محققان دانشگاه استنفورد از هوش مصنوعی برای طراحی 16 ویروس کاملاً جدید استفاده کرده اند که در هیچ کجای طبیعت وجود ندارند، اولین باری است که هوش مصنوعی مولد یک ژنوم ویروسی کامل را از ابتدا تولید می کند. این کار که در ژورنال Science در 6 آگوست 2026 منتشر شد، بلافاصله بحث هایی را در مورد چگونگی اداره مدل های بیولوژیکی قدرتمند هوش مصنوعی برانگیخت. برای پوشش مداوم نحوه ردیابی [AI Buzz Wire] (https://aibuzzwire.news) پیشرفت ها در تقاطع هوش مصنوعی و جامعه، این یکی از پیامدترین داستان های تحقیقاتی سال است.

چگونه هوش مصنوعی ویروس ها را از DNA ساخت

تیم استنفورد به رهبری دانشجوی دکترا ساموئل کینگ از چت بات استفاده نکرد. در عوض، آنها به مدل‌های زبان ژنوم روی آوردند - الگوریتم‌هایی که بر روی بخش‌های وسیعی از DNA آموزش داده می‌شوند، تقریباً به همان روشی که مدل‌های زبان بزرگ روی متن آموزش داده می‌شوند. این مدل‌ها با یادگیری قوانین تکاملی که در میلیون‌ها ژنوم تعبیه شده‌اند، می‌توانند کد ژنتیکی بنویسند که از محدودیت‌هایی که زندگی واقعاً استفاده می‌کند تبعیت می‌کند.

محققان دو مدل زبان ژنومی به نام‌های Evo 1 و Evo 2 را بر روی 14266 ژنوم از خانواده Microviridae، گروهی از ویروس‌های DNA تک رشته‌ای کوچک تنظیم کردند. آنها از باکتریوفاژ طبیعی ΦX174 به عنوان یک الگوی طراحی استفاده کردند، سپس نزدیک به 300 طرح کاندید را به 16 مورد فیلتر کردند که می‌توان آنها را سنتز و در آزمایشگاه آزمایش کرد.

نتیجه: طبق این مقاله، 16 باکتریوفاژ مصنوعی که ژنوم آنها "به طور قابل توجهی از هر ژنوم طبیعی متفاوت است"، اما همچنان قادر به آلوده کردن باکتری اشریشیا کلی سویه C بودند. باکتریوفاژها یا فاژها ویروس هایی هستند که منحصراً به باکتری ها حمله می کنند و برای انسان بی ضرر هستند.

چرا مهم است: کوکتل های فاژ و پاتوژن های در حال تکامل

این یک تمرین تصادفی پیوند ژنی نبود. بسیار مهم، مدل‌های هوش مصنوعی به جای اینکه ژن‌ها را به هم بچسبانند، محدودیت‌های سطح ژنوم را در نظر می‌گرفتند. یکی از فاژهای طراحی شده، به نام Evo-Φ36، حاوی یک پروتئین کوتاه عملکردی بود که وقتی مهندسان آن را در نوع وحشی ΦX174 وارد کردند، هرگز عمل نکرده بود. این در اینجا کار می کند زیرا بافت ژنومی تولید شده توسط هوش مصنوعی برای پشتیبانی از آن سازگار شده بود.

هنگامی که چندین فاژ مصنوعی در یک "کوکتل فاژ" ترکیب شدند، بر مقاومتی که باکتری‌های هدف معمولاً در برابر نوع وحشی ΦX174 ایجاد می‌کنند غلبه کردند. این به یک کاربرد پزشکی امیدوارکننده اشاره می‌کند: طراحی درمان‌های فاژی سازگار علیه پاتوژن‌های مقاوم به دارو که به سرعت در حال تکامل هستند.

تیم استنفورد این کار را به عنوان گسترش "آنچه ژنومیک مصنوعی می تواند به دست آورد" در کنار تکامل هدایت شده و مهندسی منطقی، در حالی که "مسیری برای تولید فاژ درمانی های سازگار و انعطاف پذیر ایجاد می کند" تعریف کرد.

کارشناسان امنیت زیستی زنگ خطر را به صدا در می آورند

این وعده با ریسک جدی همراه است. در سرمقاله ای که در کنار این مطالعه منتشر شد، دکتر توماس اینگلزبی و دکتر موریتز هانکه از دانشگاه جانز هاپکینز استدلال کردند که سیستم داوطلبانه فعلی برای غربالگری دستورات DNA دیگر کافی نیست.

آنها از ارائه دهندگان اسیدهای نوکلئیک مصنوعی - بلوک های ساختمانی مورد استفاده برای تولید پاتوژن ها - خواستند تا از نظر قانونی لازم باشند تا سفارشات مشتریان را برای دنباله های نگران کننده بررسی کنند و مشروعیت خود مشتریان را تأیید کنند.

اینگلزبی و هانکه نوشتند: «از آنجایی که ژنوم‌های تولید شده با هوش مصنوعی می‌توانند بسیار متفاوت از توالی‌های اسید نوکلئیک قبلا مشخص‌شده باشند، روش‌های غربالگری که می‌توانند طرح‌های جدید را نشان دهند باید فوراً توسعه یابند.»

برجسته ترین خط آنها به طور گسترده در پوشش خبری بی بی سی، گاردین و نیویورک تایمز نقل شده است: "مسئله دیگر این نیست که آیا طراحی ژنوم ویروسی مولد وجود خواهد داشت یا خیر، بلکه این است که آیا جامعه می تواند نظارتی ایجاد کند که اجازه دهد منافع آن آشکار شود و در عین حال از آسیب جدی جلوگیری کند."

شکاف حاکمیتی فوری شد

مقاله استنفورد جدیدترین در موجی از نتایج است که نشان می‌دهد مدل‌های هوش مصنوعی بیولوژیکی می‌توانند از نظریه به آزمایشگاه منتقل شوند. تا پیش از این، مدل‌های زبان ژنوم برای طراحی سیستم‌های بیولوژیکی امیدوارکننده بود، اما توانایی آن‌ها برای تولید کل ژنوم‌های کاربردی هرگز نشان داده نشده بود. جهش از طراحی قطعات پروتئینی به ساخت 16 ویروس جدید و زنده دقیقاً آستانه توانایی است که محققان امنیت زیستی درباره آن هشدار داده اند.

سرمقاله جانز هاپکینز خاطرنشان کرد: خود نویسندگان «به عمدتر از بسیاری از توسعه دهندگان مدل‌های هوش مصنوعی بیولوژیکی قدرتمند» با خطرات درگیر شده‌اند، و تاکید می‌کند که کار طراحی کل ژنوم آینده با متخصصان ایمنی و امنیت در طول چرخه عمر پروژه مشورت کند.

برای سیاستگذاران، زمان بندی نامناسب است. چارچوب‌های حکمرانی هوش مصنوعی مرزی تاکنون بر ریسک‌های دیجیتال - امنیت سایبری، اطلاعات غلط و عوامل مستقل - متمرکز بوده‌اند، در حالی که قابلیت‌های طراحی بیولوژیکی با نظارت اختصاصی نسبتاً کمی پیشرفت کرده‌اند. نتیجه استنفورد اکنون این شکاف را تسکین می دهد.

از هوش مصنوعی جلوتر بمانید

مرز بین تحقیقات هوش مصنوعی و پیامدهای دنیای واقعی همچنان در حرکت است. چه پیشرفت بعدی در یک آزمایشگاه، یک اتاق هیئت مدیره شرکتی یا یک جلسه استماع مقرراتی باشد، AI Buzz Wire زمینه مورد نیاز شما را دارد.

اخبار هوش مصنوعی را بیشتر بخوانید →