Ce s-a întâmplat

La începutul lui august 2026, vestea că cercetătorii au creat „primele virusuri proiectate de inteligența artificială” a revenit în presa internațională, însoțită aproape inevitabil de discuția despre riscurile biologice ale AI. Evenimentul științific este însă ceva mai vechi decât evenimentul mediatic: rezultatele experimentului realizat de cercetători de la Stanford și Arc Institute erau publice încă din septembrie 2025, când lucrarea Generative design of novel bacteriophages with genome language models a fost publicată . Noutatea din august 2026 este publicarea lucrării în Science și validarea ei prin circuitul academic al revistei. 
Virusurile despre care vorbim sunt bacteriofagi , adică virusuri care infectează bacterii, nu oameni. Numele spune aproape toată povestea: termenul vine din grecescul phagein, „a mânca”, astfel încât bacteriofagul este, literal, un „mâncător de bacterii”.

Cercetătorii au lucrat pornind de la ΦX174, un bacteriofag foarte mic care infectează Escherichia coli, și au folosit modelele genomice AI  Evo 1 și Evo 2 pentru a propune genomuri virale complete. Genomul poate fi înțeles aici ca întregul „text” genetic al virusului, scris în alfabetul ADN. Din miile de variante generate de AI au fost selectate aproape 300 pentru sinteză și testare, iar 16 au produs bacteriofagi viabili: proiectele digitale au devenit, prin intervenția cercetătorilor și a laboratorului, virusuri care chiar funcționează.
Nici bacteriofagii, nici ideea folosirii lor împotriva bacteriilor nu sunt invențiile acestui experiment. Bacteriofagii sunt studiați de mai bine de un secol, iar medicina încearcă de multă vreme să-i folosească împotriva infecțiilor bacteriene, interesul crescând din nou odată cu problema rezistenței la antibiotice. Noutatea este cine — sau, mai exact, ce — a participat acum la proiectarea lor.

Cercetătorii au arătat că un model AI poate propune genomuri virale noi care supraviețuiesc testului realității biologice; unele dintre variantele obținute au avut performanțe superioare bacteriofagului natural de referință, iar combinații ale lor au reușit să depășească rezistența la ΦX174 în trei tulpini de E. coli. Nu avem, așadar, un „tratament pentru E. coli” și nici un virus creat de AI care atacă oamenii. Avem prima demonstrație că un model generativ poate participa la proiectarea unor genomuri virale complete, dintre care unele devin sisteme biologice funcționale.

De ce este important

Importanța experimentului se vede mai bine dacă îl așezăm în istoria biologiei sintetice. În 2003, cercetătorii reușeau să sintetizeze artificial genomul bacteriofagului ΦX174, dar porneau de la secvența unui virus despre care știau deja că funcționează. În 2010, echipa lui Craig Venter trecea un prag mult mai dificil, realizând prima celulă bacteriană autoreplicantă controlată de un genom sintetizat chimic, după un program de cercetare desfășurat pe parcursul multor ani. Experimentul publicat acum marchează un alt tip de prag: cercetătorii nu i-au mai cerut calculatorului doar să analizeze sau să reproducă un genom cunoscut, ci au folosit modele generative pentru a propune genomuri virale noi, după care au lăsat laboratorul să stabilească dacă acestea funcționează. Dacă în 2003 demonstrația era că putem „scrie” un virus al cărui text îl cunoaștem, acum demonstrația este că AI poate participa la scrierea unor variante noi ale textului.

Aici se află poate cea mai importantă lecție despre rolul AI în cercetare. De obicei îi măsurăm utilitatea prin timpul economisit: analizează într-o oră ceea ce unui cercetător i-ar lua o săptămână, caută prin milioane de date sau automatizează experimente repetitive. În cazul de față nu e relevanta o estimare serioasă care să ne permită să spunem că “AI a înlocuit un anumit număr de cercetători sau a economisit un anumit număr de ani”. Schimbarea este mai profundă. Numărul combinațiilor posibile într-un genom de mii de baze este atât de mare încât nici o armată de cercetători nu le-ar putea construi și testa succesiv. După ce învață regularitățile existente în cantități enorme de informație biologică, modelul poate restrânge această căutare la variante care au șanse mai mari să fie coerente și funcționale. AI nu face, așadar, doar mai repede o muncă pe care oamenii o făceau deja, ci oferă un mod de a căuta soluții biologice pe care cercetarea clasică nu le putea explora sistematic.

Rezultatul cu E. coli arată și de ce această diferență poate deveni importantă pentru medicină. Bacteriile evoluează și pot deveni rezistente atât la antibiotice, cât și la bacteriofagii care le atacă. În experiment, combinații ale bacteriofagilor proiectați cu ajutorul AI au reușit să depășească rezistența unor tulpini de E. coli la bacteriofagul natural de referință. Suntem încă foarte departe de un medicament: între un rezultat de laborator și o terapie sigură pentru pacient există numeroase etape de verificare. Dar experimentul demonstrează ceva ce până acum nu fusese demonstrat la nivelul unui genom viral complet:      . Întrebarea importantă pentru cercetarea medicală nu mai este astfel doar „cât de repede ne poate ajuta AI să găsim ceea ce căutam?”, ci și „ce am putea începe să căutăm cu AI și nu aveam înainte o metodă realistă de a găsi?”.

Pentru cine contează

Pentru comunitatea științifică, experimentul reprezintă în primul rând validarea unei metode de lucru. Se conturează un nou circuit al cercetării: modelul generează candidați, cercetătorul îi selectează, laboratorul îi construiește și îi testează, iar rezultatele pot alimenta o nouă rundă de proiectare. Succesul celor 16 bacteriofagi va încuraja probabil alte laboratoare să testeze aceeași paradigmă nu numai pentru bacteriofagi, ci și pentru proteine, enzime și alte sisteme biologice.

Pentru industria biotech, cercetarea farmaceutică și, indirect, pentru pacient, promisiunea este diferită. AI nu elimină laboratorul, toxicologia, studiile preclinice sau studiile clinice și nici nu transformă automat o secvență genetică funcțională într-un medicament. Poate însă interveni într-unul dintre cele mai dificile momente ale cercetării: alegerea candidatului care merită construit și testat dintre un număr enorm de posibilități. În cazul bacteriofagilor, perspectiva este cu atât mai interesantă cu cât bacteriile evoluează și dezvoltă rezistență.  Pentru pacient, cei 16 bacteriofagi nu sunt încă un tratament, dar reprezintă dovada că AI poate contribui la generarea materiei prime intelectuale din care ar putea apărea tratamente noi.
Pentru legiuitori și autoritățile de biosecuritate, semnificația este aproape opusă. Experimentul nu ar trebui să fie momentul în care descoperă că asemenea tehnologii pot avea și utilizări periculoase: această posibilitate era discutată înainte ca studiul să fie realizat. Ceea ce primesc acum este însă o dovadă experimentală. O capabilitate care putea fi tratată drept prospectivă — folosirea unui model generativ pentru proiectarea unui genom viral complet și funcțional — a trecut în categoria capabilităților demonstrate. Pentru autoritati, diferența este esențială: nu s-a născut un risc nou în august 2026, dar unul dintre scenariile pentru care trebuia să se pregătească a făcut trecerea de la „AI ar putea” la „AI a făcut”.


AI Act este relevant aici tocmai pentru că Uniunea Europeană a ales să reglementeze și riscuri care încă nu se materializaseră pe deplin, abordare criticată în alte contexte ca prea precaută și capabilă să frâneze inovația. În cazul modelelor AI foarte puternice, regulamentul anticipa însă explicit riscuri biologice și utilizări periculoase ale secvențelor genetice. Experimentul cu bacteriofagii nu dovedește că toate aceste temeri vor deveni realitate, dar arată că cel puțin unele dintre capabilitățile pe care Europa încerca să le ia în calcul înainte de apariția lor au trecut între timp din zona ipotezei în cea a demonstrației.

La ce ne putem aștepta

Prima consecință va fi probabil și cea mai zgomotoasă: știrea are toate ingredientele necesare pentru a produce exagerări și dezinformare. Formularea „AI a creat virusuri” este adevărată, dar după câteva titluri și videoclipuri poate deveni foarte ușor „AI poate crea virusuri mortale” sau chiar „următoarea pandemie poate fi proiectată de inteligența artificială”. A spune doar că „AI a creat virusuri” este aproximativ ca și cum ai spune că cineva „a adus otravă în casă”, omițând că este otravă pentru șoareci. Experimentul oferă astfel și o mică lecție despre consumul știrilor științifice: data la care un rezultat revine în presă nu este neapărat data la care el s-a produs, iar un risc discutat odată cu publicarea nu este neapărat un risc descoperit atunci.


Consecința mai importantă se va vedea probabil în laboratoare. Odată demonstrat circuitul model generativ – proiectare – sinteză – testare – organism funcțional, alte echipe vor avea motive mai puternice să încerce aceeași abordare. Pentru medicină, miza este posibilitatea de a găsi mai eficient candidați terapeutici acolo unde numărul variantelor posibile este uriaș. Dar exact aceeași capacitate explică și preocuparea pentru biosecuritate. Un bacteriofag proiectat pentru a ataca E. coli nu poate fi pur și simplu „întors” împotriva omului: virusurile care infectează celulele umane sunt sisteme biologice diferite și, în general, mult mai complexe. Întrebarea legitimă este alta: dacă modelele devin suficient de performante și sunt antrenate pe alte categorii de informație biologică, până unde poate fi generalizată metoda demonstrată acum?

De aceea, următoarea etapă a biosecurității nu va putea însemna numai introducerea unor filtre în modelele AI. Calculatorul produce informație genetică, nu un virus fizic. Pentru ca secvența propusă de model să devină materie biologică sunt necesare sinteza ADN, echipamente, materiale, competențe și un laborator. Controlul se va muta astfel tot mai mult asupra întregului lanț: cine are acces la modelele foarte capabile, ce secvențe pot fi generate, cum sunt verificate comenzile adresate companiilor de sinteză ADN și în ce condiții poate materialul rezultat să fie utilizat într-un laborator. Cu cât informația biologică va deveni mai ușor de generat, cu atât punctul critic se poate deplasa către locul în care informația digitală este transformată în materie biologică.