「AI 創造出 16 種新病毒」這個標題，有一部分是真的，卻把最重要的限制全部省略了。
《Science》在 2026 年 8 月 6 日刊出一項研究：團隊用 Evo 系列基因體語言模型產生完整的噬菌體基因組，合成並測試 285 個候選設計，最後確認 16 個能在實驗室裡感染大腸桿菌、繁殖成新的噬菌體顆粒。
但它們不是會感染人的新病原，也不是 AI 自己在電腦裡「變出」實體病毒。比較準確的說法是：AI 提出 285 份候選 DNA 設計，人類研究者完成篩選、合成、組裝與培養，其中 16 份通過功能驗證。
真正值得注意的是完整基因體設計：AI 已從設計蛋白質，往同時協調多個基因與調控元件前進了一步。這項進展本身不代表 AI 製造了疫情。
先看結論：標題說法和研究事實差在哪？
| 常見說法 | 研究實際證明了什麼 |
|---|---|
| AI 創造 16 種新病毒 | 研究者得到 16 個可繁殖的合成噬菌體；不能把每一個都叫成新的病毒物種 |
| AI 自己造出病毒 | AI 產生候選序列；人類完成計算篩選、DNA 合成、組裝、培養與定序驗證 |
| 可能感染人類 | 實驗目標是非致病性大腸桿菌；16 個噬菌體只在指定的大腸桿菌菌株生長，對另外 6 個受測菌株沒有生長 |
| AI 找到抗生素抗藥性的解方 | 噬菌體組合在實驗室克服 3 株抗性大腸桿菌，尚未做動物或人體臨床試驗 |
| 這是本週突然完成的新實驗 | 結果在 2025 年 9 月先以 bioRxiv 預印本公開，2026 年 8 月才刊登同儕審查版本 |
讀這類新聞時，先別急著問「可不可怕」。更有用的三個問題是：它感染誰、在哪個實驗層級成功、由誰把數位設計變成實體？ 這也正是分辨 AI 新聞宣稱與已發生事實時最容易漏掉的三個狀態。
285 個設計如何變成 16 個噬菌體？
研究團隊選擇的是 ΦX174，一種已有長期研究紀錄的噬菌體。它的基因體只有 5,386 個核苷酸、包含 11 個基因，規模小到仍能負擔大量 DNA 合成，又足以測試模型能不能協調重疊基因、調控訊號、外殼組裝與宿主辨識。
整個流程可以拆成五關：
- 讓模型學會特定噬菌體家族。 團隊以 14,466 條 Microviridae 序列進一步訓練 Evo 系列模型，不是直接拿一般聊天機器人輸入一句提示詞。
- 生成大量候選基因體。 模型依 ΦX174 範本提出變異版本；研究者控制生成條件，希望保留功能，又不要只是複製天然序列。
- 先做計算篩選。 候選必須保留必要的基因配置、宿主辨識特徵與合理的序列品質，才會送往合成。
- 合成並組裝 DNA。 這一步需要專業供應鏈與分子生物實驗，不是模型輸出完就已經有病毒。
- 進實驗室驗證。 研究者測試 285 個設計，確認其中 16 個能在非致病性大腸桿菌中繁殖，再做定序、適應性與宿主範圍檢查。
16 除以 285 約為 5.6%。這個成功率說明模型產生了真正可運作的結果，也同時提醒我們：九成以上候選沒有通過。AI 是候選設計器，不是已經理解所有生物規則的「數位造物主」。
為什麼不能說成「16 個新物種」？
研究中的 16 個功能性基因體，各自比最接近的天然基因體多出 67 到 392 個未見於近親的變異。其中差異最大的一個設計，依部分病毒分類門檻可能足以視為新物種；但這不等於 16 個全是新物種。
「新設計」「新的可繁殖病毒個體」與「分類學上的新物種」是三件事。把它們混在一起，數字雖然更刺激，讀者得到的知識卻更少。
同樣要守住另一條界線：噬菌體也是病毒，但它的宿主是細菌。這次所有 16 個功能性設計都只在大腸桿菌 C 與近緣的大腸桿菌 W 生長，對另外 6 個受測菌株沒有生長。研究也使用非致病性實驗室菌株與專用生物安全設備。
所以我不建議把這項研究當成新疫情警報。現有結果沒有顯示這些噬菌體能感染人類、動物或植物。
這項研究真正突破在哪裡？
過去幾年，生成式生物模型較常設計單一蛋白質、酵素或蛋白質複合體。完整基因體難得多，因為多個基因、重疊閱讀框、調控訊號與外殼組裝必須同時相容；一處改動可能讓另一個功能失效。
這次研究的進展，是模型提出的部分完整基因體，經實體合成後真的能複製和繁殖。研究者還用冷凍電子顯微鏡確認，其中一個設計能把來自遠親噬菌體的包裝蛋白整合進外殼。至少有些候選能在維持天然序列特徵的同時，滿足多個互相牽制的生物條件。
從 AlphaFold 把 AI 科學推向蛋白質結構，到這次完整噬菌體基因體的生成，能力尺度確實變大了。我的判斷是：這項工作的里程碑在「基因體級候選通過實驗」，不是 16 這個數字本身。
不過，2025 年預印本公開後的獨立 PREreview 也提出一個重要缺口：論文缺少和更簡單基準方法的直接對照。沒有把 Evo 與共識序列、統計模型或受控隨機變異放在同一條件下比較，就難以判定約 5.6% 的成功率到底有多少是大型生成模型帶來的提升。審查者也認為，模型探索的序列空間仍靠近已知天然序列。
換句話說，「做得到」已經有實驗證據；「比簡單方法好多少」仍沒有被充分回答。
能拿來治療抗藥性細菌了嗎？
還不行。
研究者先培養出 3 株對天然 ΦX174 有抗性的實驗室大腸桿菌，再用多個 AI 設計噬菌體組成的混合物測試。這些組合在 1 到 5 次傳代內克服抗性，而天然 ΦX174 單獨使用失敗。這是一個有價值的概念驗證：AI 可能快速產生多樣候選，讓噬菌體療法更有機會跟上細菌演化。
但這裡的證據只到體外實驗室菌株。它沒有證明：
- 對病人身上的感染同樣有效；
- 在人體內能到達感染部位並維持作用；
- 不會引發不良免疫反應或其他安全問題；
- 能通過製造品質、監管與臨床試驗要求。
因此，我也不建議把它寫成「AI 已解決抗生素抗藥性」。離可使用的療法，還有動物研究、毒理、製程、分期臨床試驗與監管審查等多道關卡。
既然不會感染人，為什麼 Science 仍談生物安全？
因為安全評估不能只看這 16 個成品，也要看它證明了什麼能力。
《Science》同一期邀請 Johns Hopkins Center for Health Security 的 Thomas Inglesby 與 Moritz Hanke 撰寫評論。他們把焦點放在一項正在跨過可行性門檻的能力：生成完整病毒基因體。這批受控噬菌體本身沒有造成疫情；未來若模型更強、DNA 合成更便宜、操作流程更自動化，風險卻不會永遠停在今天的實驗設定。
這也是為何治理需要分層：
| 防線 | 要解決的問題 |
|---|---|
| 模型與資料 | 排除高風險訓練資料，限制危險用途，保留評測與稽核紀錄 |
| 候選輸出 | 對高風險生物設計做自動篩查與人工覆核 |
| DNA 合成 | 檢查序列、驗證客戶身分與用途、保存必要紀錄 |
| 實驗機構 | 依風險分級審查場地、人員、材料、廢棄物與事故回報 |
| 發表與共享 | 公開科學價值與安全資訊，同時避免提供不必要的高風險操作細節 |
研究團隊表示，他們排除了人類與真核病毒資料，並以已知、非致病的噬菌體範本和宿主辨識條件限制設計。但這些是本研究採用的防護，不是所有未來模型都必然採用的全球標準。
真正要補的，是把模型治理接到現實供應鏈。我們先前整理的 AI 時代 DNA 合成篩查處理的正是這一關；而 GPT-Rosalind 的可信存取模式則示範如何把高能力生科 AI 的使用資格、用途與覆核條件一起管理。
一般讀者與研究團隊現在該怎麼判斷？
一般讀者看到「AI 創造病毒」時，先查四件事就夠了：
- 宿主是誰？ 感染細菌、植物、昆蟲或人類，風險完全不同。
- 證據到哪一層？ 電腦預測、細胞實驗、動物研究、人體臨床不能混稱「成功」。
- AI 做了哪一段？ 提出序列，不等於完成合成、培養與驗證。
- 研究狀態是什麼？ 預印本、同儕審查論文、監管核准代表不同可信度與成熟度。
大學、生技公司與研究機構則不必因一篇新聞全面禁用生科 AI。更務實的是立刻盤點：哪些模型能輸出序列、誰能把設計送去合成、供應商是否做篩查、內部審查是否涵蓋 AI 生成設計，以及模型輸出到實驗結果能不能追溯。
這篇研究的分寸可以濃縮成一句話：這不是新疫情，也不是成熟療法；它是完整基因體生成能力跨進實驗世界的一次可信示範。 真正的風險，在這種能力的擴散速度可能快過篩查、審查與責任制度。
常見問題
AI 真的創造了 16 種病毒嗎？
研究團隊確實用 Evo 系列模型設計完整噬菌體基因組，並從 285 個合成候選中驗證出 16 個可繁殖噬菌體。但「16 種」不等於 16 個分類學新物種，AI 也只負責候選設計；DNA 合成、組裝與實驗驗證都由人類研究者完成。
這些 AI 病毒會感染人類嗎？
現有證據顯示不會。它們是以 ΦX174 為範本、感染大腸桿菌的噬菌體；16 個功能性設計只在指定的大腸桿菌菌株生長，研究沒有顯示它們能感染人類、動物或植物。
Evo 噬菌體能治療抗生素抗藥性嗎？
目前不能這樣說。AI 設計噬菌體組合在實驗室中克服 3 株抗性大腸桿菌，屬於體外概念驗證；尚未經動物或人體臨床試驗，也未證明安全性、給藥方式與製造品質符合醫療要求。
這項研究為什麼到 2026 年又成為新聞？
研究結果在 2025 年 9 月先以 bioRxiv 預印本公開，當時尚未完成期刊同儕審查。《Science》於 2026 年 8 月 6 日刊出正式版本，並搭配生物安全評論，因此重新引發「AI 創造病毒」的新聞討論。
參考來源
- Science：Generative design of bacteriophages with genome language models（2026-08-06，同儕審查論文與正式摘要）
- Science：AI-designed viral genomes（2026-08-06，Johns Hopkins 學者對能力擴散與生物安全治理的同期評論）
- Arc Institute：How We Built the First AI-Generated Genomes（2025-09-17，模型訓練、285 個設計、16 個功能性噬菌體與宿主範圍）
- bioRxiv：Generative design of novel bacteriophages with genome language models（2025-09-17，最初公開的預印本）
- PREreview：James Fraser 與 Joseph Bondy-Denomy 的預印本評論（2025-09-22，基準方法與序列新穎性缺口）
- Stanford HAI：Generative AI Tool Marks a Milestone in Biology（2025-02-27，Evo 2 的基因體模型原理、資料範圍與安全設計）