2026. augusztus 8., szombat · Kutatás

Mesterséges intelligencia tervezett vírusok pusztítottak el baktériumokat a laborban

A Stanford Egyetem és az Arc Institute kutatói az Evo nevű AI-modellel mintegy 700 ezer lehetséges bakteriofág-genomot generáltattak, ezekből 285-öt szintetizáltak DNS-ként, és 16 olyan, a természetben nem létező vírus jött létre, amely képes volt szaporodni és baktériumokat elpusztítani. A modellt előbb a világ élőlényeinek genomjain, majd kifejezetten a Phi X-174 fágra és rokonaira tanították be; a kutatók szerint a létrehozott vírusok legalább olyan hatékonyak voltak, mint a természetesek, néhány gyorsabban is szaporodott. A munka korábban lektorálatlan preprintként volt elérhető, mostanra a Science folyóiratban lektorált formában jelent meg. Független szakértők fontos mérföldkőnek nevezik az eredményt, de hangsúlyozzák, hogy az AI nem alkotott alapvetően újat, és rámutatnak: az amerikai NIH biztonsági szabályai jelenleg nem terjednek ki a pusztán számítógépes vírustervezésre.

Miért fontos?

Az eredmény megmutatja, hogy AI-modellek működőképes, új vírusgenomokat tudnak tervezni, miközben a jelenlegi biztonsági szabályozás nem fedi le a számítógépes tervezést.

Források

WIRED The Decoder

Említve a tudásbázisban

szál Az EU AI Act bevezetésének útja és gyakorlati hatásai

Kapcsolódó témák

Napi összefoglalók AI kutatás #Evo AI modell#biobiztonság

Napi összefoglaló

Ez a hír a 2026. augusztus 8., szombat napi AI összefoglaló része.

Kapcsolódó hírek

A Google DeepMind és az Isomorphic Labs közös biobiztonsági stratégiát mutatott be

A Google DeepMind és az Isomorphic Labs közös megközelítést tett közzé a biológiai ellenálló képesség (bioreziliencia) erősítésére. A két szervezet saját közlése szerint az elmúlt egy évben több mint 15 partnerséget kötött kormányzati szervekkel, biobiztonsági szervezetekkel és kutatócsoportokkal annak érdekében, hogy megakadályozzák az AI-modellek visszaélésszerű felhasználását, és felgyorsítsák a járványok felismerését és a válaszlépéseket. A stratégia három pillérre épül: megelőzés, felderítés és reagálás. A cégek az AlphaFold, az AlphaGenome és az Isomorphic Labs gyógyszertervezési motorja (IsoDDE) mellett a Gemini modellt is megbízható partnerek rendelkezésére bocsátják. Emellett a SynthID vízjelező technológia biológiai alkalmazásán is dolgoznak, amely segíthetne a DNS-szintézis-szolgáltatóknak az AI által generált, potenciálisan kockázatos biológiai szekvenciák szűrésében.

Mesterséges intelligencia az onkológiai klinikai vizsgálatok gyorsítására

A Nature Reviews Clinical Oncology áttekintő cikke szerint az MI a rákkutatási klinikai vizsgálatok teljes életciklusát segítheti, elektronikus egészségügyi adatokra és gépi tanulásra építve. A szerzők szerint a legérettebb, bizonyítékokkal alátámasztott alkalmazások a betegek beválogatásának támogatása, az alkalmassági vizsgálat, az adatkinyerés és a vizsgálatok emberi felügyelet melletti monitorozása, ezeket már bevezetik egyes rákközpontokban. Ezzel szemben a klinikai bizonyítékok kiváltását célzó módszerek, mint a szintetikus kontrollcsoportok vagy digitális ikrek, még korai fázisban vannak, kevés prospektív validációval. A cikk szerint a valós előrelépéshez szigorú validálásra, egységes szabályozásra és a szereplők közötti koordinációra van szükség.

Google DeepMind: áttörés a ciklonok AI-alapú előrejelzésében

A Google DeepMind Nature-ben publikált kutatása szerint a WeatherNext nevű AI-modell a korábbi módszereknél pontosabban jósolja meg a trópusi ciklonok pályáját, intenzitását és szélszerkezetét. A vállalat állítása szerint a modell háromnapos előrejelzései olyan pontosak, mint korábban csak a kétnapos jóslatok voltak, ami átlagosan egy plusz nap előrejelzési biztonságot jelent a meteorológusoknak. A fejlesztés a National Hurricane Centerrel, a CIRA-val és a brit Met Office-szal együttműködésben zajlott, és a cég szerint már a gyakorlatban is bevált: a Melissa hurrikán 2025-ös, jamaicai partraérése előtt segített időben figyelmeztetést kiadni. A Google DeepMind most nyílt forráskódúvá teszi a WeatherNext 2 és a WeatherNext Cyclones modelleket, hogy a kutatói közösség is hozzáférjen hozzájuk.

Csali-eszközökkel tesztelték, mennyire dőlnek be az AI-ügynökök hamis funkcióknak

Kutatók új diagnosztikai módszert dolgoztak ki annak feltárására, miért választanak rossz eszközt a nagy nyelvi modellek alapú AI-ügynökök. A módszer úgynevezett csali-eszközöket épít be a rendelkezésre álló eszközkészletbe, amelyek hat kategóriába sorolt módon próbálják megtéveszteni a modellt, például hamis képességet sugallva vagy hiányzó előfeltételt elrejtve. A szerzők nyolc modellt teszteltek 120 feladaton, több ezer futtatásban, és azt találták, hogy a megtévesztésre való hajlam a modellek között akár 36-szoros különbséget mutatott: a Claude Opus 4.8 volt a legellenállóbb, a Llama 3.1 8B a legsérülékenyebb. A kutatás szerint a modell mérete önmagában nem garantálja a biztonságos eszközválasztást, egy gyártón belül néha az olcsóbb modell teljesített jobban. Az eredmény jelenleg lektorálatlan preprintként érhető el.