9月10日，OpenAI Forum 的直播间里，主持人 Chris Nicholson 问了一个听起来像科幻小说的开场：能不能从猛犸象、大地懒这些灭绝生物的基因里，找到对抗超级细菌的药？
但坐在屏幕另一端的人给出了肯定答案。Cesar de la Fuente，宾夕法尼亚大学 Presidential Associate Professor、Machine Biology Group 主任。他的实验室不仅做了，还为此开创了一个新领域：分子去灭绝（molecular de-extinction）。
这个人的履历本身就是一条陡峭的曲线。他开发出第一个在动物模型中被证明有效的计算机设计抗生素，是宾大医学院历史上最年轻的终身教授之一，发表过 200 多篇论文。但他更常提起的身份，是一个想把生物学变成信息科学的人。
他面对的问题足够沉重。抗生素耐药如今每年关联约 500 万例死亡，到 2050 年预计翻倍至 1000 万例。传统新药发现要在土壤和水样里翻找数年，但 de la Fuente 的选择是把生命当作代码来读，让 AI 挖掘进化几十亿年攒下的分子库——包括那些已经从地球上消失的生物。
以下是这场对话的编译实录，问题经编辑压缩，回答有删节。
每三秒钟，就有一个人死于无药可治的感染
对没听过“抗生素耐药”这个词的人，你怎么定义它？为什么它重要？
我认为它是人类面临的最大问题之一，但只有很少人听说过。这类细菌感染目前每年关联全球约 500 万例死亡，到 2050 年预计翻倍到 1000 万例。换算一下，每三秒钟就有一个人死亡。我想不出还有什么问题比这更值得做。
如果我做完手术感染了耐药菌，抗生素不起作用，我的生活会变成什么样？
你基本上没有其他选择了。但我们越来越多地看到，病人带着多重耐药感染住进医院，即使把最后的底牌药物组合起来用，也治不好。这可能是致命的。
我们身处现代，新药一直在被发明。但某些曾经能治的病，现在治不了了。
有一点值得强调：我们拥有抗生素的时间并不长。1928 年弗莱明发现青霉素，至今不到一百年。但人类寿命翻倍主要靠三根支柱：抗生素、水和疫苗。想象一下其中一根突然消失的世界：没有可用的抗生素，分娩、手术、器官移植都会崩塌。
他在 OpenAI 官方报道里说得更直白：人类已经约 50 年没有新的抗生素类别了。
细菌以分钟为单位进化，还互相递“小抄”
细菌体内到底发生了什么，让它们能抵抗现代药物？
你可以把它们看作超级生物。它们有一种超能力：以分钟为单位进化。人类进化要靠生孩子，一辈子也许一两次，甚至零次。但细菌几分钟内就能突变、重组。所以当我们用抗生素攻击时，它们能迅速演化出化学和遗传层面的小伎俩，对药物免疫。
我们几十年繁殖一代，它们几分钟复制一代。而且它们还互相传递 DNA 小包？
是的。它们传播耐药性的方式之一，是互相分享环状 DNA 片段。它们通常也不孤立生活：它们住在类似“微生物城市”甚至“微生物国家”的结构里，会互相通报：医生要拿抗生素消灭我们了，怎么办？但它们有办法——共享 DNA 片段，让整个群体获得生存能力。
把整个生物学当作一锅“字母汤”
所以你们去猛犸象和大地懒的基因里找答案。这事是怎么发生的？
得先往回倒一点。传统上，科学家发现抗生素的方式非常“物理”：真的去大自然里挖土、取水样，试图找到活性分子。但这个过程极其辛苦、难以预测，要花很多很多年。我们的做法是换一套范式：把整个生物学当作信息来处理。
DNA 的核苷酸、蛋白质的氨基酸，就是一堆字母、一串代码，和人类用来交流的字母表没有本质区别。这听起来抽象，但如果你把它看成一锅“字母汤”，你就可以设计算法去挖这锅汤，找出对人类有用的功能分子。
我用 ChatGPT 是在文档里找一个小事实。你们是用 AI 去找能治病的遗传密码？
本质上是这样。但这不是个简单的问题：一堆无序的核苷酸和氨基酸本来毫无功能，生命是怎么通过进化把这些字母排列组合，让功能从混沌中涌现的？我们最新的模型正在破译这些“组织原则”。而这只是开始：同样的方法正在扩展到免疫、代谢、神经科学和肿瘤。
这场“挖矿”的规模有公开数据。2024 年发表于《Cell》的 AMPSphere 研究，用机器学习扫描了 63,410 个宏基因组和 87,920 个高质量微生物基因组，从约 45.6 亿个小开放阅读框中筛出 863,498 个候选抗菌肽，其中 91% 是数据库里从未记录过的全新候选。在此之前，同一套“把生命当数据库”的方法已经在人体蛋白质组里找到过抗生素。
分子去灭绝：向猛犸象和尼安德特人要药方
一边是细菌互相分享生存秘诀，另一边是你们去猛犸象、尼安德特人身上找生存的秘诀。两个群体，同一个逻辑，对吗？
对。研究古代生命有一个深层动机。卡尔·萨根说过：“灭绝是常态，生存是例外。”地球上存在过的生命形式，绝大多数已经灭绝了。如果不回头理解古代生物数据，我们凭什么说自己懂进化？但实用层面同样重要：古代生物学里藏着一整座宝库。今天的环境和几十万年前完全不同，也许那里就有能解决当下问题的分子。
这条路已经走通了两步。2023 年《Cell Host & Microbe》上，他的团队用随机森林模型 panCleave 挖掘尼安德特人和丹尼索瓦人的蛋白质组，找到的古老肽段在两种小鼠感染模型里都显示出抗感染效果。
2024 年《Nature Biomedical Engineering》的 APEX 模型更进一步。它系统挖掘了所有已灭绝生物的蛋白质组——他们称之为“灭绝组”（extinctome）——从 10,311,899 条肽中预测出 37,176 条广谱抗菌候选，其中 11,035 条在现存生物中根本找不到。
AI 在这里面扮演什么角色？
早期算法依赖人类手工制定的规则：我们从化学和物理里知道的“杀菌分子长什么样”，把这些规则喂给系统去挖基因组。但那是早期工作。现在我们训练的 AI 可以自主学习：什么样的组织原则，能造出具有目标功能的分子。不需要人再手写规则了。
APEX 合成的 69 条肽，经实验确认了对致病菌的活性。先导化合物包括猛犸象的 mammuthusin-2、大地懒的 mylodonin-2、古海牛的 hydrodamin-1，在小鼠皮肤脓肿和大腿感染模型中的效力，可与临床最后防线药物多黏菌素 B 相比。大多数肽通过去极化细菌细胞膜杀菌，与已知抗菌肽攻击外膜的机制不同。
实验室里的“集体大脑”
ChatGPT 和 Codex 是你们实验室工具箱的一部分。它们让什么变容易了？
两点。第一，这些系统成了实验室的“集体大脑”。我们是高度跨学科的团队：计算机科学家、化学家、工程师、物理学家、生物学家。大家把想法都倒进这些模型里，但它们返回的，是整个团队的共同思考。
第二，编程的门槛被抹掉了。我读博时，一个生物学家想转去做计算几乎不可能。但现在，越来越多从没写过代码的生物学家、化学家，真的能自己编程了。这个变化就发生在最近三年。
在这场和快速复制的耐药菌的赛跑里，没有 AI 我们有多少胜算？
AI 今天是赋能者。过去要花数年的事，现在在计算机上几个小时就能完成。当然，这不意味着这些分子明天就能变成药，它们还要走监管的各个步骤。但发现环节的加速是真实的。
现在我典型的一天是这样的：早上来上班，喝一杯咖啡，到午饭时团队已经在计算机上发现或设计了一批新分子；到晚饭时，又有一批。这种速度让人眩晕，是好的那种眩晕。就像站在山顶，眼前全是雾，一米之外什么都看不见，但你必须跳到另一边去。我常跟年轻人说，人类历史上没有比现在更适合做科研的时代了。
人站在回路中央
AI 把候选发现从几年压缩到几小时。下一个瓶颈是什么？
发现加速，意味着临床前管线里灌满了候选分子。下一个问题是：合成哪些、验证哪些？我们的做法是开“人机会议”：算法给出通常排到一两百万名的候选清单，人类化学家和生物化学家坐下来一起看。比如 AI 可能把一个容易聚集的分子排进候选，但容易聚集的分子成不了好药，我们就把它划掉。我看到的未来是：人站在中心，具有超人类能力的系统在旁边增强整个发现过程。
你们有什么安全协议，防止灾难性后果？
我签署过好几份在生命科学中安全使用 AI 的倡议。我们的一道护栏是：如果识别出可能自我复制的序列，我们有办法预测，并通常直接排除。我们打交道的对象是分子，原则上这些东西是“惰性”的。但分子去灭绝确实引出过真实的讨论：复活一些今天自然界已不存在的化合物，可以吗？这场对话应该持续下去，不只在学术界，也要有大公司、政府和公众参与。我们希望未来世界是什么样子？这个问题要以“月”为单位来回答。
AI 能从源头上解决耐药性吗？
我认为可以。我们开发的多模态模型，输入一个病原体的基因组，几秒到几分钟内就能设计出对它有效的分子，哪怕这个病原体模型从来没见过。我们做过这个实验：让模型对付一个训练时完全没见过的细菌病原体，它做到了。但这说明的不只是能对付新病原体：我们可以为未来的疫情和突变提前准备对策。我们还在研究细菌进化出耐药性最常见的路径，试图预测未来的突变轨迹。
我至少可以接受一个猛犸象把我们从耐药寄生虫手里救出来的世界。
这场对话结束于一个开放的画面。de la Fuente 的分子库已经超过 100 万条“遗传配方”，但从候选分子到药房里的药，中间还隔着临床试验和监管审批的漫长隧道：AI 压缩的是发现，压缩不了验证。而“复活”灭绝分子的伦理讨论，也才刚刚开始。