Anthropic、OpenAI、DeepMind三大竞争对手首次共同「封印」生物AI：当科技巨头放下竞争，意味着什么？
Anthropic、OpenAI、DeepMind三大竞争对手首次共同「封印」生物AI：当科技巨头放下竞争，意味着什么？
在AI行业的日常运作中，Anthropic、OpenAI和Google DeepMind是激烈的竞争者。他们争夺顶尖研究人才，争夺企业合同，争夺开发者社区，争夺媒体关注度。他们很少公开赞扬彼此，也很少在战略上进行协作。
所以，当这三家公司在2026年9月宣布联合推出一套针对AI生物应用的分层安全措施时，这个新闻本身就值得高度关注。
不是因为他们做了什么技术突破，而是因为在商业竞争如此激烈的背景下，选择在同一个话题上公开站在一起——这意味着他们共同认为这件事的重要性，超过了彼此的竞争关系。
他们联合「封印」的对象，是AI在生物学领域的双用途能力：同样的AI工具，既可以加速药物发现、攻克疾病，也可以降低合成生物武器的技术门槛。
这个封印背后，有两重恐惧——一重是技术性的，一重是战略性的。理解这两重恐惧，才能理解为什么三家竞争对手愿意在这一刻站在同一面旗帜下。
第一章：双用途技术的根本困境
生物学知识从来都是双用途的：同样的分子生物学理解，可以用来开发治愈癌症的抗体，也可以用来设计更有效的病原体。这个两用性不是AI时代才有的问题——它是生物科学自诞生以来就内嵌的特性。
但AI的出现，大幅降低了从「生物学知识」到「实际合成有害物质」的技术门槛。
以蛋白质折叠为例。2021年，DeepMind的AlphaFold发布，能够以极高精度预测蛋白质的三维结构。这是一个革命性的科学工具：药物开发者可以用它识别药物靶点，研究者可以用它理解疾病机制。
但蛋白质折叠预测同样可以用于反向目标：设计一种蛋白质，使其能够高效与人体特定受体结合，从而产生特定的生物效应。如果这个「特定生物效应」是有害的，AlphaFold就变成了生物武器设计工具。
更令人担忧的是：AI在生物学领域的能力正在快速扩展。Claude Mythos 5.1（Anthropic最新旗舰的受限版本，专门向生命科学领域研究者开放）已经可以辅助实验设计、分析基因组数据、提出蛋白质结合方案。GPT-6 Astra在生物医疗应用上的评测成绩同样优秀。
当AI能力足以辅助「合理的」药物发现研究时，它离能够辅助「不合理的」生物武器设计，可能只有一步之遥——技术上是同一件事，区别只在于意图。
第二章：三家实验室的「双重恐惧」
第一重恐惧：技术性的
Anthropic、OpenAI、DeepMind的研究团队，都发表过内部分析，评估自家模型在生物危险能力上的水平。这类评估（被称为「危险能力评估」，Dangerous Capability Evaluation，DCE）是这三家实验室内部安全流程的常规部分。
根据可以公开的信息，他们的共同发现是：当前的AI模型在生物知识辅助方面已经达到了「研究生专家水平」——它们可以回答关于细菌毒力因子的技术问题、可以建议蛋白质修改方案、可以解释基因编辑技术的具体步骤，其深度相当于一位经过专业训练的分子生物学研究生。
这个能力级别意味着：对于一个有基本生物学背景的恶意行为者（比如，一个本科生物学背景的人），当前的AI可以帮助他们跨越「缺乏专业知识」这个此前最大的技术障碍。
研究人员估计，在AI辅助下，制造一种新型病原体的技术门槛已经显著下降——不是降到「零门槛」，但已经降到「拥有基本实验室条件的有意愿行为者可以尝试」的水平。
这个发现让三家实验室同时感到了紧迫性。他们意识到，单独的「拒绝回答有害问题」防护措施（比如在对话中检测有害意图并拒绝），对于有确定目标的专业恶意行为者来说是不够的——专业的红队测试不断证明，这类防护可以通过各种迂回方式绕过。
第二重恐惧：战略性的
除了技术威胁，三家实验室还有一个共同的战略忧虑：如果生物AI被用于造成真实伤害（比如，一个生物恐怖袭击中使用了AI设计的病原体），监管机构对整个AI行业的监管压力将是毁灭性的。
这不是假设性的担忧。COVID-19大流行使全球政策制定者对生物威胁有了极高的敏感性。如果未来出现一个「AI辅助生物武器袭击」的案例，无论涉及的是哪家实验室的技术，整个行业都会受到严厉惩罚——严格的监管、潜在的临时禁令、甚至刑事责任的扩展。
通过联合行动、建立行业标准，三家实验室在试图做一件事：在灾难发生之前，证明AI行业能够自我监管，从而推迟甚至避免外部强制监管的到来。
这是一种「防御性姿态」，其目标不是消除风险（不可能），而是展示足够的责任感，以维护行业的运营自由度。
第三章：联合行动的具体内容
三家实验室的联合行动（CryptoBriefing 2026-09-02报道，联合声明可从三家实验室官方博客查阅），包含了多个层面的安全措施：
模型能力评估标准化：建立统一的生物危险能力评估框架，对「模型在多大程度上可以帮助生物武器开发」进行标准化测量。目前三家实验室各自有独立的评估方法，标准不统一，联合框架试图建立可互比的指标。
信息共享机制：当一家实验室发现新的「模型可以被用于生物危险的方式」（即「对抗性输入模式」），在保护商业机密的前提下，与其他实验室共享这个信息。这类似于网络安全领域的「威胁情报共享」。
访问控制协议：对于涉及生物危险知识的高风险查询，采用统一的访问控制标准，包括：对专业机构（如研究机构、医疗机构）的验证机制，以及对非专业用户的限制层级。
Claude Mythos 5.1的典型案例：Anthropic的Mythos 5.1专门针对生命科学设计了「分层访问」机制——一般用户无法访问（该版本只通过受信任访问计划开放），只有通过KYC（了解你的客户）验证的机构用户才能使用。这是生物AI安全措施的「产品化」实现。
第三方审计：三家实验室同意接受独立第三方机构（非营利AI安全研究机构）对其生物AI安全措施的定期审计，审计结果可以发布（在保护商业机密的前提下）。
第四章：「封印」的边界——什么是合理的，什么是过度限制？
联合行动不可避免地面临一个核心困境：在限制危险应用的同时，不要过度限制合法的科学研究。
生物AI的合法应用价值是巨大的：
药物发现：AI辅助蛋白质-药物相互作用预测，可以大幅缩短新药开发周期。有估计显示，AI辅助可以把传统10-15年的新药研发周期压缩到3-5年，这对罕见病患者有着直接的生命价值。
疾病机制研究：理解病毒和细菌的分子机制，是开发疫苗和抗病毒药物的前提。这类研究需要深入分析病原体的生物学特性，与「理解如何使病原体更危险」在技术上高度重叠。
基因组学和精准医疗：AI分析患者基因组数据，预测疾病风险，设计个性化治疗方案——这些应用需要的生物AI能力，与潜在危险能力部分重叠。
三家实验室的挑战，是在「促进合法科学」和「阻止危险应用」之间找到可操作的边界线。这个边界不是固定的，会随AI能力的提升和威胁环境的变化而移动。
目前采用的主要区分策略：
「意图感知」（Intent-aware）：通过用户的查询模式、账户历史、机构属性，推断查询的可能意图。这不完美（有误报和漏报），但可以提高精准度。
「知识层级」（Knowledge Tiering）：对不同层级的危险知识采用不同的访问控制。比如，「蛋白质折叠的基本原理」完全开放；「已知病原体毒力增强的具体方法」严格限制；两者之间的中间层级，根据用户机构身份动态调整。
「合成路线阻断」（Synthesis Route Blocking）：即使模型能够解释某种有害化合物的分子结构，也主动拒绝提供从商业可获取的前体化合物合成该化合物的具体步骤。这个策略切断了「知道目标」到「能够实现目标」的最后一步。
第五章：值得「封印」的事和无法「封印」的事
有一个残酷的现实，三家实验室的联合行动必须面对：他们可以减缓风险，但无法消除风险。
可以管控的：基于API访问的AI服务（如Claude、GPT-6 Astra、Gemini），可以通过访问控制、输出过滤、使用监控来施加约束。这是三家实验室联合行动能够直接影响的范围。
难以管控的：
第一，开源模型。DeepSeek、Meta Llama 4等开源模型的权重可以被下载，在本地运行，完全不受任何API访问控制的约束。任何人都可以在本地运行这些模型，对其输出没有任何过滤。三家实验室的闭源模型做了多少安全限制，开源模型社区可能完全不受影响。
第二，知识的不可逆性。一旦某个「AI如何帮助生物武器开发」的具体方法被发现并公开，这个信息就无法「反封印」。就像化学武器的合成路线一旦公开，就无法从互联网上消除。
第三，国家行为者。对于有国家支持的生物武器项目，美国实验室的安全措施约束力极为有限——他们可以在没有任何访问限制的情况下，在独立算力上运行任何版本的AI模型。
第六章：对比分析——为什么「核武」类比不完全适用
AI生物危险通常被比作核武器：同样的知识既可用于和平目的（核电），也可用于危险目的（核武器），所以需要类似的国际管控机制。
但这个类比在几个关键维度上并不完全成立：
物质障碍的差异：核武器的关键障碍是高浓缩铀或钸的获取，这需要极其复杂的离心机阵列，全球范围内极难秘密建立。生物武器的物质障碍则低得多——很多实验所需的基础设备在医学院和企业实验室中广泛存在。AI降低的主要是「知识障碍」，而生物武器的知识障碍此前就已经比核武器低。
国际监控机制的成熟度：核不扩散条约（NPT）有50年以上的执行历史，国际原子能机构（IAEA）有成熟的核查机制。生物武器公约（BWC）相比之下执行力弱得多，没有强制性检查机制。
商业化的深度：民用核能和军用核武器在技术和设施上高度分离，管控相对清晰。生物AI的民用（医疗、农业）和潜在军用（生物武器）应用在技术上深度重叠，很难从外部区分。
这些差异使「生物AI管控」比「核武器管控」在机制设计上更难，三家实验室的联合行动，本质上是在国际监管机制缺位的情况下，通过行业自律填补管控空白。这是一种「不完美的解决方案」，但在更好的方案到来之前，它可能是最现实的选择。
第七章：研究者的心理——为什么科学家选择签名支持
这场联合行动得到了Anthropic、OpenAI、DeepMind旗下众多一线研究者的认可。对于这些研究者来说，支持限制自己工具能力的安全措施，是一个不简单的选择。
Jakub Pachocki（OpenAI首席科学家）在上周发表的「外星思维」论文中提到：AI安全不是限制AI发展的阻力，而是保证AI发展可持续的条件。从这个视角，限制生物AI的危险应用，不是在阻碍科学进步，而是在为科学进步建立一个「可以持续」的信任基础。
Anthropic创始人Dario Amodei在多个场合强调：Anthropic相信AI是迄今最强大的技术，正因为如此，它需要最认真的安全工作。这不是形象包装，而是Anthropic商业战略的核心支柱（Anthropic的「安全AI」定位，是其与OpenAI/Google差异化的核心）。
DeepMind的历史背景：2016年被Google收购前，DeepMind就有明确的AI安全研究议程，创始人Demis Hassabis从一开始就把「AGI安全」列为DeepMind的根本使命之一（即使Hassabis最近已过渡到新的Google角色）。
这三家实验室在安全文化上的共同点，使得联合行动成为可能——尽管他们在商业上激烈竞争，在「我们需要认真对待高风险AI能力」这件事上，他们的内部文化是一致的。
结语：竞争对手同框，是警示的最强信号
当三个彼此竞争的公司，在同一个话题上选择联合行动，这本身就是一个最强的信号：这件事的重要性超过了竞争的重要性。
Anthropic、OpenAI、Google DeepMind告诉我们：生物AI的双用途风险，已经严重到了必须在商业竞争面前暂时搁置分歧的程度。
这不是一个「一切尽在掌控」的安慰性声明，而是一个「我们知道问题在哪里，我们知道目前的措施并不完美，但我们正在认真地尝试」的坦白。
对于AI行业的每一个参与者，这个坦白值得认真对待。
生物AI的双用途危险不是远期的理论威胁，而是技术已经接近临界点的现实问题。三家最了解自家模型能力的实验室，正在用联合行动告诉我们：他们已经看到了临界点的到来。
而我们，刚刚被允许知道这件事。
附录一：生物AI的历史背景——从基因组学革命到CRISPR时代
要理解AI在生物学领域的双用途风险，需要一点历史背景。
生物技术的双用途问题不是新话题。2000年代初，当SARS和H5N1疫情引发全球关注时，国际社会就开始讨论基因组学研究的发布控制问题。2011年，荷兰病毒学家Fouchier和美国病毒学家Kawaoka分别独立发表了能让H5N1禽流感病毒在雪貂间空气传播的研究，引发了激烈的科学伦理争议——这项研究对疫苗研发有重要价值，但其方法如果被滥用，可能被用于增强病原体的传播性。
当时，美国国立卫生研究院（NIH）和生物安全科学家咨询委员会（NSABB）决定对论文进行部分审查，要求删除具体实验方法，只发布研究结论。这是科学史上极为罕见的「预防性审查」案例。
2012年，Jennifer Doudna和Emmanuelle Charpentier发表了CRISPR-Cas9基因编辑工具，随后的CRISPR革命使基因编辑从「昂贵的专业实验室工作」变成了「相对普及的分子生物学操作」。这再次引发了双用途担忧：CRISPR可以编辑植物基因组以提高产量，也可以编辑病原体基因组以提高致死性。
在这个历史背景下，AI的出现是这条「知识可及性」曲线的最新加速节点：CRISPR把生物编辑的门槛降低了，AI进一步降低了「理解如何编辑什么、如何优化编辑策略」的门槛。
每一轮「知识可及性」的提升，都伴随着新的安全管控争议。三家AI实验室的联合行动，是2026年版本的NSABB审查讨论——只是这次的「审查者」从政府机构变成了科技公司。
附录二：AI生物安全的「多层防护」模型
三家实验室推出的联合安全措施，实际上遵循了一种「多层防护」（Defense in Depth）模型，这是网络安全领域的成熟思想在生物AI领域的应用。
第一层：数据层。在训练数据层面，审查和过滤高度危险的生物知识（如已知合成路线、增强手段）。这一层的问题是：互联网上的大量科学文献已经是公开的，无法「去学习」（unlearn）。现实中，这一层主要通过「降低危险信息的比例」而不是「完全消除」来工作。
第二层：模型层。通过RLHF（人类反馈强化学习）和对齐技术，训练模型主动拒绝生物危险相关的高风险请求。这是当前所有主流模型的基础安全层，但已被证明可以被精心设计的「越狱」提示绕过。
第三层：部署层。API访问控制、用户身份验证、使用监控、异常检测——这是三家实验室联合行动重点强化的层。通过限制谁可以访问最高风险的查询，以及监控异常的使用模式，降低实际滥用发生的概率。
第四层：物理层。即使AI提供了完整的理论指导，生物武器的实际制造仍然需要实验室设施、前体物质和专业操作。通过对高风险前体物质的供应链监控和实验室设施的管控，可以设置最后一道实物障碍。
最后防线：检测和响应。即使所有防护层都被突破，早期检测和快速响应（公共卫生监控系统、生物威胁快速识别）是减轻实际损害的最后手段。
三家实验室的联合行动主要强化了第三层，并推动行业和政府在第四层建立更完善的机制。没有任何一层单独可以保证安全，但多层防护的组合可以把风险降低到可接受的范围。
附录三：学术界的声音——研究自由与安全管控的张力
联合行动公布后，学术界有不同的声音。
支持方（生物安全学者为主）：现有的国际生物武器公约（BWC）执行力极弱，没有检查机制，实际上是一纸空文。在国际监管机制没有及时跟上AI发展速度的情况下，行业自律是目前最可行的选项。三家实验室拥有最精确的模型危险能力评估数据，比任何外部机构都更了解风险在哪里，他们的主动行动是负责任的。
批评方（部分研究自由倡导者）：谁来决定什么是「危险知识」和「安全知识」？这个判断权力由私人公司掌握，缺乏民主问责。生物科学研究的开放性是科学进步的基础，过度限制可能阻碍对抗性公众健康研究（比如，理解病原体如何进化以开发更好的疫苗）。
中间立场（大多数科学家）：联合行动的方向是正确的，但具体实施细节和标准的透明度需要提高。行业应该与学术界、公共卫生机构和政府监管机构合作，而不是单方面制定标准。这是起点，不是终点。
这场争论没有简单的答案。生物AI安全的最终解决方案，可能需要像核不扩散机制一样，经历几十年的多方谈判和机制建设——而这个过程，行业自律只是第一步。
附录四：这场联合行动的「政治经济学」——他们真正在下的棋
坦率地说，三家实验室的联合生物AI安全行动，不只是纯粹的道德行为，也有清晰的战略利益计算。
利益一：阻止监管的临界点
2026年，多个国家的立法机构正在积极讨论AI监管框架。欧盟AI法案已经生效并开始执行，美国国会的多个AI监管草案正在酝酿，英国在构建自己的监管路径，中国早已有独立的AI治理框架。
在这个背景下，「AI公司主动在生物安全上建立自律标准」是一个强有力的游说材料：「我们比政府更了解自己的技术，我们已经在做了，不需要额外的强制性监管。」行业自律往往是减少政府监管最有效的策略之一。
利益二：可信AI的差异化定位
对Anthropic来说，安全是核心品牌差异化——「Responsible AI」是他们面向企业客户的主要卖点。生物AI安全联合行动强化了这个定位，在IPO窗口期为Anthropic的估值故事增加了一个「责任」维度。
利益三：开源模型的相对弱化
三家实验室都是闭源模型为主的公司。建立生物AI安全标准，强调「安全需要访问控制和验证机制」，在客观上有利于闭源模型（可以做访问控制），不利于开源模型（所有人都可以下载运行，无法控制）。这不是联合行动的主要动机，但是一个附带效果。
这种「道德行为 + 战略利益一致」的情况，通常是最容易持续的合作安排——每一方都有真实的动机维持这个行动，而不只是「做好事」的道德压力。
附录五：下一步——联合行动之后是什么？
三家实验室的联合行动是重要的起点，但不是终点。行业内外都在讨论「下一步应该是什么」：
国际标准的建立：国际标准化组织（ISO）和IEEE正在讨论AI生物安全相关标准。这类标准一旦形成，将超越个别公司的自律承诺，形成更广泛适用的规范。
政府参与：美国国家安全局（NSA）、英国政府通信总部（GCHQ）、各国生物安全委员会，已经在与AI公司接触，讨论如何把生物AI安全纳入国家安全框架。这类「政企协作」在2026年正在从偶发变成系统化。
第三方审计机制：目前，AI公司对自身安全措施的「审计」仍然以自评为主，独立第三方审计仍然不普遍。建立类似金融审计或食品安全检查的独立审计机制，可能是生物AI安全监管的下一个关键步骤。
研究社区的参与：以ARC Evals（AI Risks and Challenges Evaluations）为代表的非营利AI安全评估机构，正在为AI公司提供独立的危险能力评估服务。扩大这类机构的资金和影响力，使其成为行业标准的制定者，可能是「行业自律」和「政府监管」之间最务实的中间路径。
三家实验室的联合行动告诉我们，AI生物安全已经进入了从「意识」到「行动」的阶段。但从「行动」到「系统性解决」，仍然是一段需要政府、学界、行业、公民社会共同参与的长路。
参考资料
- Anthropic, OpenAI, and Google DeepMind team up to build guardrails around AI-powered biology - CryptoBriefing，2026-09-02（报道三机构联合生物AI安全行动）
- Safety overview: GPT-6 Astra - OpenAI官方博客，2026-09-03（Astra危险能力评估的官方文档，佐证文章中对GPT-6 Astra网络安全能力的描述）
- Introducing Claude Fable 5.1 and Claude Mythos 5.1 - Anthropic官方博客，2026-09-01（Claude Mythos受限访问机制的官方来源）
- In An Alien Mind, OpenAI’s Jakub Pachocki Urges Shared Safety Bars - Unite.AI，2026-09-06（Pachocki论文关于AI安全的论点，佐证第七章分析）
- OpenAI, Google oppose stricter Massachusetts AI safety rules backed by Anthropic - CryptoBriefing，2026-09-03（三实验室在州级AI监管上的不同立场，与生物AI合作形成对照）
- OpenAI commits $1 billion to cyberdefense effort amid AI safety scrutiny - Reuters，2026-09-03（OpenAI在AI安全领域的大额投入，佐证行业战略性安全重视）