下一次重大的生物威脅可能不會始於濕貨市場、叢林或實驗室意外。它可能始於一台筆記型電腦，搭載著市售的AI模型。
2025年10月，微軟的AI研究人員報告指出，生成式AI工具能夠設計出能規避生物安全防護的危險蛋白質，並且令人擔憂的是，這些蛋白質能夠繞過DNA製造商使用的篩檢系統。
2025年2月，Arc Institute的研究人員發布了Evo 2，這是一個以128,000個基因組訓練的AI模型，能夠設計出全新的生物體。該模型在預測哪些基因突變會導致疾病方面，準確率高達90%。在其前一代產品於2024年發布的幾週內，使用者就透過添加開發人員刻意排除的病毒數據，規避了生物安全防護措施。同年，Anthropic報告其Claude Opus 4模型能夠顯著提升新手規劃生化武器生產的能力，觸發了該公司有史以來最高的安全協議。OpenAI於2025年4月發布的o3模型，能夠協助專家有效規劃複製已知生物威脅的操作。
這些並非臆測的未來。它們是市售系統的現有能力。然而，美國的生化國防策略仍然圍繞著一個統一的「全危害」生化國防策略組織起來——該策略將自然和蓄意生物威脅視為相關挑戰，由共同的能力來應對。當病原體威脅，無論是自然的還是武器化的，遵循相似的演化限制時，這在戰略上是合理的。AI-合成生物學的融合打破了這種邏輯。
對手現在能夠透過計算機設計出專門規避針對自然病原體優化的監控系統、擊敗儲備藥物，並利用使這種整合式生化國防有效的雙重用途假設的威脅。
問題不在於整合是否錯誤——它對於其威脅環境是正確的。問題在於該環境是否仍然存在。
戰略連貫性要求透過整合的勝利理論將戰術行動與政治目標聯繫起來。然而，現代生化國防恰恰展現了戰略家們警告的現象：碎片化的機構為狹隘的任務進行優化，而缺乏總體目標。這種碎片化的例子是2022年的國家生化國防策略，該策略列出了涵蓋流行病準備、生物武器防禦、農業生物安全和實驗室安全五個目標，並跨越了十五個具有重疊權限的聯邦機構。衛生與公共服務部負責流行病應對。國防部處理生化武器威脅。農業部保護農作物和牲畜。沒有單一實體將這些任務整合為連貫的策略，區分需要根本不同應對措施的威脅。
這很重要，因為Michelle Bentley博士對生物武器「禁忌」的分析——儘管擁有，但阻止國家使用生物武器的強烈厭惡和規範限制——仍然部分有效，同時在關鍵方面變得過時。該分析的核心見解仍然成立：生化武器令人厭惡，帶有威懾理性行為者的回旋風險，並受到《生物武器公約》國際規範的約束。即使是蘇聯龐大的Biopreparat計畫也從未實際部署過武器。最近，COVID-19也透過展示疾病對社會的毀滅性影響，加強了這種禁忌。
該框架在自2022年以來被AI-合成生物學融合所改變的三個特定領域變得過時。首先，生化武器開發的知識門檻已經崩潰，以繞過禁忌所規範的國家級限制。其次，計算機設計與物理合成之間的障礙已經減弱，因為自動化消除了工作流程中的人為判斷。第三，技術難度限制擴散的假設不再成立，因為AI工具體現了非國家行為者可以獲得的數十年精英病毒學專業知識，而這些行為者完全拒絕禁忌規範。
能力轉變：已發生何種變化
在2024年12月至2025年5月之間，多家開發大型語言模型的AI公司跨越了生物威脅的內部風險門檻。Anthropic的測試發現，Claude Opus 4在指導新手進行生化武器生產方面，表現比Google搜尋或先前模型「顯著更優越」。該公司首席科學家指出：「你可以嘗試合成類似COVID或更危險的流感版本——基本上，我們的模型顯示這可能是可能的。」Anthropic部署了其最嚴格的安全協議，承認它「無法排除」提升新手恐怖分子，例如Timothy McVeigh，使其能夠製造比以往更具破壞性武器的風險。
2025年6月，OpenAI報告稱，即將推出的模型將在生物學領域達到「高」能力水平，其2025年4月發布的o3版本已經在協助專家規劃生物威脅。2024年12月，SecureBio、麻省理工學院和AI安全中心的一項研究發現，o3在解決複雜實驗室協議方面的表現優於94%的專家病毒學家。這些是具體技術任務的衡量能力，而非預測。
然而，關鍵限制仍然存在。目前的生物設計工具尚無法從零開始創建具有大流行能力的病原體。2025年3月，國家科學院的一份報告得出結論，系統「仍然缺乏對複雜生物系統如何相互作用的必要理解」，無法從頭設計自我複製的病原體。根據Arc Institute研究人員的說法，Evo 2設計的細菌基因組「缺少一些關鍵元素，因此如果合成，可能無法發揮作用」。主要的瓶頸是病毒訓練數據不足：開發人員出於生物安全措施而排除了真核病毒，這諷刺地限制了病原體設計能力。
專家們在時間線上存在嚴重分歧。Anthropic執行長Dario Amodei在2023年預測，AI可以在兩到三年內提供設計致命病原體的逐步說明，該公司在2025年1月重申了這一時間表。約翰霍普金斯大學和史丹佛大學研究人員於2024年8月的一項研究認為，開發先進生物模型所需的關鍵組件可能已經存在或即將可用，強調了立即治理的必要性。國家科學院在2025年3月採取了更保守的觀點，認為目前的限制排除了近期設計大流行病原體的可能性。
毫無疑問的是，合成篩檢系統在面對當前AI能力時正在失效。最近《科學》雜誌的一項研究表明，AI蛋白質設計工具可以生成已知毒素的變體，這些變體能夠繞過商業篩檢軟體。研究人員為72種有害蛋白質（包括蓖麻毒素和肉毒桿菌毒素）創建了76,000個藍圖。測試顯示，包括主要核酸供應商使用的在內的幾種毒素檢測軟體系統，未能可靠地識別AI重新配方的變體，允許高達100%的某些蛋白質變體未被檢測到。雖然更新的AI檢測方法捕獲了這些變體的97%，但研究人員警告說，僅基於序列的生物安全將不足夠，因為未來AI輔助的蛋白質生成可能會產生全新的序列。
這不是一個假設的風險。這是現有防禦措施在面對現有工具時的衡量性失敗。
美國的生化國防政策系統性地混淆了兩個截然不同的挑戰：為自然發生的流行病做準備，以及防禦故意設計的生物製劑。這種混淆體現在預算分配、組織授權和戰略學說中。
這種混淆始於概念層面。例如，2022年的國家生化國防策略將「生物威脅——無論是自然發生、意外還是蓄意 origin」視為一個需要協調應對的統一類別。該框架設定了宏偉的目標，包括在100天內開發疫苗，在30天內部署病原體特定檢測，以及在90天內重新利用治療藥物。這些能力假設的是自然病原體的演化，而不是對手使用AI工具設計專門規避檢測系統或擊敗治療干預措施的病原體。
此外，這些概念的整合導致了資源錯配。結合這些危害的生化國防模型，雖然對於雙重用途能力來說是合乎邏輯的，但在特定、可衡量的點上，卻無法應對AI-合成生物學的融合。以監測為例：疾病控制與預防中心（CDC）超過5億美元的病原體基因組監測系統，是針對透過臨床樣本檢測自然變異進行優化的。然而，它無法檢測與已知生物體沒有同源性的AI設計序列。同樣，以流行病為重點的投資，例如基於醫院的監測計劃或近100億美元的戰略國家物資儲備擴充（儲備可預測的廣譜抗病毒藥物），擠占了關鍵生化國防能力的資金，例如異常設備購買追蹤、合成訂單監測或用於歸因的法醫基因組學。這種整合的生化國防方法優先考慮流行病學調查（接觸者追蹤），但忽略了捕捉蓄意攻擊所需的供應鏈監測。這不是重疊——這是一個系統性差距，流行病優先事項積極損害了必要的生化國防投資。
考慮到當前框架所模糊的三個關鍵區別：
自然流行病通常源於可預測生態交匯點的動物源性溢出。CDC的基因組監測網絡監測臨床樣本中已知病原體家族的變異，遵循自然演化模式。該系統無法檢測與已知生物體沒有同源性的AI設計合成病原體，這些病原體經過專門設計以規避基因組監測。檢測將需要根本不同的傳感器網絡，監測DNA合成訂單、實驗室設備銷售和研究出版模式——這些能力超出了CDC的流行病監測授權範圍，並且幾乎沒有獲得聯邦投資。
流行病應對強調快速疫苗平台、治療藥物生產擴大規模和廣譜抗病毒藥物儲備。Operation Warp Speed投資了180億美元以加速COVID-19疫苗生產，而戰略國家物資儲備則持有用於疫情應對的醫療設備和藥品。該策略假設對手沒有將病毒蛋白定製以規避現有疫苗或設計抗藥性。2023年衛生與公共服務部的篩檢框架承認，生物技術的進步可能能夠創建新型致病蛋白質，但沒有提供具體措施來應對這一威脅，而是鼓勵合成供應商建立自己的最佳實踐。
自然流行病不需要歸因。應對措施側重於公共衛生措施，而非對手意圖。故意釋放的生物武器需要歸因，以便進行相稱的應對和威懾。然而，2022年的國家生化國防策略沒有討論歸因能力，儘管承認俄羅斯、朝鮮、中國和伊朗存在國家生化武器計畫。
這種制度上的混淆產生了三個具體的政策失敗：
2024財政年度，衛生與公共服務部、CDC和美國國立衛生研究院（NIH）分配了約200億美元用於流行病準備，重點是疫苗平台、臨床試驗基礎設施和疾病監測。相比之下，國家標準與技術研究院（NIST）的人工智慧標準與創新中心，這是評估前沿AI模型生物風險的主要聯邦實體，面臨2026財政年度35%的預算削減。CDC的公共衛生緊急準備金獲得了7.35億美元，不到流行病準備支出總額的3%。如果生物威脅主要是自然流行病，這種分配是有意義的。如果真正的危險在於對手利用AI工具設計流行病應對系統無法處理的病原體，那麼這種分配就沒有意義。
沒有聯邦計畫系統性地評估生物設計工具在公開發布前的雙重用途風險。川普政府2025年7月的AI行動計畫指示NIST評估前沿AI模型的新興高影響力生物能力（也稱為生物開發技術），但沒有提供資金、測試協議或執行機制。Arc Institute將Evo 2開源發布，沒有任何預部署政府審查的要求，儘管該模型能夠設計新型基因組。Google DeepMind同樣發布了AlphaFold 3，並進行了自願性的生物安全諮詢，但沒有監管監督。預設是越來越強大的生物設計工具的無監管擴散，而以流行病為重點的機構缺乏干預的授權或專業知識。
DNA合成篩檢——防止生化武器生產的最重要瓶頸——仍然是自願的、碎片化的和不足的。2023年衛生與公共服務部的篩檢框架鼓勵合成供應商根據63種選擇性病原體清單進行訂單篩檢，但沒有施加法律義務。只有聯邦研究資金的接收者必須使用經過篩檢的供應商，而商業客戶則可以自由地在國際上購物。沒有機制可以在公司之間共享可疑訂單的數據。代表全球80%產能的國際基因合成聯盟，透過自願性資訊共享運作，沒有驗證或執行。這不是一個旨在阻止對手獲取AI設計的生化武器的系統。這是一個從流行病生物安全協議繼承而來的拼湊而成，其設計不足以應對新興威脅環境。
應對AI-合成生物學的融合，同時將其與流行病準備區分開來，需要制度改革，而不是漸進式的預算調整。
應立即採取四項政策行動：
第一，透過改革現有實體來整合碎片化的生化國防。儘管國土安全部已經運營國家生物監測整合中心和反大規模殺傷性武器辦公室，但兩者都缺乏應對AI-合成生物學威脅的權威和能力。國家生物監測整合中心的法規（6 USC §195b）側重於「國家關注的生物事件」的預警，沒有預部署技術評估的權威。反大規模殺傷性武器辦公室側重於行動應對，而非計算基因組學專業知識。鑑於現任政府對改革的關注，AI-生物安全任務可以由兩個具有互補優勢的現有實體分擔。一，授權國防高等研究計畫署（DARPA）領導計算閾值以上的生物設計工具的預部署評估，利用現有的AI專業知識。接下來，賦予反大規模殺傷性武器辦公室強制性合成篩檢執行的權力，建立在其行動任務之上。二，透過整合來提供資金：政府問責局（GAO）一再指出生化國防在十五個機構之間是碎片化的。這是在一個注重效率的政府中的國家安全整合，而不是監管擴張。
第二，總統應發布行政命令，建立一個由AI驅動的DNA合成篩檢基礎設施，以激勵產業採用。該命令應指示NIST開發一個聯邦篩檢應用程式介面（軟體平台），合成供應商透過該平台查詢，以進行即時風險評估，使用AI驅動的功能檢測，而不僅僅是序列匹配。這項政策具有強大的採用激勵措施：聯邦採購認證供應商的要求、生物安全訴訟的責任保護、加速的FDA審查和公開認證。拒絕參與的供應商必須向客戶披露，並向國土安全部報告高風險訂單，從而產生市場壓力。這利用了現有的行政權力——採購規則、責任框架和監管審查——在12到18個月內實現全行業採用。這是一種工業政策，建立能夠實現AI驅動的生物創新的安全基礎設施，同時展示負責任的領導力——相較於中國監管較少的做法，這是一種競爭優勢。
第三，要求對超過指定計算閾值的生物設計工具進行部署前安全評估。任何在生物數據上訓練的、需要大量計算能力（超過Evo 2和AlphaFold 3等系統使用的能力）的AI模型，在公開發布前都應由AI標準與創新中心進行評估。評估將評估：(1)設計新型病原體的能力，(2)規避內建安全措施的容易程度，以及(3)被技術知識有限的行為者濫用的潛力。評估不會阻止發布，但要求開發人員實施指定的安全措施（訓練數據排除、查詢過濾、使用日誌記錄），並報告濫用嘗試。該協議將類似於歐盟AI法案對高風險系統的方法，並針對生物威脅進行調整。發布非營利模型的學術研究人員可以獲得聯邦資助的評估支持，以避免懲罰開放科學。
第四，為NIST和AI標準與創新中心提供與威脅規模相稱的資金。對NIST提出的預算削減與政府在2025年7月AI行動計畫中闡述的生物安全優先事項相矛盾。國會應聽取專家（如約翰霍普金斯大學健康安全中心）的建議，該中心主張每年至少為NIST的AI安全部門（如CAISI）提供800萬至1000萬美元的資金。這筆資金對於AI-生物安全倡議至關重要，例如開發標準化基準、對生化武器途徑進行紅隊演練，以及透過AI安全研究所網絡加強國際協調。這些任務不應留給AI公司的內部安全團隊，因為這些團隊面臨著快速發布產品的商業壓力。
AI與合成生物學的融合帶來了直接威脅，商業AI系統能夠進行專家級的生化武器開發並規避DNA篩檢。然而，美國的生化國防策略將這種蓄意的生物威脅與自然流行病準備混為一談，造成了嚴重的盲點，並優先考慮了錯誤的投資。
擬議的改革面臨著一個以放鬆管制為重點的政府的政治障礙，但它們整合了碎片化的努力，而不是擴大政府。十五個具有重疊生化國防權限的機構造成了冗餘，而不是力量。自願性的合成篩檢框架符合放鬆管制的理念，但顯然失敗了——2025年10月的《科學》雜誌研究證明，系統錯過了AI生成的威脅。強制性篩檢僅狹窄地適用於合成供應商和前沿AI開發者，而不是廣泛的生物技術研究。這超越了監管理念：無論是自願還是強制，都比它是否有效更不重要。即使是放鬆管制的政府，在對手威脅國家安全時也會撥款支持國防優先事項。AI增強的生化武器要求認識到這一點。現在是採取行動的時候了，而不是在下一次滲透測試暴露我們的弱點之後。測試正在發生，而目前的防禦措施正在失敗。