生物安全的AI军备竞赛：Radical Numerics如何用AI重构生物学

生物安全正在变成一场AI军备竞赛

Radical Numerics 的 CEO Eric Nguyen 抛出了一个尖锐的判断：生物安全（bio-security）本质上是一场AI军备竞赛。当生成式AI能够设计全新的基因组、预测蛋白质功能、甚至理解生命系统的底层逻辑时，这些能力既是防御工具，也可能成为潜在威胁。谁能更快地掌握AI驱动的生物建模能力，谁就在这场攻防博弈中占据先机。

这一观点的背后，是过去几年生物学与深度学习加速融合的现实。从 AlphaFold 破解蛋白质折叠，到基因组语言模型的兴起，AI已经不再只是分析工具，而是开始承担"设计者"的角色。Radical Numerics 正是把赌注押在这一趋势上，试图用AI来匹配乃至超越生物防御领域的迭代速度。

生物学的"思维链"：让AI像生物学家一样推理

Eric Nguyen 提到的核心方法之一是生物学思维链（biological chain-of-thought）。这个概念借鉴了大语言模型中的 chain-of-thought 推理——让模型不是直接给出答案，而是分步骤展开推理过程。

应用到生物学场景中，这意味着AI在设计基因组或预测生物功能时，会模拟一条类似生物学家的推理路径：从序列到结构，从结构到功能，再到系统层面的相互作用。这种分步推理的价值在于，它让模型的决策更接近真实的生物学因果链，而不是简单的模式匹配。对于需要高度可解释性和可靠性的生物设计任务来说，这种推理透明度至关重要。

换句话说，生物学思维链试图弥合"黑箱预测"与"科学理解"之间的鸿沟。它不仅要给出结果，还要给出一条可被验证的逻辑轨迹。

Chain-of-thought（思维链）最初由谷歌研究团队在2022年提出，核心发现是：当提示大语言模型逐步写出中间推理步骤时，其在复杂推理任务上的准确率会显著提升。这一机制被认为能激活模型内部隐式习得的推理结构，而不仅仅是靠模式匹配检索答案。将其迁移到生物学领域面临额外挑战：生物学的因果链往往跨越多个物理尺度（从原子键到细胞网络），且许多中间步骤在实验上难以直接验证。因此，生物学思维链不仅是工程技巧，更涉及如何将已知的生物学先验知识（如中心法则、热力学约束）编码进推理路径，使模型的"分步过程"与真实的物理化学机制保持一致，而非产生看似合理却缺乏因果依据的伪解释。

多模态感知：整合生命系统的多维信息

除了推理层面的创新，Radical Numerics 还强调多模态感知（multimodal perception）。生命系统的信息本身就是多模态的——DNA序列、RNA表达、蛋白质结构、代谢通路、显微图像等，每一层都承载着不同维度的生物学意义。

单一模态的模型往往只能捕捉局部信息，而多模态方法试图把这些异构数据整合到统一的表征空间中。这样，AI才能建立起对生物系统更完整、更立体的认知。例如，将序列信息与结构信息、乃至影像数据结合，模型就有可能发现单一数据源无法揭示的规律。

这种多模态整合能力，是从"预测单个蛋白质"迈向"理解整个生物系统"的关键一步。它让AI不仅能回答"这是什么"，还能逐步逼近"为什么会这样"。

生物多模态整合在技术层面面临的核心难题是异构数据的对齐：DNA序列是离散符号、蛋白质结构是三维坐标系、显微图像是像素矩阵、代谢通量是连续数值，各自的统计分布和语义粒度截然不同。目前主流的处理路径有两类：一是为每种模态独立训练编码器，再通过对比学习（如CLIP的生物学变体）将表征拉入同一潜空间；二是设计统一的Tokenization方案，将不同模态转化为共享词表上的序列，直接用Transformer联合训练。前者更灵活，后者在跨模态生成任务（如"由序列直接生成结构"）上理论上更具优势。AlphaFold2本质上已是序列-结构的双模态模型，而将影像、转录组等更多模态纳入同一框架，是当前"基础生物模型"研究的前沿方向。

设计新基因组与洞察生命本身

Radical Numerics 的野心不止于防御。Eric Nguyen 明确提到三个目标：跟上生物防御的军备竞赛、设计全新的基因组、以及获得对生物学本身的深层洞察。

设计新基因组意味着AI从被动的分析者转变为主动的创造者——这是合成生物学长期追求的目标。如果模型能够可靠地生成具有特定功能的基因序列，将极大加速新药、新材料、新疗法的开发。而"洞察生物学本身"则指向更根本的科学价值：AI不只是工程工具，更可能成为帮助人类理解生命规律的认知伙伴。

这三条目标彼此关联：只有真正理解了生物学，AI才能安全可靠地设计基因组；只有具备强大的设计与理解能力，才能在生物安全的攻防中不落下风。

基因组设计（Genome Design）是合成生物学的终极工程目标之一。当前技术路线大致分为两类：理性设计依赖已知的基因调控规则手动拼装功能模块，代表成果是2010年Venter团队合成的首个人工细菌基因组；AI生成式设计则试图让模型在学习大量天然基因组后，直接生成满足特定约束（如产毒能力缺失、特定代谢通路激活）的新序列。后者的关键挑战在于适应度景观的稀疏性——可存活且功能正常的基因组在庞大的序列空间中极为罕见，模型需要学会在这一崎岖景观中导航，而不仅仅是复现训练集的统计规律。与此同时，该能力的双重用途（dual-use）属性使其成为生物安全监管的核心关切：同样的生成模型既能设计有益微生物，也存在被用于增强病原体的风险。

值得关注的信号

从有限的公开信息看，Radical Numerics 代表了当前AI for Science 领域的一个重要方向：把大模型的推理范式（思维链）与领域数据的多模态特性结合，切入生物安全与合成生物学这一高价值、高风险的赛道。

把生物安全定义为"AI军备竞赛"，既是对技术潜力的乐观判断，也隐含着对治理与安全的警示——当AI能够设计生命时，防御与滥用往往只有一线之隔。这也是为什么这类公司的技术路线值得整个行业持续关注。

（注：本文基于 Eric Nguyen 的公开陈述整理，具体技术实现细节尚未完全公开。）