二十年前，《经济学人》曾开过一个愚人节玩笑，称有一家工厂可以“制造龙”，其核心设想是在计算机中精确模拟活细胞。在当时这纯属幻想，但如今，人工智能（AI）与深度学习的爆发让这一构想正加速照进现实。
1. 核心逻辑：生物学正在变为“可计算与可设计”
大语言模型将人类文字视为Token序列，而在深度学习眼中，核酸（DNA/RNA）和蛋白质等生物长链分子与文本序列毫无二致。正如生物初创公司 Genyro 所言：“生物学如今是可计算、可预测、因而也是可设计的。”
- 底层算法破局：Arc Institute 开发的基因组基础模型 Evo 2 基于十万余种物种的 DNA 训练，能分析长达 100 万碱基对的序列，并精准预测碱基变化对机体的影响。
- 合成制造跟进：加州理工学院推出的 Sidewinder DNA 高保真组装系统，可精确拼接长达 12,500 碱基对的片段，不仅能直接合成小型病毒基因组，也大幅降低了合成细菌基因组和人工染色体的门槛。
- 闭环落地：Genyro 正在结合 Evo 2 与 Sidewinder，尝试合成带有抗热、抗旱基因的人工小麦染色体。
2. 群雄逐鹿：从基因组到蛋白质的多模态生态
- 基因组基础模型：除 Evo 2 外，Google DeepMind 推出了专注于人类基因组的 AlphaGenome；中国华大生命科学研究院（BGI Research）推出了 Genos；伦敦的 Basecamp Research 则通过环境宏基因组样本训练模型，发掘微生物分子对抗机制以研发新抗生素。
- 蛋白质从头设计：DeepMind 的 AlphaFold 3 及其衍生公司 Isomorphic Labs 正在与诺华（Novartis）、礼来（Eli Lilly）、强生（J&J）合作，利用 AI 提议候选分子进行实验验证。
- 药企自研超算与“暗数据”：罗氏、诺和诺德、葛兰素史克、阿斯利康均重金投入超算；礼来更搭建了独立的 LillyPod，训练其 150 年历史档案中大量未公开的失败与成功实验数据，摆脱公开文献的“幸存者偏差”。
- 农业难题突围：AI 正在攻克小麦、棉花等多倍体农作物的基因解析难题，解析复杂的植物免疫系统，甚至尝试优化历经数亿年演化的光合作用机制。
3. 虚拟生物学倡议（VBI）：打造“数字活细胞”
2024 年 10 月 7 日，由扎克伯格-陈夫妇设立的 Chan Zuckerberg Biohub 牵头发起的**虚拟生物学倡议（Virtual Biology Initiative, VBI）**宣布自当年 4 月启动以来已获 8 亿美元资助承诺，成员包括 DeepMind、Isomorphic Labs 与 Arc Institute。
- 终极目标：利用冷冻电子断层扫描（Cryo-ET）等技术，在接近原子精度上绘制细胞内部相互作用，建立细胞行为预测模型。
- 算力与数据协同：美国能源部（DoE）与美国国家卫生研究院（NIH）联合注资，NIH 开放价值 5 亿美元的标准化历史生物数据，DoE 提供同等价值的超算资源。
- 颠覆临床：虚拟细胞可在人体临床试验前直接模拟药物反应，将漫长、高风险的临床试验转化为高确定性的验证环节。
4. 终极挑战：探索“自然未竟”的生命空间与安全边界
AI 驱动的合成生物学不仅在于修补自然，更在于开辟演化未曾涉足的“全新 DNA 空间”：
- 从头合成新实体：研究团队已成功利用 AI 设计并合成了 16 种具有活性的人工噬菌体（Phi-X174 衍生变体），部分变体的适应度超越野生型，可攻破耐药大肠杆菌，为替代抗生素的“噬菌体疗法”开辟了新路径。
- 重写底层遗传密码：自然界蛋白质仅使用 20 种氨基酸，若通过 AI 重新设计生命翻译机制、消除冗余密码子，DNA 理论上可编码 60 种氨基酸，创造自然界从未有过的生化反应。
- 伴随而来的失控风险：当前合成实验通常严格限定于非致病性噬菌体，训练数据也排除了病原体特征。但随着“生物代码生成”工具的普及与门槛降低，防范人造病原体与意外生物灾难的风险防御机制已迫在眉睫。