🔧Tom's Hardware•最新收集於 21m
Evo AI 設計出可存活的新病毒
💡了解以 DNA 訓練的 AI 如何產生具功能性的病毒，以及安全控制為何可能已經落後。
⚡ 30-Second TL;DR
有什麼變化
Evo AI 模型從約 9 兆個核苷酸中學習 DNA 模式。
為什麼重要
這項研究顯示，基礎模型技術已能從序列預測進一步發展到創造具功能性的生物系統。從事生技工作的 AI 開發者應將模型存取、評估與部署視為高風險生物安全問題，而非一般生成式 AI 功能。
下一步行動
在部署任何能生成或最佳化生物序列的模型前，加入正式的生物安全審查、存取控制與紅隊評估。
誰應關注：Researchers & Academics
關鍵要點
- •Evo AI 模型從約 9 兆個核苷酸中學習 DNA 模式。
- •研究人員生成了自然界不存在的全新病毒基因組。
- •其中 16 個設計成為可感染並在大腸桿菌中繁殖的噬菌體。
- •專家警告，AI 輔助生物設計的防護措施已落後於技術能力。
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •Evo 模型是由 Arc Institute、史丹佛大學及加州大學柏克萊分校的研究人員共同開發，屬於一種基因組規模的基礎模型（Genomic Foundation Model）。
- •該模型採用了類似於大型語言模型（LLM）的架構，但專門針對 DNA 序列進行優化，能夠處理長達 131,072 個標記（tokens）的上下文長度。
- •研究顯示 Evo 不僅能生成病毒，還能預測基因編輯工具（如 CRISPR-Cas）的蛋白質結構與功能，展現出跨領域的生物工程潛力。
- •Evo 的訓練數據集包含來自 Prokaryotic Science 數據庫的數百萬個原核生物基因組，使其具備理解複雜生物序列語法的能力。
- •此研究強調了『生物安全護欄』的必要性，因為該模型在無需人類專家干預的情況下，即可自主設計出具有生物活性的序列。
📊 競品分析▸ Show
| 特性 | Evo (Arc Institute) | AlphaFold 3 (Google DeepMind) | ESM3 (EvolutionaryScale) |
|---|---|---|---|
| 主要功能 | 基因組序列生成與預測 | 蛋白質結構預測 | 蛋白質序列與結構生成 |
| 訓練規模 | 9 兆核苷酸 | 蛋白質數據庫 | 數十億蛋白質序列 |
| 應用領域 | 基因組工程、噬菌體設計 | 藥物研發、生物學研究 | 蛋白質設計、合成生物學 |
🛠️ 技術深入
- 架構基礎：基於 StripedHyena 架構，這是一種結合了注意力機制（Attention）與狀態空間模型（SSM）的混合架構，旨在處理超長序列。
- 序列長度：支持高達 131k 的上下文窗口，遠超傳統 Transformer 模型在處理基因組數據時的限制。
- 訓練數據：利用來自原核生物的 9 兆個核苷酸進行預訓練，學習 DNA 的語法與結構規則。
- 預測能力：具備零樣本（Zero-shot）預測能力，可直接預測基因組層面的突變效應與蛋白質功能。
🔮 前景展望AI analysis grounded in cited sources
AI 驅動的生物設計將大幅縮短合成生物學的研發週期。
Evo 模型證明了 AI 可以自主生成具有生物活性的序列，這將使實驗室驗證的速度從數月縮短至數天。
全球監管機構將強制要求生物序列生成模型實施輸出過濾機制。
由於 Evo 展現了生成潛在病原體的能力，各國政府將可能立法限制此類模型的開源權限或要求加入安全審查層。
⏳ 時間線
2024-01
Arc Institute 發布關於 Evo 模型的預印本論文，介紹其基因組基礎模型架構。
2024-06
研究團隊正式發表 Evo 在噬菌體設計與 CRISPR 系統預測上的實驗成果。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： Tom's Hardware ↗