Long Yi
← 返回

AI × 生物：一张入门长图

2026年7月16日

生物AI 与科学AI安全

先说清楚：我不是专业人士。我有生物本科学历，这远远不够支撑我自己对这个领域做独立判断。下面大部分内容来自公开论文、机构报告、行业新闻，加上我自己对照笔记核对，以及 AI 协助整理。这是一篇为我自己搞清楚「AI × 生物到底在发生什么」而写的学习笔记，不是专业综述，请带着怀疑读。

为什么要写这篇？因为「AI × 生物」经常被拆成两套话术：一边是「十年内治愈大多数疾病」；一边是「聊天机器人马上能让人做出生物武器」。在谷歌推出Alphafold的时候，我就觉得这是生物科技的一个转折点，同时也担心了它的风险。两边都引用真材料，但读者很少同时看到同一套技术栈。我读下来的感觉是：好处和风险共用基础设施——结构预测、序列生成、实验室自动化、合成服务——瓶颈也不在同一层。

文章大纲：

  1. 定义和名词
  2. 好处：已经发生了什么，还没发生什么
  3. 风险：证据到哪一步，常见夸张在哪
  4. 谁在做什么
  5. 公开预测
  6. 我的总结和开放问题

定义

大家说的「AI 做生物」至少是三层东西，叠在一起才说得清楚：

AI × 生物三层技术栈

图：A 聊天模型 → B 生物学专用模型 → C 合成与实验室。好处和风险共用这条线。

一句话：A 降低「懂不懂」的门槛；B 降低「设计得出来」的门槛；C 决定「能不能变成真东西」。 只谈模型、不谈合成和实验室，会高估风险；只谈实验室硬件、不谈模型，会低估近几年变化有多快。

几个基础词后面会反复出现：

  • 湿实验室（wet lab）：真拿试管、培养细胞、跑凝胶的地方；相对的是电脑里的模拟（in silico）。
  • 双重用途（dual-use）：同一项技术既能救人也能害人。基因编辑、病毒学研究、药物分子设计都是经典例子。
  • CBRN：化学、生物、放射、核。实验室评估「会不会帮人做大规模杀伤武器」时，常把生物武器协助放在这一栏。
  • 核酸合成筛查：你向公司订做一段 DNA，公司对照「危险序列库」检查订单，再决定是否发货。这是目前最具体、最好推动的物理层防线之一。

好处：已经发生了什么，还没发生什么

1. 结构预测：AlphaFold 把「猜蛋白质形状」变成基础设施

蛋白质是一长串氨基酸折成的三维机器。药物要起作用，常常得知道它「长什么样、哪个坑能塞分子」。以前靠实验（X 射线、冷冻电镜）又慢又贵。

蛋白质折叠示意：一维序列 → 三维结构

图：示意图，不是 AlphaFold 真实渲染。模型干的事，是从氨基酸序列猜出右边那种形状。

DeepMind 的 AlphaFold 2（2021）在结构预测上跨了一大步；AlphaFold 3（2024）进一步做蛋白质与 DNA、RNA、小分子药物之间的相互作用。Hassabis 等人因此拿了 2024 年诺贝尔化学奖。公开统计常说上百万研究者在用相关工具——具体人数会变，但「变成默认基础设施」这件事是真的。

它的局限性（专业术语有点多，感兴趣的话请自行研究）：

  • 静态快照 ≠ 动力学。 给的是一个（或几个）构象猜测，不是体内真实的构象系综；诱导契合、大构象变化（apo/holo 差很多）时经常翻车。
  • 形状 ≠ 结合强弱。 AF3 对「大致怎么塞进去」往往比「哪个分子绑得更紧」靠谱得多；亲和力排序、成药性，它本身不够用。
  • 无序区、抗体–抗原、部分核酸/脂质复合物表现不均；无序区还会「幻觉」出假结构——置信度（pLDDT）要看，但不能当真理。
  • 化学细节会错： 手性、原子重叠等立体化学问题仍会出现；训练截止日后的新结构上，有研究提示成绩掉得厉害（记忆 vs 泛化的争论还在）。
  • 结构预测 ≠ 做出药。 后面还有合成、ADMET、毒性、人体试验。把 AlphaFold 说成「已经治好了癌症」是媒体话术。

后面 Isomorphic、物理力场 refinement、实验验证，多半就是在补这些洞。

2. 从「看结构」到「设计药」：Isomorphic、Insilico

Google DeepMind 拆出来的 Isomorphic Labs 在做药物设计引擎（他们叫 IsoDDE）：不只预测结构，还要预测结合强弱、找隐蔽结合口袋——AlphaFold 弱的那一块。2026 年公司公开 benchmark，声称在困难任务上比 AlphaFold 3 明显更好；同时签了和 诺华、礼来 等的合作，融资规模到了数十亿美元量级。Hassabis 公开说过，希望 2026 年底前后 有 AI 设计的候选药进入人体试验——这是目标，不是已发生的事实。

更接近「已经进人体」的例子是 Insilico Medicine 的 rentosertib（特发性肺纤维化）：靶点和分子都由生成式 AI 平台参与发现，II 期 a 结果发在 Nature Medicine。这很重要，但也要看清边界：

  • 截至我写这篇时，还没有「全程由 AI 平台发现并最终获 FDA 批准上市」的公认先例（临床试验成功 ≠ 批准上市）。
  • II 期还有安全性信号（例如肝功能相关停药），和传统药一样要过人体这一关。
  • AI 主要压缩的是早期发现（靶点、命中化合物），不会一变就把 II/III 期失败率从约九成变成一成。

3. 序列层面：Evo——直接「写 DNA」

和 AlphaFold 不是谁更准，是干的事不一样、正好互补。AlphaFold 吃的是氨基酸序列，吐的是三维形状（「这个蛋白大概长什么样」）。Evo 这类基因组语言模型吃的是 DNA 字母，吐的是序列层面的预测和生成（「这段基因组改一下会怎样 / 能不能写出一段像真的 DNA」）。一条常见流水线是：Evo 写出候选 DNA → 翻译成蛋白 → 再用 AlphaFold 看结构通不通 → 最后湿实验验证——中间每一步都能翻车。

Arc Institute 的 Evo / Evo2（Evo2 于 2026 年 3 月发在 Nature）在海量基因组上训练，既能预测突变影响，也能生成新的 DNA 序列。权重开源。实验室验证过功能性 CRISPR 系统、毒素–抗毒素模块等——注意是挑出来验证的个案，不是「吐出来就能活」。

局限（术语略多，想深挖自己查）：

  • 序列像真的 ≠ 在细胞里真能干活。 生成物缺必需基因、调控逻辑乱、长程基因组组织不像自然基因组——有独立工作用简单分类器就能把「模型生成 vs 自然序列」分开。
  • 专精任务上经常输给专科模型： 蛋白质深度突变扫描、远端调控变异等，对齐+结构条件、或染色质可及性专用模型往往更稳；越大不一定每项都更好。
  • 没有表达语境就没有表型。 DNA 字母串不告诉你它在哪个细胞类型、什么条件下会开、会不会被免疫系统干掉。
  • 湿实验验证稀疏、贵、慢。 公开亮点是少数成功案例；失败率和筛选成本很少上新闻。训练数据也故意排除了真核病毒等敏感类——能力边界和安全边界叠在一起。

虚拟细胞、扰动预测，以及「生成 → 湿实验 → 强化学习」这类闭环，就是在补「字母对了、功能还不知道」。风险部分还会回到 Evo。

4. 虚拟细胞：还很早

「虚拟细胞」大致是：用单细胞数据训练模型，预测「如果你敲掉某个基因 / 加某种药，细胞表达会怎么变」——比纯序列模型更靠近「扰动之后会发生什么」。斯坦福 / Genentech 等在 Cell 上写过愿景；Arc 办了 Virtual Cell Challenge；国内也有 CellOS 一类公司宣传。2026 年 Nature Methods 有工作提示：单细胞基础模型在数据量到一定程度后，性能可能很快平台期——不是无限加数据就无限变强。离「在电脑里完整模拟一个病原体生命周期」还很远。

5. 临床影像、试验入组、导航

这部分我在《AI在医疗领域的真实表现》写过更细。简版：放射影像 AI、试验匹配、患者导航已经有规模化部署；寿命延长叙事（longevity escape velocity）则还没有人类层面的硬证据。Kurzweil 偏乐观（约 2029），Aubrey de Grey 近年更常说「到 2037 左右有一半机会」——都是个人预测，不是试验结果。

好处小结

已经比较扎实还在加速但未兑现容易被吹过头
蛋白质结构/相互作用预测AI 设计分子进人体试验「AI 已治愈多数疾病」
早期发现周期缩短（个案）虚拟细胞扰动预测「十年内人人永生」
影像等有金标准场景的 AI自驱动实验室扩展到生物把 AlphaFold 等同于新药

风险：证据到哪一步，常见夸张在哪

物理层还卡得很死，「模型会做生物题」≠「普通人能做出瘟疫」。先把能力分层说清楚：

层级大概意思2026 年前后状态（我的综合）
Tier 0普通科学辅导早就有
Tier 1越狱后给出可操作的危险协议细节，帮已有一定背景的人前沿模型上基本可确认（WMDP、红队报告）
Tier 2帮熟练行为者把设计–合成–实验串起来加速正在出现（Evo 红队、RAND「辅助加速」）
Tier 3低技能个人也能端到端搞出危险物尚未被公开记录证实

「尚未证实」不是「永远不会」；只是现在写 blog 时，不该把 Tier 3 当成已经发生的事实。

1. 聊天模型：从教科书到湿实验排障

WMDP（CAIS，2024）是选择题，测模型在生物/化学/网络危险知识上的表现。CAIS（Center for AI Safety）是旧金山的 AI 安全非营利，专长是出危险能力评测、再拿结果进政策讨论。WMDP 有用，但偏概念——像考「你背过没有」，不太像「实验台前卡住了怎么办」。

更贴近实验室的是 2025 年 SecureBio + CAIS 的 VCT（Virology Capabilities Test，病毒学能力测试）。SecureBio 做生物安全工程（核酸筛查、检测等），和 CAIS 一起把评测做得更靠近真实湿实验。

VCT 测什么、不测什么

VCT 到底在考什么？
出题人是几十位病毒学方向的博士生/博士后等。题目共 322 道，很多带实验图。考的不是「流感病毒有几段 RNA」这种搜一下就有的知识，而是：斑块实验糊成一团、细胞长得不对、试剂条件拧巴——按你的判断，最可能哪里出了问题？ 出题时还故意筛掉「非生物背景的人靠 Google 就能过」的题。

分数怎么读？
专家病毒学家在自己熟悉的子领域平均大约 22%（题很难，全对很难）；o3 大约 44%，超过九成参与对比的专家；Gemini 1.5 Pro 从 2024 年初起就已经超过专家中位数。注意：22% 和 44% 都说明这是「很难的卷子」，不是「模型已经全能」。

这对普通人有什么意义？
以前，复杂病毒实验卡壳时，你通常得问实验室里带过你的人，或在很小圈子里找熟手。那种 tacit knowledge（说不清、但做过就知道的手感）是稀缺的。
VCT 说的是：现在公开可买的聊天模型，在「文字 + 看图排障」这一维上，已经能打平甚至超过很多受过训练的病毒学家。
翻译成日常语言：「专家级实验助手」这件事，从「认识几个博士」变成了「开个网页」。
它改变的是知识扩散速度和试错成本——尤其对已经有实验室门禁、试剂、培养条件的人。
它不等于：随便一个人在出租屋里靠 ChatGPT 就能做出可控的全球瘟疫。中间还差合成、实验室、操作、投放等一长串（见下面连乘图）。

它测不到什么：

  • 多选/排障判断，不是手上功夫。 无菌操作、仪器手感、异常气味/颜色、安全判断——这些根本不考。专家平均才 ~22%、o3 ~44%，最好的公开模型也仍在大半题目上答错。
  • 不是 uplift 实验。 没有对照「同样的人，有 AI vs 无 AI，真实湿实验室成功率变多少」。SecureBio 自己也把这类 benchmark 比成药研体外实验：便宜、可重复，离真实伤害还远。
  • 故意砍掉了最危险的 dual-use 切片——分数会低估敏感协议上的能力，也不能外推成「已经会造武器」。
  • 静默错误很贵。 建议看起来专业但完全指错方向时，浪费试剂和时间，甚至把人带向更危险的下一步；分数不区分「错得温和」和「错得危险」。

真实湿实验室 uplift、agent + 工具评测（下面 VirBench）、物理层筛查，才是在补「会答题」和「会做事」之间的缝。

公开前沿模型已经能提供接近（甚至超过）许多专家的文字+图像排障建议。端到端生物武器、低技能个人端到端可行——这两件都没证明。

旁边还有 Anthropic 相关的 VirBench：测的是 AI agent 去 NCBI（美国国立生物技术信息中心，公开基因/病毒数据库）检索病毒序列时准不准。Claude Sonnet 4 裸跑大约 17%，接上确定性工具 gget virus 后到大约 93%。启发是：危险不只来自「模型太聪明」，也来自 「看起来合理但完全错」的静默失败——错序列会带歪后面的进化树、抗体分析。管模型之外，还要管科学工具/API 白名单。

2. GeneBreaker 打 Evo

GeneBreaker（2025）用 agent + 搜索，诱导 Evo 系列输出与病原体同源的序列，报道在 Evo2-40B 上攻击成功率可到约 60%。模型越大，这类能力往往越强——和「scale 自动更安全」的希望反着来。

机制很具体：模型提出候选序列 → 有人拆单/换码绕过粗糙筛查 → 在实验室组装测试。筛查擅长抓已知坏序列；生成模型擅长帮人找库里没有的变体。

3. 物理层：卡在哪、个人能做到哪、贵在哪

很多人听到「DNA 合成成本跌了很多个数量级」，会以为造病毒也快变便宜了。先分清两件事：

订做一段 DNA ≠ 做出活病毒。

默认路径不是「必须把活实验交给某个大实验室代做」，而是：你（或你所在的大学/公司实验室）把序列发给 商业合成公司（Twist、IDT、国内很多厂商），他们像「印 DNA 的工厂」把片段寄回来；组装、培养、感染实验仍在你这边做。公司卖的是核酸分子，不是替你养出病原体。

钱大概多少（仅 DNA，2025–26 公开价量级）

基因片段常见起步价大约 $0.07 / 碱基对（bp）（Twist / IDT 一类标价）：

订什么大约费用（仅 DNA）
1 kb（一千碱基）基因片段~$70
3 kb~$210
5 kb~$350
测序验证、克隆进质粒的 clonal gene约 $0.09/bp，1 kb ~$90

流感基因组量级大约 13 kb、新冠大约 30 kb：若拆成多段订做，DNA 本身往往是几百到一两千美元量级——对正经实验室预算通常不是主瓶颈。几十年前同样长度可能贵一到几个数量级；这就是「成本崩了」的意思。

个人 / 小实验室到底能做到哪

路径现实
商业订做基因片段主流。有机构账户通常就能订；IGSC 成员会筛危险序列。无机构身份、灰市、非成员厂商是政策缝
自己买台式 DNA 合成仪有，但多数只能打很短的 oligo（单链短片段，常见大约 60–120 bp）。要拼成基因长度还得自己组装；机器+试剂往往数万到十几万美元起，多数人不如直接下单
只有电脑、没有湿实验室可以设计、甚至可能买到部分 DNA；离「活的、可传播的病原体」还差很长一串

所以：个人不是「完全做不到订 DNA」，而是 订到 DNA 之后那几步 才真正卡死大多数人。

订到 DNA 之后：越往后越难

图：绿色「订 DNA」相对便宜可邮寄；橙色往后组装、培养、救援、BSL 每一步失败率和门槛都上去。

订到 DNA 之后：更难的几步

  1. 组装（assembly）
    公司寄回来的往往是几段较短的双链 DNA。你要把它们像拼乐高一样接到正确的顺序和骨架上（常见是接到 质粒——一种能在细菌里复制的环状 DNA 载体——里）。拼错、缺一段、突变一两个碱基，后面全废。AI 可以建议怎么拼；手还是得在台上做。

质粒示意：环状 DNA 载体

图：质粒示意。外来片段通常要接到这种能在细菌里复制的环上。Wikimedia，CC BY-SA 2.5。

  1. 细胞与培养
    DNA 自己不会变成病毒。你通常要把构建好的遗传物质送进合适的 宿主细胞（比如哺乳动物细胞系），让细胞帮你「读」出病毒蛋白、组装出颗粒。这需要无菌操作、培养基、温箱、有时还要特殊细胞系和许可。养死一批、污染一批很常见。

显微镜下的培养细胞

图：培养中的细胞（染色后）。「养细胞」看起来平静，状态差、污染、密度不对都会让后面全停。Wikimedia，公有领域。

实验室摇床上的培养瓶

图：摇床上的培养瓶——细菌扩增质粒常用这种场景。Wikimedia，CC BY-SA 3.0。

  1. 反向遗传学 / 救援系统（rescue）
    对很多 RNA 病毒，光有基因组文字还不够，还要一套实验流程让细胞从 DNA/RNA 模板「救」出有感染性的病毒颗粒。这是专科手艺，不是下单附赠。

病毒研究实验室工作台

图：CDC 流感病毒研究工作台（示意真实病毒学环境，不是操作手册）。Wikimedia / CDC，公有领域。

  1. 失败重做
    克隆筛错菌落、测序不对、表达量太低、细胞状态差——一轮两周并不稀奇。DNA 那 $200 可能只是总账单的零头；时间、试剂、测序、人力才是大头。

琼脂平板上的细菌菌落

图：琼脂平板上的菌落。克隆筛选时你常要挑很多个去测序，错的远比「一次对」多。Wikimedia，CC BY 4.0。

  1. 人力与手感（tacit skill）
    移液、无菌、认污染、调条件——没有带教过的人，成功率会塌。

实验室移液操作

图：移液。看起来简单，体积误差、交叉污染、手抖都会让实验「看起来做了但结果不可信」。Wikimedia，公有领域。

  1. 合规与准入
    • BSL-2/3/4：生物安全实验室等级。数字越高，能合法接触的病原体越危险，门禁、防护、培训越严。不是有钱租个车库就能开。
    • Select Agent（美国）：特定危险病原体清单，持有/转运有额外管制。
    • DURC 等：用联邦钱做的双重用途湿实验，可能要额外审查。
    • 合成公司侧的 核酸筛查：对照「sequences of concern」库看你订的像不像已知危险片段——这是目前最好推的物理层杠杆之一，但仍有漏洞（短 oligo、拆单、非成员、跨境）。

高等级生物安全柜

图：NIAID 高等级生物安全柜——这类空间有培训、门禁和规程，不是网购设备就能复制。Wikimedia / NIAID，公有领域。

筛查与政策（卡「下单」那一刻）

行业有 IGSC（International Gene Synthesis Consortium，国际基因合成联盟）的自愿筛查——成员承诺对照危险序列库检查订单，但覆盖不全。美国 OSTP（白宫科技政策办公室）框架：联邦资助采购原则上要走合规供应商——行政指引，不是全球私人订单强制法。2026 年 6 月 screendna.org 联名信（Altman、Amodei、Hassabis、Suleyman + 合成公司 CEO）呼吁强制筛查与留痕。

BMIA 是什么？
BMIA = Biosecurity Modernization and Innovation Act（生物安全现代化与创新法案），美国国会参议院法案 S.3741，2026 年 1 月由共和党 Tom Cotton 和民主党 Amy Klobuchar 共同提出。它想干的事很直白：把现在「行业自愿筛一下」推进成联邦强制规则。

大致三块：

  1. 强制核酸合成筛查 — 做/卖合成 DNA 的公司要查两件事：你订的序列像不像危险片段，以及客户是谁（身份核验）。还包括防「拆单」——同一危险序列拆成几家下、躲开单家筛查。这正好对准前面说的：AI 帮人设计序列之后，下单瞬间仍是窄门。
  2. NIST 生物技术治理 sandbox — 在 NIST（国家标准与技术研究院）开一块试验田，让筛查工具和监管办法能跟技术迭代，而不是写死一套立刻过时的标准。
  3. 理清联邦谁管什么 — 要求行政部门盘点现有生物安全职权、找缝、给执行计划；现在管生物风险的权散在好多机构里。

关键：这是法案草案，不是已生效的法律。 提出 ≠ 通过。所以文中说「BMIA 一类方向还在、全国强制未立住」——意思是：政策辩论里它是主提案之一，但你今天订 DNA，法律上仍主要靠 IGSC 自愿 + OSTP 对联邦采购的指引，外加各州/实验室自己的规矩。裂缝照旧：非成员厂商、跨国套利、短 oligo、台式合成仪。

NIH 和 BSL / Select Agent 管的是物理接触与资助实验，不管你在笔记本电脑里画序列。

连乘，不是单开关

所以风险更像连乘，不是「模型变强 → 灾难自动到来」：

滥用风险是连乘

VCT 动的是「知识/排障」；Evo 动的是「设计」；合成筛查动的是「能不能买到危险片段」；BSL 和细胞手艺动的是「买到之后能不能活起来、传出去」。聊天用户从几千扩到几亿，放大的是前几项的可及性，不会同比例放大全球灾难概率——除非合成和实验室那几项也被打穿。

对我和读者更直观的结论：

  • 无实验室的普通人： 订 DNA 变便宜了，不等于能造瘟疫；后面组装–细胞–手感–合规仍然很硬。
  • 已有实验室渠道的熟练者： 模型主要省的是设计和排障试错；物理层仍在，但摩擦变小了。
  • 政策最划算的杠杆之一： 仍是下单瞬间的筛查 + KYC，因为那是「设计」变成「实物」的窄门。

小结

  • 对已有实验室渠道的高技能恶意者： 风险明显上升；模型减少试错。
  • 对完全没有实验室的普通人： 仍然很难；别被「数量级」标题带跑——跌的是 DNA 单价，不是端到端武器难度。
  • 对未来能自己跑实验的 agent： 比今天的聊天机器人高一档；还在早期。
  • 意外事故： 更多人能做危险实验，事故面也可能变大——不只是故意作恶。

谁在做什么

研究与评测

谁一句话是谁在这篇里干什么
CAISAI 安全评测/倡导非营利WMDP、VCT
SecureBio生物安全工程组织VCT；核酸与检测
RAND智库，专家 Delphi「到约 2027 仍偏辅助」这类判断
Arc Institute生物学研究所Evo、虚拟细胞、开源模型
Anthropic / OpenAI / DeepMind前沿实验室各自安全框架 + CBRN 红队与拒答

产业

Isomorphic、Insilico、Recursion、Xaira、晶泰 等；中国侧有华为盘古药物分子、国家级「医药工业数智化」平台信号（日期和媒体标题要核对，大方向是产业化）。Halcyon 一类孵化器把 biosecurity 当成单独方向（例如 Red Queen Bio：用 AI+湿实验做防御）。

治理（美国为主）

层管什么管不管电脑里的设计？
实验室 RSP / Preparedness模型输出、部署门槛管一部分
州法如 NY RAISE、CA SB 53灾难风险披露/评估间接
OSTP / IGSC 合成筛查下单那一刻不管纯设计
NIH DURC / BSL / Select Agent资助实验与实物基本不管 in silico

缺口很直白：设计在电脑里，拦截多半在下单和实验室门口；中间有缝。 开源生物学模型（Evo）和门控模型（AlphaFold 3 权重策略）的争论，就是「科学开放」和「降低滥用门槛」怎么换。

几个人怎么说时间线

Dario Amodei（Anthropic）
在 Machines of Loving Grace 里，他把生物学进步写成强大 AI 最乐观的用途之一（压缩科研年代）。在 The Adolescence of Technology（2026）里，他又说内部测量显示：到 2025 年中，模型可能已在若干生物武器相关任务上把成功率抬高大约 2–3 倍；并担心模型接近能帮「有理工科背景但不是生物学学位」的人走完更多步骤。Anthropic 因此对部分 Claude 模型用更高等级防护，并花推理成本做生物武器相关分类器。这是一家实验室的内部红队叙事，外人很难独立复现数字，但方向和 VCT/WMDP 公开结果同向。

RAND Delphi（约 2025–2027）
生物专家和 AI 专家一起问「硬约束在哪」（见 RBA4087-1）。结论偏冷静：近两年 AI 主要是辅助专家加速，还不能独立设计新病原体，也还不能让纯外行端到端成功；更长周期另说。政策建议强调全球协调的基因合成筛查、云实验室身份核验、以及大流行病准备（检测、疫苗平台）当后手。

Demis Hassabis / Isomorphic
公开时间线多次调整；近年说法是希望 AI 设计候选药在 2026 年底前后进临床。乐观产业叙事。

寿命延长阵营
Kurzweil 的 longevity escape velocity、de Grey 的 SENS/LEV——有生物学框架，但人类端硬终点证据不足；和「AI 制药前端加速」不是同一个 claim。

我自己的 forecast 笔记（主观）：把「熟练行为者 + AI 辅助」的能力窗口放在 2026–2027 前后，把「低技能端到端」仍标成未确认；灭绝级生物路径是尾部，不是我心里的主路径。细节见站内 p(doom) 证据链（生物相关尤其是 CBRN 节点），那些数字是我的主观 elicitation，不是测量值。

小结

生物研究是很明显的双重用途（dual-use）。

  1. 好处已在前端兑现，后端（人体、监管、失败率）还很硬。
  2. 近两年最划算的治理杠杆，可能是合成筛查 + KYC + 评测。

接下来一些值得关注的事件：

  • SecureBio 等承诺的真实湿实验室 uplift 实验：有 AI 协助时，新手/熟手实验成功率到底变多少？
  • Agent 能否稳定连接「设计 → 下单 → 实验设备」？
  • 功能导向（function-based）合成筛查何时能规模部署，而不是只靠序列相似度？

主要来源（可核对）