生物學的第四幕：AI BioDesign 以 9,500 萬美元押注超越演化的生命工程

達爾文以「最美麗的無盡形式」（endless forms most beautiful）形容演化在數十億年間造就的繽紛生命。但 2026 年 9 月 3 日，西雅圖三大科研機構聯手押注：自然界曾經創造的一切，只是生物學可能樣貌的一小部分。他們共同 launch 的新計畫 AI BioDesign，以 9,500 萬美元的規模嘗試系統性地探索這片未知的設計空間——靠的不是試管與碰運氣，而是 AI 模型提出設計、規模化實驗打分數的閉環。

他們宣布了什麼

AI BioDesign 是 Allen Institute、華盛頓大學醫學院（UW Medicine） 與 Fred Hutch 癌症中心 三方合作的研究加速器，資金來自 Fund for Science and Technology（FFST） 的 9,500 萬美元——這是 Paul G. Allen 慈善生態系中的私人基金會，也是 Allen Institute 的主要支持者。

使命說起來簡單：打造開放的 AI 模型、資料集、檢測方法與工具，讓科學家能夠設計新的生物解方，應對人類健康、環境挑戰與前瞻科技。官方點名的目標從醫療一路延伸到近乎科幻——治療癌症與神經退化性疾病的新藥、分解海洋塑膠的酵素，以及耗電量遠低於矽晶片的生物電腦。

這個計畫與一般「又一個經費充裕的學術中心」最大的不同在於架構。AI BioDesign 明確被設計成一個持續學習平台：AI 模型提出新的生物設計，科學家規模化地建構並測試這些設計，結果再回饋到模型中，讓每一輪都變得更精確。這就是工程學經典的「設計—建構—測量—學習」循環，只是對象換成了生命系統——而且機器學習永久駐留在迴圈裡。

幕後的科學家團隊

科學領導陣容宛如計算生物學的夢幻名單。計畫主持人之一 David Baker 是 2024 年諾貝爾化學獎得主，以計算蛋白質設計聞名，現任 UW 醫學院蛋白質設計研究所所長。另一位主持人 Jay Shendure 是 UW Brotman Baty 精準醫學研究所與西雅圖合成生物學中心背後的推手，同時是 Howard Hughes Medical Institute 研究員。核心研究員還包括 Fred Hutch 的 Sanjay Srivatsan 與 Sud Pinglay；Allen Institute 總裁兼 CEO 則是 Rui Costa。

Baker 將這次 launch 定調為轉折點：「AI 的速度第一次開始跟上合成生物學的實驗能力。這把問題從『大自然已經做出了什麼？』變成『還有什麼是可能的，我們要怎麼測試它？』AI BioDesign 能把這片浩瀚的未知轉化為模型，幫助我們解決人類最艱難的問題。」

Shendure 則拉出更宏觀的歷史框架：「過去兩個世紀，工程學至少三次改造了世界：工業革命、電氣化與機械化，以及數位革命。我們相信工程的第四幕就在 AI 與生物學的交會處。生物學是會建造的程式碼：DNA 攜帶數位指令，細胞把這些指令轉化為精確得驚人的物理系統。」

為什麼這個前提重要

核心洞見在於搜尋空間。自然界的生物多樣性，只是數以兆計可能 DNA 序列中微不足道的樣本——演化只探索了隨機突變與天擇恰好觸及的角落。當代的 AI 蛋白質設計工具（Baker 一派以 RoseTTAFold 等系統開創的譜系）已經證明：在天然蛋白質上訓練的模型能夠泛化到自然界之外，提出從未存在、卻穩定且有功能的分子。

但瓶頸也在這裡：這些模型的訓練資料仍絕大多數來自大自然「已經」做出的東西。「已設計但未測試」序列構成的反事實宇宙，幾乎沒有實驗回饋。AI BioDesign 的答案是把自己變成資料工廠——專門挑選能教會模型「假設在哪裡失效」的擾動與設計序列來產生新資料，再用多重檢測（multiplex assays）一次測試數千個設計。

最後這一點是低調的差異化關鍵。官方刻意將此計畫定位為全球基礎模型、虛擬細胞系統與 lab-in-the-loop 平台浪潮的「互補而非重複」。它的獨特組合是：從可駕馭生物問題出發的多個模組化模型、由設計序列與擾動產生的新資料、一次測試大量設計的多重實驗——而且，在這個日漸傾向專屬護城河的領域裡，一切開放共享：模型、資料集、檢測方法、試劑與基準測試。

西雅圖的黃金組合

合作分工恰好對應各機構的強項。Allen Institute 帶來二十年經營大科學、開放科學平台的經驗——Allen Cell Explorer、Allen Brain Observatory 與免疫學參考資料庫，都是整個領域賴以建設的公共財。UW 醫學院貢獻蛋白質設計研究所與 Brotman Baty 研究所的基因體工程深度。Fred Hutch 則補上細胞系統、基因體學與頂級癌症中心的轉譯醫學實力——Srivatsan 明言的企圖心，是把基因體資料集規模放大到足以讓 AI 从中找出模式，「啟發生物問題的解方，例如設計能從人體內移除癌症的細胞」。

Rui Costa 強調模型在迴圈中的哲學：「AI BioDesign 結合這套方法與 AI 模型，引導我們下一步該產生哪些資料，讓實驗與模型在持續的學習—測試循環中一起進步。」

必須誠實面對的挑戰

有三個挑戰值得觀察。第一，「設計—建構—測量—學習」循環要能複利前進，實驗端就必須跟上建模端的速度——多重檢測威力強大但並不便宜，9,500 萬美元分散到多機構計畫，能走到的距離不如集中在單一公司內。第二，「一切開放」確實是對抗專屬實驗室的競爭策略，但這也意味著價值回收——以及日益強大的生物設計工具帶來的安全疑慮——將由整個領域而非單一資產負債表承擔。隨著共享試劑與設計模型成熟，雙用途（dual-use）篩查議題遲早會浮上檯面。第三，生物電腦與清淨海洋的酵素是地平線上的願景；更近期的產出會是不那麼炫的資料集、基準測試與實驗流程規格。

即便如此，這個結構是對的。與其押注單一巨型基礎模型，AI BioDesign 押注的是：生物學獎勵大量接地氣的模型、永不停歇的實驗回饋與開放迭代——這正是蛋白質設計領域當初躍進的同一套配方。

在 AlphaFold 級的結構預測與 AI 設計藥物進入臨床的這兩年之後，AI BioDesign 是下一個合理的升級：不再預測生物學做出了什麼，而是系統性地學習生物學「還能」做出什麼。用 Shendure 的話說，工程的第四幕，現在有了 9,500 萬美元的頭期款。