通过这样做，研究人员的目标是创建数据库、模型和工具，这些可以作为开发未来药物和技术的“种子”。例如，作者们设想出治疗癌症和神经退行性疾病的新药，或能够分解海洋中塑料的酶。

这项计划由西雅图的生物医学研究非营利组织艾伦研究所牵头，与华盛顿大学和弗雷德·哈钦森癌症中心合作。领衔推动的科学家之一是戴维·贝克，他因在计算蛋白质设计方面的工作而分享了2024年诺贝尔化学奖。

在生物学历史的大部分时间里，科学家们研究的是数十亿年进化所形成的解决方案。探索自然界从未产生的可能性是一种根本性的新方法。随着技术使这成为可能，该领域的一位领军人物甚至将这些方法的潜力比作工业化、电气化和数字革命等历史性变革。

然而，深入生物学全新领域也不可避免地带来棘手问题。《连线》西班牙版采访了AI BioDesign首席科学官戴维·贝克，讨论这一问题及其他话题。本次采访经过编辑，以精简篇幅并提高清晰度。

豪尔赫：AI BioDesign旨在探索自然界中从未存在过的可能分子和生物功能。踏入这片未知领域是否存在特定风险？科学家如何预判这些风险，以及在设计分子离开实验室之前，他们可以采取哪些措施来将其降至最低？

大卫：生物学最令人兴奋之处在于，大自然所探索的领域仅仅是物理和化学可能性中的一小部分，这为我们能够设计的事物开启了一个充满无限可能的世界。当我们探索这些可能性时，其主要风险与任何新兴生物技术所带来的风险并无太大区别——即与生命系统产生非预期的相互作用、意想不到的环境影响或被滥用。

我们今天所拥有的优势在于，计算设计使我们能够在分子合成之前就评估其中的许多风险。我们可以在计算机上筛选设计方案，在受控的实验室环境中进行广泛测试，并在考虑任何实际应用之前，对其进行日益逼真的实验验证。

该项目提到的可能性范围很广，从新药到塑料降解酶，甚至包括生物计算机。如果我们能在设计新分子和生物功能时拥有更强的预测能力，你认为这种能力能将我们带向何方？

我和我的团队对蛋白质有着宏大的目标。我们致力于构建一个这样的世界：在这里，新疾病的疗法可以在几周而非几十年内研发出来；在这里，我们的空气、水和土壤因为我们清除了污染物并重塑了污染它们的工艺流程而变得洁净；在这里，农作物能在曾经导致它们死亡的环境中茁壮成长；在这里，分子机器能从废弃物中提取关键矿物质，并修复我们所依赖的基础设施。

蛋白质是生命为了创造我们地球上已知的所有有机物质而进化出的分子机器。要充分释放它们的潜力，就需要我们推导出工程学原理，使创新的新想法——包括那些我们目前还无法想象的想法——成为可能。

随着这些模型能力日益增强，人工智能最终能否设计出连科学家自己都未能完全理解的功能性分子？如果是这样，通过实验证明它们有效且安全就足够了吗？还是你认为我们也需要理解其作用机制？

科学往往分阶段进步，我们在机器学习推动蛋白质设计的方式中也看到了这种映射。第一步通常是观察到某种东西有效，而往往要到后来才理解其原理。机器学习非常擅长第一阶段——它极大地提升了我们观察可用于生物设计的模式的能力。强有力的实验证据可以为推进项目提供依据，但更深入的理解仍然是我们的研究和整体科学探索的重要目标。我们今天无法实现的许多事情，都源于缺乏对特定系统如何运作或不运作的理解或数据。这正是AI生物设计项目的核心所在。

在你看来，是否存在某些分子或生物功能，即使技术上可行，也不应该被设计出来？应该用什么标准来划定这条界线？

决策应以潜在收益与潜在危害的平衡为指导。应对健康、可持续发展或人类福祉重大挑战的应用，有充分理由进行开发。相反，对公共安全、安保或环境造成重大风险的设计，则应受到更严格的审查，并在某些情况下受到明确限制。

正如我们为其他强大技术制定了框架一样，我们也需要与人工智能和生物技术进展同步演进的治理结构。我主张，这些限制应包括对所有合成制造的DNA进行监测和记录，以记录其序列及制造者。这为滥用设置了实际障碍，也为任何恶意尝试留下了记录。本文最初发表于《连线》西班牙语版，由西班牙语翻译而来。