Google DeepMind 啟動 AI 生物韌性計畫：AlphaGenome、AlphaEvolve 如何防範下一場疫情？
Google DeepMind 與 Isomorphic Labs 推出 AI 生物韌性計畫，整合 Gemini、SynthID、AlphaEvolve、AlphaGenome 與 IsoDDE，建立預防、偵測、應對生物威脅的三層防線。
Google DeepMind 與 Isomorphic Labs 在 2026 年 7 月 16 日公布 AI 生物韌性計畫，要處理的不只是下一場自然疫情，也包含 AI 能力遭到濫用後可能產生的生物風險。
這不是一款新的醫療聊天機器人，而是一套從「防止危險用途」、「提早發現病原體」，到「疫情發生後加快設計疫苗、診斷與療法」的防線。兩家公司表示，過去 12 個月已與政府機構、生物安全組織及研究團體推進超過 15 項合作。
我的判斷是，這項計畫值得關注的地方不是又多了一個 AI 模型，而是 Google 開始把不同研究成果接成一條生物安全工作流。不過，多項能力仍在探索或合作階段，官方也沒有公布真實疫情中的偵測速度、誤報率與臨床成效，現在還不能把它解讀成「AI 已經能阻止下一場疫情」。
AI 生物韌性是什麼？先看三層防線
生物韌性（bioresilience）指的是社會面對傳染病、自然疫情或人為生物威脅時，預防、偵測、回應與恢復的能力。Google DeepMind 與 Isomorphic Labs 把計畫分成三個環節：
| 環節 | 使用的 AI 能力 | 想解決的問題 |
|---|---|---|
| 預防 | Gemini 安全流程、SynthID | 降低模型與 AI 生成生物序列遭濫用的風險 |
| 偵測 | AlphaEvolve、AlphaGenome、蛋白質功能註解 | 更快、更便宜地分析定序資料並辨識新型病原體 |
| 應對 | AlphaFold、IsoDDE 與最新 AI 系統 | 加速設計疫苗、診斷工具與候選療法 |
這三層的價值在於相互連接。只有藥物設計速度變快還不夠；如果病原體發現得太晚，或模型本身被拿去產生危險資訊，整體風險仍然存在。
第一層：防止 Gemini 與生物 AI 被濫用
Google DeepMind 表示，Gemini 等模型在生物領域會經過四個安全步驟：威脅建模、評估、緩解措施與持續監控。白話來說，團隊先推演模型可能怎麼被濫用，再用測試找出風險，加入限制，最後持續觀察部署後是否出現新的攻擊方式。
另一項較新的方向，是把 SynthID 調整到生物領域。SynthID 原本用於辨識 AI 生成內容，現在 Google 正研究如何讓 DNA 合成供應商篩查可能有風險的 AI 生成生物序列。
這個方向有實際意義，因為安全機制若只留在聊天模型裡，一旦序列離開模型並進入 DNA 合成訂單，後端供應商就很難知道內容從哪裡來。不過，官方使用的是「正在研究」與「可能協助」，沒有宣稱這套生物浮水印已經全面部署，也沒有公布對抗規避手法的測試結果。
因此，我對預防層的判斷是中性偏多：它把模型安全延伸到實體供應鏈，是正確方向；真正的成效仍要看 DNA 合成業者是否採用，以及系統能否在不產生大量誤判的情況下找出高風險序列。
第二層：用 AlphaEvolve 與 AlphaGenome 更快找到新型病原體
疫情早期最難的問題之一，是從大量環境或人體樣本中找出異常訊號。宏基因組定序會同時讀取樣本內許多生物的遺傳物質，再從大量片段中辨認可能的病原體。
Google DeepMind 表示，AlphaEvolve 可以最佳化產生與分析宏基因組定序資料的演算法，讓大規模疾病監測更快、成本更低。AlphaEvolve 是由 Gemini 驅動的程式設計 Agent，會產生演算法、執行評估，再依結果反覆改進。
團隊也正在探索 AlphaGenome 與蛋白質功能註解工具，能否從定序資料中辨識新型病原體與異常模式。AlphaGenome 是用來預測 DNA 序列變化如何影響基因功能的 AI 模型；它不是直接輸入症狀就判斷疾病，而是協助研究人員理解基因序列與生物功能之間的關係。
這一層最有機會先產生實際影響，因為它優化的是研究與監測流程，不必等到新藥完成多年臨床試驗才能創造價值。但官方目前沒有公布在真實病原體監測中的時間縮短比例、成本與誤報率，文章不應把 AlphaGenome 的基因任務 benchmark 直接當成疫情偵測成效。
第三層：疫情發生後，加快設計醫療對策
偵測到威脅之後，下一個瓶頸是能否快速產生疫苗、診斷工具與療法。Google DeepMind 表示，將向受信任的研究人員開放最新 AI 系統，延續 AlphaFold 在蛋白質結構研究上的成果，協助設計已知與新型威脅的醫療對策。
Isomorphic Labs 則成立專責單位，準備在新型疫情發生時向政府與非營利組織快速部署 AI 藥物設計引擎 IsoDDE。這套系統用於理解生物分子系統、預測結構與結合關係，協助研究人員縮小候選分子的搜尋範圍。
這裡最容易被誇大。AI 可以加快產生假設、預測分子互動與挑選候選物，但候選疫苗或藥物仍要經過實驗室驗證、動物研究、人體臨床試驗與監管審查。IsoDDE 是加速研究的引擎，不等於已獲准使用的治療方法。
我的看法是，IsoDDE 對疫情應對的價值取決於它能否在高壓、資料不完整的情境下，仍產生可被實驗快速驗證的候選方案。若後續只看到電腦預測，卻沒有縮短實驗與臨床開發時間，這項利多就會明顯減弱。
為什麼這次公告比單一模型發布更重要？
過去談 AI 醫療，常把焦點放在某個模型預測得更準，或某項 benchmark 又提高多少。這次計畫更接近真實公共衛生系統：先限制危險用途，再從定序資料找出威脅，最後設計醫療對策。
更關鍵的是合作對象。Google DeepMind 表示，過去 12 個月已推進超過 15 項合作，對象橫跨政府、生物安全機構與研究團體。生物安全不是模型公司單獨就能完成的工作，因為資料取得、病原體監測、實驗驗證、醫療採購與跨國通報都掌握在不同單位手上。
不過，「合作超過 15 項」只能證明計畫正在擴大，不能直接證明成果。接下來更值得追蹤的是：合作是否有公開演練、系統是否縮短偵測時間、DNA 序列篩查能否抵抗規避，以及 IsoDDE 產生的候選方案能否更快進入實驗驗證。
AI 生物韌性計畫的 3 個限制
第一，許多能力仍是探索階段。官方對 SynthID 生物應用、AlphaGenome 與蛋白質功能註解都使用「正在研究」或「探索」，不代表已成為全球防疫基礎設施。
第二，缺少可比較的實務指標。公告沒有提供疫情偵測時間、單次監測成本、誤報率或藥物候選成功率，也沒有第三方評估，因此現在無法量化它比現有流程好多少。
第三，AI 同時是工具與風險來源。模型越能理解生物系統，越能協助研究人員設計防禦，也可能提高危險資訊的取得能力。這也是為什麼安全評估、存取控制與 DNA 合成篩查不能被當成附加功能，而必須和模型能力一起開發。
這項計畫值得期待嗎？方向正確，成效要看實戰數據
Google DeepMind 與 Isomorphic Labs 的 AI 生物韌性計畫，把 Gemini、SynthID、AlphaEvolve、AlphaGenome、AlphaFold 與 IsoDDE 放進同一條防線。相比只發布一個高分模型，這種跨預防、偵測與應對的設計，更接近政府與公共衛生單位真正需要的系統。
我目前給中性偏多評價。理由是合作與技術路線已經具體，但真實成效仍缺少公開數據。對一般使用者來說，現在不會多出一個可下載的防疫 App；對政府、研究機構與生物安全團隊來說，則值得關注能否取得工具、建立演練流程，並把評估結果公開給外部檢驗。
真正的分水嶺，不是哪個模型的預測圖看起來更漂亮，而是下一次出現未知病原體時，這套系統能否更早發現、更快提出可驗證的醫療方案，同時不讓同一套能力變成新的風險。
FAQ
Google DeepMind 的 AI 生物韌性計畫是什麼？
這是一套用 AI 預防、偵測與應對生物威脅的合作計畫。它包含模型安全、AI 生成 DNA 序列篩查、病原體監測，以及疫苗、診斷與候選療法設計。
AlphaGenome 可以直接診斷病毒嗎？
不行。AlphaGenome 主要預測 DNA 序列變化對基因功能的影響。Google DeepMind 正在探索它與其他工具能否協助辨認新型病原體，但官方沒有宣稱它是可直接診斷疾病的醫療產品。
AlphaEvolve 在計畫中負責什麼？
AlphaEvolve 用來最佳化產生與分析宏基因組定序資料的演算法，目標是降低大規模病原體監測成本並加快分析。它扮演的是演算法改進工具，不是直接取代實驗室檢驗。
IsoDDE 已經能自動做出疫苗或新藥嗎？
不能這樣理解。IsoDDE 可以協助理解生物分子系統、預測結構與結合關係，縮小候選方案範圍；真正的疫苗與藥物仍要通過實驗、臨床試驗與監管審查。
一般使用者現在可以使用這些工具嗎？
這項計畫主要面向受信任的研究人員、政府、生物安全機構與非營利組織，不是一般消費者產品。部分研究工具可能有個別的研究存取方式，但不代表整套生物韌性系統已公開使用。
