人工智能正通过日益紧密的数字‑到‑物理工作流重塑生物研究。通用大语言模型能够检索并整合科学信息，辅助实验设计和计算分析；生物基础模型可预测、优化并生成蛋白质、基因及全基因组序列；具备自主决策的系统能够协调多步骤研究任务；自动化实验室则在一定程度上闭合了设计‑构建‑测试‑学习循环。这些技术有望显著推动医学、公共卫生和生物技术的发展。\ \ 然而，生物安全风险不仅取决于 AI 的技术能力，还取决于使用者的专业水平、意图、实验室工具和材料的获取渠道以及现有防护措施。当前证据表明，AI 的提升主要体现在数字任务上，而对物理实验的影响仍受限。前沿系统已在体外（in‑silico）分析和规避筛查基准上超越专家基线，但受控的湿实验显示，隐性知识和实际操作仍是重要障碍。\ \ 本文综述了 AI 工具在生物威胁链条中的不同风险阶段：信息收集、序列设计、材料采购、合成、功能测试、规模化生产以及潜在释放。我们进一步分析了通用模型的对齐技术为何难以直接迁移到生物模型，以及可解释性在审计危险能力是否真正被剔除中的新兴作用。基于此，本文主张采用深度防御治理框架，将能力阈值与生态系统中各主体的相称责任相挂钩，在降低高后果风险的同时保留技术的正向价值。\ \ 点评