雷科技
现在AI已经深入到基因研究领域，最近几款专攻DNA的大模型接连登场，其中一款叫Carbon-X的模型思路很特别。
它就像“DNA版的ChatGPT”，把晦涩的基因代码和人类日常语言打通，用聊天的方式就能解答基因相关的问题。
先看看同赛道的另外两款产品。
EpMind公司推出的AlphaGenome，核心能力是预测DNA序列和基因突变的作用，但它输出的结果全是数值格式，普通人很难看懂，而且运行起来需要的算力也很高。另一款名为Evo 2的模型背景更强，由Arc研究所、英伟达联合多家学术合作方共同开发，它真正掌握了DNA的“底层语言”，甚至能从零开始生成完整的基因组。
图源：豆包AI
Carbon-X则走出了另一条亲民路线：它同时融合了DNA序列信息和人类自然语言，做成了可对话的交互界面。简单来说，不用你自己去啃枯燥的基因代码，像和普通聊天AI提问一样，就能得到对应基因的通俗生物学解读。
它的实现思路其实并不复杂。研发团队没有从零搭建模型，而是在已有的成熟语言模型基础上做扩展：首先给模型扩充了“词汇表”，让它能够以6个碱基字母为一组来读取DNA序列。之后团队用总量达3000亿的数据片段（也就是大模型里常说的token）继续训练模型，这些数据混合了三类内容：纯DNA序列、普通英文文本，以及“DNA序列对应生物功能描述”的配对样本。
训练所用的DNA数据来源非常广泛，涵盖了包括人类在内的哺乳动物、其他脊椎动物、无脊椎动物，还有植物、真菌和原生生物的基因信息。团队特意说明，完全没有使用病毒的基因数据参与训练。初衷就是避免模型被用于存在潜在危险的研究用途。
图源：豆包AI
当然，这款模型目前也有明确的使用限制。用户没法上传完整的人类基因组，因为模型的设计上限是单次处理约5万个碱基对长度的DNA序列，也就是说，每次只能查询基因组里的一小段，不能一次性输入一整套基因信息。
尽管单次处理的长度有限，但它的实用价值并不低。对科研工作者来说，最核心的用途之一，就是辅助判断基因突变的性质：某个突变到底是对人体没有影响的良性变异，还是会诱发疾病的致病突变。这一步判断是研发靶向药物、开发基因疗法的关键前提，如果搞错了致病的突变位点，对应的治疗手段轻则完全没有效果，严重的话还可能造成意料之外的伤害。
这款模型还有个很务实的设计：主打本地运行，保障数据隐私。现在前沿AI模型都有严格的数据规范，带有身份标识、涉及患者隐私的敏感数据，不允许随意上传到云端模型。考虑到这一点，研发团队特意把Carbon-X做成了仅140亿参数的“小体量模型”。
图源：豆包AI
参数规模小的好处，就是它不需要依赖云端服务器运行，用户在自己的本地硬件上就能跑起来。整个使用过程中，所有数据都只保存在用户自己的设备里，不会上传给Hugging Face平台，也不会流向其他任何公司，大大降低了敏感数据泄露的风险，对医院、科研机构来说更放心。
最后开发团队也坦诚地提示了局限性：目前Carbon-X还没有经过真实实验室“湿实验”的验证，也就是还没在真实的生物实验里检验过效果，所以它给出的预测结果准确率究竟如何，现在还不能下肯定结论，后续还需要更多实际实验来打磨和校验。
本文由雷科技编译自wired
原文链接：AI杀进基因赛道！从读DNA到造基因组，行业格局要改写了
