会议聚焦人工智能(AI)与生物制造深度融合路径，举行了《2025人工智能赋能生物制造产业创新发展蓝皮书》启动仪式，还创办了2025生物科学智能产业生态联盟，

　　与此同时，越来越多企业将“AI+合成生物学”作为重要战略，上市龙头中嘉必优、华恒生物、凯赛生物、川宁生物等均有所布局。足以看到，业界对两者跨界融合所催生的创新潜力寄予厚望。

　　然而随着AI合成生物学的发展，背后的 军民两用风险、治理差距和道德困境也随之出现，我们需要相关的监督策略和法规来使行业负责任、可持续的发展。

　　最初，机器学习和生物设计工具用于生物设计任务，例如根据氨基酸序列预测蛋 白质结构。曾获2024诺贝尔化学奖，为人们熟悉的AlphaFold就属于此类。

　　而现在，随着transformer等深度学习架构的日益普及，大型语言模型 （LLM） 被用于执行更复杂的任务。

　　例如根据核酸序列预测物理结果，使用使用AlphaFold 3，已经可以准确预测生物分子相互作用的结构。

　　而未来的生成式AI不仅会提供判别和预测能力，还可能会诞生“AI生物设计师”，类似 BioAutomata 这样的平台体现了这一愿景，AI已经可以指导工程微生物的设计-构建-测试-学习（DBTL）周期的每一步。

　　Design-by-Data 和 Flatcarbon等初创公司利用AI，对微生物、酵母或细胞系进行正向工程设计。

　　许多用于生物设计的 AI 模型，如生成神经网络或梯度提升模型，都以“黑匣子”的形式运行。这一形式并不妨碍技术实用性，但限制了安全的可评估性，也可能延缓用于生物设计的 AI 模型的接受和合法化。

　　此外，如果算法存在未被发现的缺陷或训练偏差，黑客可以利用这些缺陷或训练偏差来故意输出危险设计，那么生物安全风险就会增加。

　　美国国防部的DARPA最近发布的恶意AI报告，就围绕生物制造的数据或模型中毒进行了兵棋推演，突出了不透明系统的漏洞。

　　而早在2024年，该部门就启动了生物制造Switch计划，目标开发一套敏捷、可重新编程的生物制造系统，增加供应链的弹性和适应性，以满足国防部的各种需求。

　　而且AI 模型和工具的数字化和分布式特性使防止滥用的工作进一步复杂化，与物理材料不同，包含 AI 算法或 DNA 序列的数字文件可以很容易地跨境共享和复制，因此难以跟踪和控制其传播。

　　从技术角度来看，需要增强的筛选方法来检测和过滤掉潜在危险的序列，包括由 AI 算法生成的序列，在政策方面，需要国际协调和统一治理框架。

　　最后，论文强调了 关键的第一步是迫切需要解决人工智能合成生物学的黑匣子，不仅能加速科学理解和应用开发，还能将技术交到更广泛的用户手中，可以使问题解决大众化，并从不同的贡献者那里获得创新解决方案。