这集讲什么
能设计新 DNA 的模型，也可能成为识别危险序列的工具；Eric Nguyen 认为，生物安全的关键是让长期落后的防御能力跟上生物设计能力。
1-3要点
- 预训练是起点，不是终点：Omni 的主张是用任务格式与后续训练，把广泛的序列学习能力转化为可直接使用的判断与设计接口。
- 非编码区域是重要试金石：若模型在远距离调控变异上确有稳定优势，其价值将不限于重复传统编码区分析。
- 设计能力与防御能力有共同技术基础：理解「序列如何产生功能」既服务于候选设计，也可能服务于危险功能识别。
0:00 / --:--
Latent Space · 9 月 23 日
Eric Nguyen 认为，生物安全的关键是让长期落后的防御能力跟上生物设计能力，能设计新 DNA 的模型也可能成为识别危险序列的工具。
能设计新 DNA 的模型，也可能成为识别危险序列的工具；Eric Nguyen 认为，生物安全的关键是让长期落后的防御能力跟上生物设计能力。
这集还没有学习卡。生成后会保存在这一集，下次直接打开。
Latent Space· 2026-10-27Anthropic 如何安全地推出全球排名第一的 LLM：将大脑与双手分开How Anthropic ships the #1 LLM in the World safely: Separating the Brain from the Hands内容相近
The Twenty Minute VC (20VC)· 2026-10-2620VC：Satya Nadella 谈开放与闭源模型：谁会赢｜是否该信任前沿模型提供商｜为什么公司需要拥有自己的智能｜垂直整合的重要性：从芯片到模型等20VC: Satya Nadella on Open vs Closed Models: Who Wins | Whether to Trust Frontier Model Providers | Why Companies Need to Own Their Own Intelligence | The Importance of Verticalisation: From Chips to Models and More内容相近
Latent Space
🔬Bio-security is an AI Arms Race - Eric Nguyen (CEO, Radical Numerics)
YouTube
音频
基因组语言模型把 DNA 的碱基序列当作学习对象：模型既可以从序列推测功能，也可以生成新的序列。Nguyen 团队先以 HyenaDNA 探索长序列建模，再以 Evo、Evo 2 展示生成式基因组模型的潜力。本集重点是 Radical Numerics 的 Omni：团队希望通过任务化训练，使一个基础模型在疾病相关变异判断等具体问题上更好用；同时把相近的序列理解能力用于生物防御。
这里的「设计」与「防御」并非两套完全无关的技术。若模型能学习序列与功能的关系，它既可能提出具有目标功能的候选序列，也可能帮助识别某段序列是否具有风险。节目讨论的核心，正是这种双重用途如何改变研究、筛查与治理。
这期对谈从一个技术问题走向制度问题：把 DNA 当作语言训练模型，最终要解决什么？Nguyen 回顾了 HyenaDNA 对长序列的处理、Evo 的序列生成，以及 Omni 试图弥补早期基础模型「能力广、具体任务却不够强」的缺口。变化不只是模型规模扩大，而是训练目标逐渐贴近使用场景：仅靠海量序列预训练，未必能回答遗传学家关心的变异是否有害、该如何设计，以及结果应以什么形式呈现。将这些任务纳入中期和后期训练，是他认为模型走向实用的一步。
应用层面，疾病相关变异判读最接近现实需求，尤其是传统方法较难处理的非编码区域和远距离调控关系；沿着「序列—实验评分」反复改进 RNA 适配体，则展示了模型参与设计循环的可能性。两者也提醒我们区分预测与验证：基准成绩不能直接当作临床诊断，计算评分提高也不等于湿实验成功。
后半段，讨论转向生物安全。若筛查主要依赖与已知病原体的序列匹配，序列已变、功能却相近的新设计就可能成为盲点。Nguyen 因而主张，推动设计能力的团队也应投入检测、溯源和应对工具。这里的争议不在于要不要防御，而在于防御能否跟上设计能力，以及更敏感的筛查如何控制误报。对读者而言，「军备竞赛」不是某个模型已能制造或阻止一切风险的宣告，而是一个评估框架：看模型能做什么，也要看证据经过了哪些实验检验、风险由谁监测，以及防护能力是否同步建设。
💬 他们说了什么：Nguyen 将基因组语言模型解释为在 DNA 原始序列上训练的模型。早期 HyenaDNA 使用卷积式 Hyena 算子处理长序列，目标是从碱基排列中学习调控功能及远距离相互作用，而不只观察局部片段。
💡 为什么重要：DNA 的功能线索可能分布在相距很远的位置。若输入窗口太短，模型即使识别局部模式，也难以把它们放进较大的基因组背景中判断。
⚡ 争议点：能处理很长的输入，不代表模型在整个窗口内都能可靠地利用信息；「读懂 DNA」也应拆成具体任务和可验证结果。
💬 Evo 的目标从预测扩展到生成 DNA。Nguyen 举出生成 CRISPR-Cas 系统，以及其他研究者使用 Evo 生成具有功能的噬菌体基因组，说明模型可以提出完整、可供实验检验的生物设计。
💡 生成能力使模型不再只是分析仪器，也可能成为提出候选方案的工具。它能把人类难以手工枚举的序列组合纳入搜索范围。
⚡ 一个设计具有功能，并不说明模型能稳定设计任意复杂生物体；它与天然序列究竟有多大差异、可推广到哪些目标，仍需逐项验证。同一能力也带来双重用途风险。
💬 Nguyen 承认，Evo 虽展示了跨任务潜力，在一些人类基因组任务上却不及专门模型。Omni 因此不只扩大预训练，还加入面向具体问题的中期、后期训练，让模型按研究者需要的形式输出变异评分或设计结果。
💡 这把评估标准从「基础模型学到了什么」推进到「研究者能否直接用它解决问题」。对持有大量未解读遗传数据的机构，少一步任务专属微调可能意味着更低的使用门槛。
⚡ 较好的任务表现可能来自新增标注数据、任务格式或训练方法的组合；不能把提升全归因于单一、普适的生物理解能力。
💬 团队通过特殊标记、输入与输出的固定结构，以及示例，告诉模型当前是预测疾病相关性，还是完成序列设计。Nguyen 说，早期实验比较过不同任务输出头与统一模型；总体方向是尽量统一，以促进跨任务、跨模态迁移。
💡 自然语言助手能够回答问题，不只因为读过大量文本，还因为学过如何遵循问题格式。基因组模型同样需要把序列统计能力转成明确的任务接口。
⚡ 嘉宾有意保留部分训练细节。统一模型能否在每个任务上胜过专用模型，不能仅凭总体愿景判断。
💬 访谈讨论了给定野生型与突变序列，判断变异是否与疾病有关的任务。Nguyen 尤其强调非编码、长距离调控区域；他也区分了无标注序列预训练与使用较小标注集进行任务训练，并表示团队对基准相似序列做了去重和质量检查。
💡 蛋白质编码区只占人类基因组的一小部分。若模型能更准确解释非编码变异，便可能帮助缩小「意义未明变异」的排查范围。节目还把 Omni 与 Evo 2、监督式模型 Borzoi 及集成方法等放在同一评估语境中。
⚡ 序列相似性造成的数据泄漏很难完全排除；基准上的疾病相关性预测也不能直接替代患者诊断、功能实验或临床证据整合。
💬 团队按实验适应度分数，将 RNA 适配体序列排成逐步改善的示例，留出部分高分序列，再让模型延续这一趋势。Nguyen 将其类比为生物序列设计中的「思维链」；访谈时，进一步的湿实验验证仍在进行。
💡 许多生物实验天然产生「候选序列—测量分数—再优化」的数据。若模型能够利用这样的轨迹提出更好的候选，就可能成为实验迭代的辅助工具。
⚡ 这里的「思维链」是按分数组织的序列示例，并非模型用自然语言解释机理。在计算结果中得到较高预测分数，也不等于新序列已经通过湿实验。
💬 Nguyen 希望从 DNA 出发，逐步结合 RNA、蛋白质及其他生物测量。他举出噬菌体靶向细菌、选择性结合稀土矿物的蛋白质等方向，并认为蛋白质周围的基因组区域也可能提供设计所需的上下文。
💡 同一个蛋白质序列的用途，未必能脱离其来源及邻近调控信息来理解。跨尺度背景可能帮助模型找出更合理的候选，而不只是追求孤立蛋白质的结构。
⚡ 这些应用处于不同成熟度，不能把设想、合作研究和已验证产品混为一谈。主持人也质疑：在纯粹的蛋白质结构设计任务上，基因组模型未必具有优势。
💬 Nguyen 回顾了从通用长上下文算法转向 DNA 的过程：团队先看到 Hyena 架构适合长序列，随后寻找真正需要这种能力的问题。最初提出「让模型写 DNA」时，他遇到不少怀疑；Evo 在不同生物任务上的早期结果促使研究继续扩大。
💡 这段经历解释了 Radical Numerics 的研究取向：模型架构、GPU 效率与生物问题同时推进，而不是把现成模型直接套进一个应用。
⚡ 研究者的创业回顾有助于理解动机，却不能代替独立复现。早期令人惊讶的结果，还需要用明确的任务、对照与实验结果界定其范围。
💬 团队尝试分析模型的表示和激活，从较简单的 GC 含量、重复片段，逐步寻找转录因子结合模式、调控信号及疾病相关结构。Nguyen 把更长远的目标描述为刻画模型内部的「疾病表征空间」。
💡 模型若仅能给分，研究者仍不知道分数从何而来。可解释性研究尝试把预测工具反过来用于发现规律，并为后续实验提出假设。
⚡ 模型内部出现可视化结构，不自动证明它对应真实的因果机制。嘉宾也明确表示，这方面的团队和工作仍在早期。
💬 Radical Numerics 将「设计与防御并行」称为双重使命。Nguyen 把生物防御分为检测与监测、来源归因、应对措施，以及更偏政府层面的威慑；公司主要关注前三项。他指出，仅与已知病原体数据库做序列匹配，可能难以识别外观不同而功能相近的序列。
💡 从「像不像已知序列」转向「可能具有什么功能」，是面对新出现或被改写序列时的一种防御思路。模型也可能用于帮助 DNA 合成筛查和环境监测系统判断风险。
⚡ 功能风险判断可能产生误报，影响正当研究；漏报则会削弱防护效果。如何设置阈值、申诉机制与授权例外，是技术指标之外的治理问题。
💬 面对「同时推进设计和防御，是否也在推进进攻前沿」的追问，Nguyen 承认这更像持续往返的竞赛，而非做出一个筛查工具便一劳永逸。他担心设计门槛和所需时间下降，也认为近期意外产生并逸出的风险值得注意；但整体上仍对生物技术的健康收益持乐观态度。
💡 风险讨论由抽象的「模型会不会危险」，转为比较设计能力、防御能力及现实使用链条。主持人提醒，生物系统不像软件那样可以轻易给人体「打补丁」，但从打印 DNA 到形成实际危害也存在显著门槛。
⚡ 威胁主体、发生概率和最有效的防线尚无定论。「军备竞赛」是资源配置的比喻，不应被读成对具体事件将发生的预测。
💬 被问及最想消除的瓶颈时，Nguyen 首先提到 GPU，随后谈到更难量化的障碍：领域专家可能因熟知困难而对新路线过早失去想象力。他希望研究者不必在前沿 AI 与改善人类健康之间二选一。
💡 本集最终把问题落回人才和研究文化。要让模型进入生物学，既需要懂计算效率的人，也需要能提出可检验问题、同时保持批判性的生物学家。
⚡ 乐观想象有助于探索，过度乐观却可能掩盖实验周期、数据质量和安全成本；领域专家的质疑也未必只是保守。
以下为依据英文转写所作的意译：
「设计一侧会越来越强；防御一侧必须努力跑到前面。」
「如果我们创造能把功能设计进序列的模型，就必须认真对待如何保护这项技术。」
「问题不是能否百分之百阻止危险设计，而是能否让防御比现在更进一步。」
「你不必在前沿 AI 技术与真正关心的人类健康问题之间做选择。」
