• 這家公司的立場很少見：攻擊面和防守面用的是同一批模型，所以做設計的團隊本來就該同時做防禦

---

先講一下這集的來歷。Latent Space 原本是 swyx 主持的 AI 工程師訪談節目，今年另外開了一條專講「AI 做科學」的支線，主持人換成兩位有博士學位又自己在創業的人：Brandon Anderson，在 Atomic AI 做 RNA 藥物開發的 AI 系統；還有 RJ Honicky，MiraOmics 的共同創辦人兼技術長，做單細胞、空間轉錄體和病理切片分析的模型。兩個人都是實際在濕實驗室跟資料裡打滾過的，所以這集的追問角度跟一般科技 podcast 完全不同，中間有好幾次直接質疑來賓的資料有沒有洩漏、實驗設計合不合理。

來賓 Eric Nguyen 是 Radical Numerics 的共同創辦人兼執行長，Stanford 生物工程與 AI 博士，出自 Chris Ré 的實驗室。他是 Evo 這個模型的第一作者，也是把「生成式基因體學」這個領域從零推出來的人。Radical Numerics 今年六月才正式亮相，帶著五千萬美金種子輪，目標講得很大：建構「通用生物智慧」，一個能同時讀寫 DNA、RNA、蛋白質、表觀遺傳的整合模型。科學顧問名單包含 Microsoft 首席科學長 Eric Horvitz、哈佛的 George Church，還有前美國助理國防部長 Andrew Weber，這個人負責過核生化防禦計畫。這份顧問名單本身就在說故事。

有一種語言，我們讀了七十年還是看不懂文法

先講一個大部分人沒意識到的事：人類基因體定序完成二十幾年了，但我們對它的理解其實少得可憐。

三十億個字母，我們知道它編碼了一個人的全部，可是那些字母怎麼組合起來變成功能、變成特徵、變成疾病，這套「文法」到現在還是一團模糊。更尷尬的是，真正拿去做蛋白質的編碼區只佔百分之一點五到兩，剩下百分之九十八在幹嘛？大部分是調控，決定某個基因什麼時候開、開多大。而傳統的生物資訊工具幾乎全都集中在那百分之二上面，因為只有那塊看得懂。

這就像你拿到一本三千頁的書，只讀得懂目錄，然後試圖從目錄推論整本書在講什麼。

Eric 這群人的切入點其實是從技術端開始的，蠻好玩。他們本來在研究長上下文的語言模型架構，用卷積取代注意力機制，做出一個叫 Hyena 的運算子，可以處理到一百萬個 token。做完之後就在想，世界上最長的序列是什麼？想來想去，答案就是 DNA。

當時業界在做的 DNA 模型，上下文只有一兩千個鹼基對。而人類大部分的轉錄本本身就有三千個字母左右。換句話說，那些模型連一個完整的段落都讀不完，就要你回答整篇文章的主旨。

「如果 AI 可以寫 DNA，你會拿來幹嘛？」

從讀到寫，這是 Evo 的分水嶺。

Eric 講了一段我很喜歡的往事。他當初拿這個想法去問 Stanford 的科學家，花了六個月，幾乎每一個人都覺得這是蠢主意。給他的理由包括：我們人類自己都不懂 DNA 的規則，你怎麼能指望 AI 學會？你連答案對不對都判斷不了，怎麼訓練？DNA 裡面一堆重複字元，雜訊太多，根本沒有規律。

他的回應大概是「我不知道能幹嘛，但感覺就是對的」。然後真的說服人掏錢買 GPU，讓這群瘋小孩去訓練一個大模型。

第一個結果出來的時候他說起了雞皮疙瘩：有人把第一個 checkpoint 丟去跑蛋白質的評測基準，結果居然跟專門的蛋白質模型打平。他們從來沒告訴模型什麼是蛋白質。後來 NVIDIA 加入做 Evo 2，OpenAI 的 Greg Brockman 請了四個月的假跑來幫忙，他們凌晨三點在 Slack 上跟 Greg 一起 debug。這畫面有夠魔幻。

Evo 最出名的兩個成果，一個是設計出全新的 CRISPR-Cas 系統。這件事的難度在於，CRISPR-Cas 同時包含 RNA 和蛋白質兩種分子，當時所有模型都是單一模態的，蛋白質模型只會生蛋白質，RNA 模型只會生 RNA，沒有人能一次協同設計整套系統。Evo 從 DNA 這個更底層的地方出發，一個模型就把兩邊都生出來了。

另一個是別的團隊拿 Evo 生出史上第一個 AI 從零設計的基因體。一隻噬菌體，六千個鹼基對。這件事讓 Eric 開始收到大量的來信，一半興奮，一半擔心。他自己的判斷是：這是一個非常明確的徵兆。如果你能操縱生命的基本織料、能控制它的功能，那你同時也放出了另一件事的可能性。

之前寫過的Chai Discovery也是走 AI 設計生物分子這條路，但那家的焦點是抗體發現。Radical Numerics 更底層一層，從 DNA 出發往上長。

Omnii 做的事：把 ChatGPT 那套「調教」搬進基因體

Evo 雖然驚豔，但一直有個尷尬：在人類基因體的任務上，它打不贏那些小而專的模型。社群的反應很直白，我有專用工具，幹嘛用你這個巨獸？

Omnii 的答案，說白了就是四個字：它被調教過。

Eric 的框架很清楚。目前生物領域的模型幾乎全都停在「基礎模型」階段，只有預訓練，沒有對齊。用自然語言的類比，就是你把整個網路餵進去做完下一個字預測，然後直接把這個半成品丟給使用者。真正讓 ChatGPT 好用的，是後面那一大段中期訓練跟後訓練，教它「遇到這種提問，該用這種形式回答」。

所以他們做的是：設計特殊 token 當作任務提示，把基因體學家實際會問的問題結構化。給你一個野生型序列跟一個突變序列，幫我找出致病的那個變異，這種問答格式不會自己從預訓練裡長出來，得刻意教。

成果是什麼？在判斷一個突變會不會致病的評測上，Omnii 拿下多項最佳。而且真正拉開差距的地方剛好在非編碼區，就是前面講的那百分之九十八。傳統統計方法在這裡幾乎沒轍，但大部分疾病的根源其實藏在這裡。

有個額外的好處他在部落格上沒特別強調，但對實務使用者很關鍵：你不需要先把模型的嵌入向量抽出來、再接一個分類頭、再訓一次回歸。想像一下如果你每問 ChatGPT 一個問題，都得先幫它做一次微調，那有多荒謬。Omnii 是開箱即用的，你用對的格式提問，它就用對的格式回答。

主持人在這裡追了一刀很漂亮：你怎麼確定訓練資料沒有洩漏到評測集裡？Eric 的回答是他們有生物資訊團隊專門做序列比對、去重和清理，只要跟評測集相似的就移除。這個回答我覺得誠實但不算完全令人放心，畢竟基因序列的「相似」判定本身就是個開放問題。

實際用途已經在敲門了。很多醫院系統跟非營利組織手上有大量基因資料，病人有明確症狀，但找不到是哪一段 DNA 造成的，這在臨床上叫「意義未明變異」。這正是這類模型能直接派上用場的地方。

讓模型「順著趨勢往上寫」

這集最有意思的實驗，是他們怎麼把思維鏈（chain of thought，讓模型把推理過程寫出來再回答）的概念搬到 DNA 上。

問題在於，DNA 沒有「詞彙」可以用來思考。所以他們做了一個很土但很聰明的版本。

他們拿一個 RNA 適體（aptamer，會跟特定目標結合的短 RNA）的大型資料集，每條序列都有一個實驗測出來的適應度分數。他們把分數最高的那一批藏起來，只給模型看分數較低的，但把它們由低到高排好順序餵進去，然後問模型：接下來呢？

模型真的順著這條軌跡往上寫，生出了它從沒看過的高分序列。

Eric 講得很誠實，濕實驗室的驗證還在跑，所以部落格裡沒放。但如果成立，這個範式可以套用到幾乎所有生物序列設計：你只要有序列加上某種可量化的好壞分數，而且有中間過程的紀錄，就能讓模型學會「往好的方向走」。他們正在試的兩個方向，一個是抗微生物抗藥性，用設計過的噬菌體去針對性殺死特定細菌（全球每年約兩百萬人死於細菌感染），另一個更出乎意料：跟美國國家實驗室合作，設計能選擇性抓取特定稀土礦物的蛋白質。這件事關係到供應鏈安全，不是生醫問題，是地緣政治問題。

RJ 在這裡有個很到位的反駁：設計蛋白質結構，你的優勢明明比不上專門的結構模型。Eric 的回答是，他們的優勢在「脈絡」。他們可以把目標蛋白質上游的非編碼區一起餵進去，等於告訴模型「你現在在這個微生物的這個鄰里，從這裡找變體」。這是純蛋白質模型做不到的事。他形容 DNA 是「物理世界壓進序列裡的印痕」，你要的那段有價值，但那段旁邊的東西告訴你它從哪來、為什麼長這樣。

攻擊在跑，防守在走

現在講這集真正的重點。

Eric 說他前一晚參加了一場關於 AI 科學家的座談，最後一題問所有講者：AI 做科學最大的末日風險是什麼？每一個人都回答生物武器。然後他去查這些公司實際在做什麼，發現在這塊幾乎沒有投入。

這就是 Radical Numerics 所謂「雙重使命」的由來。而且他們的論證不只是道德上的，是技術上的：能生成的模型，天生就很會判別。一個很懂怎麼寫出有功能序列的模型，也會很懂一段序列到底有沒有致病性。攻擊和防守用的是同一批權重。

目前的防線長什麼樣子？

有兩層。第一層是自然語言層，就是你在 Fable 之類的前沿模型上問任何跟病毒沾邊的問題，它立刻把你擋下來。主持人自己吐槽說做生物的人用這些模型，幾乎打什麼都被攔。這層有用，但只擋得住「用嘴問」的人。

第二層才是要命的。全世界的 DNA 合成公司接受線上下單，你把序列設計傳過去，他們把實體 DNA 分子寄給你，跟收 Amazon 包裹沒兩樣。這是整個生物研究的基礎建設，它必須存在。而這些公司確實有偵測工具，但那些工具的原理基本上是：把你送來的序列跟已知病原資料庫比對，看有沒有對上。

說得直接一點，這是 Ctrl+F。

問題在哪？Microsoft 有一篇叫 Paraphrase 的研究已經示範過：你可以用蛋白質語言模型把一段序列「換句話說」，保留完全相同的結構與功能，但字母層面長得完全不一樣。然後把它送進現有的偵測系統，系統認不出來。

換個角度看，這正是 Omnii 那個「疾病流形」可解釋性工作的另一面。模型內部學到的是功能的表示空間，不是字串。所以理論上它能說「這段序列跟已知病原長得很不像，但它們在功能空間裡是鄰居」。這是 Radical Numerics 想補的洞：不只判斷危不危險，還要能標出哪一段危險、以及它從哪來。他們把生物防禦拆成四根柱子，偵測與監控、歸因、對抗措施、嚇阻，公司做前三根。

為什麼這場軍備競賽跟資安不一樣

RJ 在這裡提了一個我覺得整集最深刻的反駁。

資安的軍備競賽有一個隱含前提：你可以打補丁。只要漏洞被發現、被修掉、使用者有更新，那條路就關了。理論上，一個夠強的模型有機會把所有非社交工程的漏洞都堵住。

但人類的基因體不能打補丁。它是固定的。攻擊面永遠開著。

Eric 的回應不是硬扛，而是換一個務實的框架。他說他們不是在問「怎麼百分之百阻止危險設計」，那是無解的題。他們問的是：攻擊面有一堆人在推前沿，防守面有前沿技術在用嗎？答案是沒有。所以目標只是把防守拉到勢均力敵，而不是拉到完美。

而且他點出一個常被忽略的分工。當防守失效、危險的東西已經流出去了，那時候需要的是環境監測、樣本歸因、快速研發對抗措施。這個社群一直存在，只是手上的工具很舊。你不需要完美的攔截器才能幫到他們。

至於他自己最怕什麼？不是國家級生物武器計畫。他說有位顧問實地看過、也拆除過那種設施，所以他知道那東西真實存在，但和平時期沒那麼可怕。他真正覺得近期更可能發生的是無意的那種：門檻降低、速度加快、做這件事的人數量級上升，然後有人只是想研究某個功能，做出來的東西關不住，跑出去了。

這個判斷跟 FAR.AI 那份 AI 資安排行榜講的邏輯其實是同一套：攻擊的邊際成本一直在掉，防守的投入卻沒有等比例跟上。差別只在於，資安出事你賠錢，這個出事賠的是別的東西。

我的幾個想法

第一，把攻防放在同一個屋簷下，跟大廠設一個 safety team 是兩回事。大廠的 safety team 通常是成本中心，跟能力團隊天然對立。Radical Numerics 的說法是，因為底層是同一個模型，做防守反而是在練同一塊肌肉。這個誘因結構我覺得比「我們很負責任」的聲明可信得多。

第二，這可能會長成一個政府採購市場。四根柱子裡的偵測、歸因、對抗措施，買單的都是國防跟公衛部門，不是藥廠。這種生意的特徵是週期長、合約大、技術護城河看的是你有沒有前沿模型而不是有沒有業務關係。Andrew Weber 在顧問名單上，不是巧合。

第三，Eric 最後講到的那個瓶頸我很有感。他說在生物這行，一個人越是專家，對新方法就越悲觀，而且通常他們的悲觀是有道理的。他們公司在找的人是「懂這個領域，但還沒有停止做夢」的那種。這個描述我覺得放到任何產業都成立，包括我自己所在的這行。專業度跟想像力的比例失衡，是很多聰明人卡住的真正原因。

最後補一個他自己的態度。主持人問他這些事會不會讓他睡不著，他說不會，他整體是樂觀的，他認為好處遠大於壞處，所以才做這件事。但也正因為他在推進能力那一邊，他覺得自己有責任同時把防守那一邊拉上來。

這個態度不是口號，因為它是有成本的。

如果這類把技術、產業和風險一起攤開來看的東西對你有幫助，我在 wilsonhuang.xyz 上還有不少，歡迎訂閱。