2025年10月7日，Live Science报道，人工智能工具正进入病毒设计的实战领域：研究人员已经用AI生成或改造了能够感染特定宿主的病毒序列，最明显的例子是被证明可针对细菌的噬菌体（bacteriophages）。报道强调，这既为医学与生态应用打开新路径，也带来显著生物安全风险。
文章列举的实验是“可检验的证明性案例”：研究团队利用机器学习模型预测蛋白质结构与功能，进而组合或优化病毒表面蛋白，使其更容易识别特定宿主细胞。与过去依赖长期实验筛选不同，AI能在计算上迅速提出数千种候选序列，显著缩短设计周期。
Live Science指出，AI设计病毒的技术栈并非凭空出现：从蛋白质结构预测（如AlphaFold类方法）到生成模型，再到可合成DNA的商业服务，整个链条拼合后，使“从虚拟序列到实体病毒”变得现实可行。文章同时提醒，合成公司对订购序列的筛查并不总是全面，若监管与行业自检跟不上，滥用风险会快速放大。
报道引用生物安全专家的观点：目前的缺口包括对开源或可下载的大型生物模型缺乏管理、DNA合成订单筛查标准不统一、以及对AI模型的“红队（red teaming）”测试不足。专家们提出具体建议：限制高危模型公开权重、对合成订单实施统一国际化筛查、建立跨国应急通报机制，并对发布的研究进行严格的风险评估。
Live Science同时没有回避AI在正面应用上的潜力，例如用AI设计能专门攻击抗药性细菌的噬菌体，以替代广谱抗生素；或用AI快速预测病毒变体对疫苗的影响，从而加速公共卫生响应。报道提醒决策者必须在鼓励创新与阻断滥用之间找到更精细的政策杠杆。
文章还讨论了治理的现实难题：模型开发分散在大学、初创公司与大厂之间，全球法律与伦理框架滞后，且大多数国家缺乏针对“算法驱动的生物设计”的专门审查机制。专家呼吁国际组织、科技公司与学术界联合制定行业准则，并推动对危险模型的访问控制与溯源要求。
在治理工具箱中，Live Science提到几项已经在实践中的技术手段：对DNA合成订单实施基于序列的自动筛查、对发布的代码或模型实施分级访问、在论文发表前进行生物安全审查，以及推广实验室层面的“最小必要权限”制度。这些措施能降低粗暴滥用的概率，但并不能完全阻止有心人通过多重渠道绕过监管。
报道结尾强调时间紧迫性：随着计算能力和生物技术成本的持续降低，AI辅助的病毒设计将从高门槛科研工具逐步变为更广泛可用的手段。Live Science引用的专家建议是明确的——需要立刻开始国际协同、完善合成链条的安全网，并对高风险研究实施更严格的透明与审查。
整体来看，这篇报道既展示了AI在微生物学和医学上的创新潜力，也对可能出现的“算法驱动的生物武器化”提出了清晰预警。对政策制定者、合成生物行业和AI研发者而言，如何在数月到数年内建立起有效的防线，将决定这项技术最终是用于治病救人，还是被滥用于制造新的威胁。