Red Queen Bio 的 AI 生物安全获得 3,600 万美元，但抗体研发必须抢在时间前面

Red Queen Bio 已筹集 3,600 万美元，用于在新兴病原体——包括 AI 辅助制造的威胁——超越传统药物开发速度之前，开发由 AI 设计的抗体。Red Queen Bio 的 AI 生物安全战略始于一个令人不安的前提：仅靠阻止人工智能的每一种危险用途并不足够。

相反，这家获得 OpenAI 支持的初创公司希望，防御性生物技术能够与赋予新型生物能力的模型同步发展。该公司正在开发抗体药物，以抵御危险病毒，包括尚未出现的相关毒株。据报道，该公司计划于 2027 年启动流感病毒家族抗体的首批临床试验。

这使 Red Queen Bio 不只是又一家 AI 药物发现公司。它面对的主要对手，是快速演变的生物威胁与缓慢的医疗对策开发之间不断扩大的鸿沟。核心问题在于，AI 能否弥合这一差距，同时不带来新的安全、验证、制造和监管难题。

Red Queen Bio 的 AI 生物安全从融资迈向药物开发

重要变化在于，Red Queen Bio 目前拥有更充足的融资基础，并已明确迈向人体试验的路径。

据归因于《华尔街日报》的融资报道，该公司累计融资已达 3,600 万美元。OpenAI 是其主要投资者，并据称参与了 2026 年的一轮重大新增投资。

这一总额包括 Red Queen Bio 于 2025 年成立时宣布的 1,500 万美元种子轮融资。OpenAI 领投该轮融资，Cerberus Ventures、Fifty Years、Halcyon Futures 及其他关注使命的投资者共同参与。

该公司从 mRNA 疗法企业 HelixNano 分拆而来，后者由 Hannu Rajaniemi 和 Nikolai Eroshenko 创立。两位创始人将生物技术经验带入了一个通常通过模型安全护栏和访问控制来讨论的问题。

Red Queen Bio 是一家公益公司。其宣称的使命是构建能够跟上 AI 模型能力持续增强步伐的防御系统。公司将这一理念称为“防御性协同扩展”。

这一表述指的是，AI 能力扩展与生物防御投入之间形成直接耦合。因此，更快或能力更强的模型应当促使威胁评估、药物设计、测试和制造能力同步加强。

这种方法不同于主要聚焦于拒绝危险请求的安全项目。这些控制措施仍然必要，但 Red Queen Bio 假定，有决心的行为者有时会找到其他模型、工具或技术路径。

其应对方式是在危机发生前准备医疗对策。这些对策包括旨在识别多个病毒家族中保守特征的抗体，而非只针对某一种狭义定义的毒株。

抗体是一种能够识别并结合分子靶标的蛋白质。中和抗体可以阻止病毒感染细胞，或干扰其他关键病毒功能。

抗体药物提供被动免疫，即患者直接获得具有保护作用的分子。疫苗则训练接种者的免疫系统产生自身防御能力。

Red Queen Bio 最初正在测试针对流感病毒的抗体，其中包括被视为严重大流行风险的禽流感毒株。据报道，其目标是在 2027 年开始临床测试。

该公司还计划开展涵盖冠状病毒、类埃博拉病毒、蝙蝠传播病毒、出血热病毒以及天花病毒近缘病毒的研究。这些拓展计划仍属于临床前愿景，而非已获验证的产品。

公司还介绍了一种旨在增强针对呼吸道病毒免疫反应的更广泛疗法。公开信息尚未明确其作用机制、开发状态或可能的临床路径。

这一区别至关重要。融资能够支持实验、制造准备和监管工作，但并不能证明某个候选抗体安全、有效、具备广泛保护性，或已准备好进入政府储备。

尽管如此，3,600 万美元的总融资已使该公司超越了纯粹推测性的安全倡议。投资者正在资助一个包含实验室工作、候选抗体和已公布临床目标的生物技术项目。

这带来了一个可衡量的考验。Red Queen Bio 现在必须将防御性协同扩展的表述，转化为可重复的数据、可行的候选药物和可信的开发时间表。

为什么更快的 AI 会对更快的生物防御形成压力

Red Queen Bio 押注，仅靠预防无法应对能力更强的模型所带来的每一种生物风险。

AI 公司已经采用过滤器、分类器、监测和红队演练来限制危险的生物协助。红队演练是指专家故意使用有害或对抗性请求测试系统，以识别其中的薄弱环节。

这些措施可以减少高风险信息的获取渠道，却无法抹去已发表的科学文献、开放模型、实验室自动化设备或受训研究人员的专业知识。

滥用尝试的证据也正变得更加具体。Anthropic 在 2026 年 9 月发布的滥用案例研究描述了一些行为者寻求协助开展涉及危险病毒的研究。

其中一个案例涉及适应哺乳动物的高致病性禽流感研究。Anthropic 表示，其生物安全分类器拦截了涉及构建具有增强大流行潜力病原体的请求。

不过，这些活动仍通过能力较弱的模型类别继续进行。Anthropic 封禁了与该研究相关的账户，并利用其发现改善检测与预防系统。

这些案例并不能证明聊天机器人制造出了可行的生物武器。但它们表明，用户正在用具有合理双重用途或攻击性应用的问题测试 AI 系统。

双重用途研究既可以服务于合法的健康目标，也可能被用于危险应用。研究哺乳动物适应性或许有助于改善监测，但类似知识也可能指导有害的病毒改造。

这种模糊性令 AI 开发者持续面临压力。一个请求可能看似科学，却可能正在为更大规模的高风险工作流程作出贡献，而这一流程在单次对话中并不可见。

Red Queen Bio 将部分应对措施转移至下游。如果模型控制失效，防御性药物应当已经存在，或能够以远快于传统开发流程的速度获得。

该公司的创始人认为，传统生物防御行动过于缓慢。攻击者可能花费数年准备，而公共卫生系统往往只有在发现威胁后才开始研发对策。

即便是自然暴发也暴露了这种不对称性。研究人员必须识别病原体、选择靶点、创造候选方案、开展测试、扩大制造规模、获得授权并分发剂量。

非同寻常的协调缩短了 COVID-19 疫苗的研发时间线。但这一经历也表明，并行试验、制造扩张、采购和公众分发仍然极其困难。

工程化病原体可能带来更棘手的科学问题。它可能具备陌生特性、逃避既有免疫力，或不同于用于研发当前疫苗和疗法的毒株。

这种可能性并不意味着未来的 AI 系统一定能够可靠地设计出有效病原体。生物系统仍然难以预测，实体实验仍是一项重大障碍。

安全担忧来自能力的渐进式提升。AI 可以帮助用户检索文献、比较方法、排查实验问题、解读结果，或连接此前分散的发现。

每一项改进都可能降低开展合法或有害工作所需的时间、专业能力或协调成本。整体风险的增加，并不要求某一个答案单独制造出病原体。

这正是 Red Queen Bio 将速度视为防御要求的原因。目标并非预测某一种确切的未来病毒，而是在相关威胁之间构建可复用的能力。

该公司仍需证明，防御加速可以保持科学严谨性。如果候选药物无法经受临床、制造或监管审查，更快的推进并不能提供多少保护。

AI 设计的抗体是机制，而不是证据

Red Queen Bio 的技术论证依赖于计算设计、实验室测试和更优实验数据之间形成的闭环。

据报道，在其波士顿实验室中，研究人员测试流感抗体样本，并将结果反馈给公司的模型。这些模型随后提出旨在更有效结合目标的候选方案。

结合强度只是抗体性能的一部分。开发者还必须考虑特异性、效力、持久性、可制造性、给药方式、稳定性、免疫反应以及病毒逃逸。

更广泛的目标是寻找广谱中和抗体。这类抗体能够识别多种毒株共有的特征，通常瞄准变化频率较低的病毒区域。

这一策略具有坚实的科学基础。关于抗病毒抗体科学的研究将广谱中和抗体描述为应对包括流感在内变异性病毒的有前景工具。

不过，实验室检测中的广泛活性并不保证其能够在人身上提供保护。抗体必须到达正确组织、保持活性、避免有害免疫效应，并经受病毒进化的考验。

Red Queen Bio 将计算工作与生物发现相结合，而非仅依赖模型输出。其与 AbTherx 的合作体现了这种混合方法。

两家公司于 2026 年 1 月宣布了一项抗体合作。该合作将 AbTherx 的转基因小鼠平台与 Red Queen Bio 的疫苗接种和 AI 驱动开发流程相结合。

转基因小鼠携带经过工程化改造的遗传物质，使其能够产生更接近人类治疗性抗体所用抗体库的抗体。研究人员可以对这些动物进行免疫，并回收候选结合物用于进一步测试。

合作伙伴表示，他们在三个月内生成了初步的体内抗体数据。体内意味着研究在活体生物内进行，而不只是存在于分离细胞或软件中。

Red Queen Bio 获得了开发和商业化该合作产生抗体的权利。AbTherx 有资格获得研究付款、开发里程碑付款和特许权使用费。

这一安排使 Red Queen Bio 能够获取通过受控发现系统生成的生物数据。这类专有数据可帮助训练或引导模型，使其能力超越公开可获得的序列数据。

这家初创公司表示，其流程还整合了多重免疫、强化学习、实验室自动化和按需生物制剂制造。

多重免疫会让免疫系统接触多个靶点或靶点变体。由此产生的反应可能揭示出识别共有病毒特征、而非仅识别单一毒株的抗体。

在这一背景下，强化学习利用实验反馈来改进未来的方案。表现良好的候选物会提供信号，指导下一轮设计。

实验室自动化能够在一致条件下增加可测试候选项的数量，也能缩短模型提出方案与获得可测量生物学结果之间的间隔。

OpenAI 和 Red Queen Bio 已测试过一种相关的“模型在环”流程。其发布的湿实验室研究要求 GPT-5 通过重复实验改进一项分子克隆流程。

人类科学家执行实验流程，并将结果反馈给模型。GPT-5 随后依据这些结果提出进一步修改建议。

OpenAI 报告称，在固定投入量的 DNA 条件下，最终流程产生的经序列验证克隆数量是基线流程的 79 倍。该系统以一种新的组合方式引入了两种酶。

这项实验使用的是受控环境中的良性分子生物学系统。它并未设计抗体、证明对病毒的防护效果，或验证一个自主药物开发平台。

它的意义在于反馈机制。模型可以提出实验、从物理结果中学习，并调整后续方案，而不是仅给出一个静态答案。

这一闭环十分重要，因为生物学的实际表现很少会与计算预测完全一致。物理测试能够从真正可折叠、结合、发挥功能并保持稳定的分子中，筛选出看似合理的设计。

因此，Red Queen Bio 的 AI 设计抗体能否成功，仍要由湿实验室和临床证据决定。模型可以缩小搜索范围，但无法取代生物学验证。

真正的竞赛是与研发和制造时间赛跑

只有能在疫情扩散速度超过生产和分发能力之前交付安全剂量的快速设计系统，才有意义。

软件团队可在数小时内向全球部署模型更新。抗体开发者则必须面对细胞系、纯化、质量控制、稳定性测试、临床方案和监管审查。

这些步骤之所以存在，是因为生物药可能以序列分析无法揭示的方式失败。一种颇具前景的抗体可能发生聚集、失去活性、触发免疫反应，或需要不切实际的高剂量。

制造能力对生物安全尤为关键。若一种疗法需要高剂量才有效，其所需产能可能超过政府在大范围紧急情况下能够调动的水平。

更强的结合能力有助于降低所需剂量，但这种关系并非必然。防护效果取决于抗体在体内的表现，以及其针对相关病毒的作用方式。

Red Queen Bio 希望其药物能够覆盖相关病原体家族。这或许能减少新毒株出现后从零开始研发的需求。

储备中的广谱抗体可为暴露风险较高的工作人员或脆弱群体提供即时但临时的保护。开发者随后可让后续产品适配具体的新兴病原体。

这种路径不同于仅依赖疫情开始后才开发的疫苗。被动抗体无需等待受体产生新的免疫反应即可发挥作用。

不过，这种保护是暂时的。抗体会随时间降解，而在大规模疫情期间反复给药可能在操作层面变得困难。

病毒还可能获得降低抗体结合能力的突变。单一疗法可能形成有利于逃逸变异株的选择压力，尤其是在治疗覆盖大量感染者时。

开发者可通过抗体组合或靶向保守位点来应对逃逸问题。这两种方案都会增加科学和制造层面的复杂性。

据报道，这家初创公司的长期目标包括进入美国和欧洲政府的储备体系。这将使其产品成为公共基础设施，而非普通的专科药物。

政府采购也有助于解决一个棘手的市场问题。社会希望危机发生前就具备可用的应对措施，但在正常时期，商业需求可能仍然有限。

Red Queen Bio 曾讨论受灾难风险保险启发的融资结构。按这一逻辑，政府、AI 实验室或其他机构会在生物紧急事件发生前为准备能力提供资金。

这一商业模式仍未定型。公共机构在承诺采购储备产品前，需要看到证据、制造能力、长期稳定性和可信的部署计划。

AI 实验室也面临相互冲突的激励机制。资助防御措施意味着承认生物能力带来的风险，同时又允许这些能力继续发展。

OpenAI 的支持为 Red Queen Bio 提供了资金和前沿模型专业知识的获取渠道，也使独立性和治理成为重要问题。

该公司表示，其公益公司结构将使命置于任何单一合作关系之上。外部观察者仍需看到证据，证明安全优先事项会影响研究访问和产品决策。

来自 AI 开发者的资金能够支持防御能力建设，但不能替代监管机构、独立科学家、公共卫生机构和安全专家的透明评估。

最难的衡量标准在于运营层面。Red Queen Bio 必须证明，其闭环缩短的是完整的医疗对策时间线，而不仅是计算设计阶段。

安全主张将面临三项检验

Red Queen Bio 必须证明有效性、负责任的研究控制和现实世界准备度，同时避免夸大其中任何一项。

第一项检验是临床证据。计划中的流感试验将首次公开显示，该公司的候选产品能否超越实验室优化阶段。

一期临床试验主要评估安全性、耐受性、剂量以及人体如何处理药物。它并不能证明对未来大流行病具有人群规模的防护效果。

Red Queen Bio 尚未公开完整的试验设计、候选产品规格、入组计划或监管申报文件。因此，据报道的 2027 年时间表应被视为目标，而非既定事实。

第二项检验涉及广度。一种抗体可以结合多种实验室毒株，却可能无法对抗差异足够大的病毒，或无法在现实暴露条件下发挥作用。

有关对病原体家族提供防护的主张，需要中和实验组、动物研究、适当情况下的攻毒数据，以及最终的人体证据。独立重复验证将增强这些主张的可信度。

第三项检验是生物安全治理。针对潜在威胁建立防御体系，需要决定应建模哪些威胁，以及哪些实验具有合理性。

这类工作可能产生具有双重用途价值的知识。即便不制造危险病原体，团队也可能识别出需要谨慎处理的脆弱点、目标特征或实验路径。

Red Queen Bio 表示，其从不开展危险的功能获得研究，也从不制造或分离危险病原体。其公司使命强调专有防御数据集和医疗对策。

这些承诺划定了一条重要边界。读者仍需要了解运营细节，包括审查流程、访问控制、外部监督和发表标准。

OpenAI 的克隆研究同时展现了前景与审慎。模型改进了一项良性工作流程，但同样的一般能力也可能让生物实验更易开展、更有效率。

OpenAI 限定了任务范围、使用受控环境，并出于安全目的评估模型行为。随着实验系统能力不断增强，这些预防措施应始终处于核心位置。

另一个不确定性在于威胁本身。一些分析人士认为，AI 赋能的生物武器是迫在眉睫的新兴危险。另一些人则认为，当前系统相较于现有科学工具带来的附加价值有限。

两种观点都可能包含事实。当前模型或许还无法可靠地发明可行病原体，但仍可能减少研究、规划和故障排查任务中的摩擦。

这场讨论不应沦为恐慌或轻视。Red Queen Bio 的业务依赖于一个仍难以量化的未来风险，但生物防备同样可以应对自然暴发。

这一更广泛的应用改善了该公司的实际理由。即使从未有攻击者使用 AI，针对禽流感或其他病毒家族的抗体仍可能具有重要意义。

但这也使评估更为复杂。一种成功的流感药物能够验证技术平台的一部分，却无法证明该公司可以应对经过工程改造的病原体。

同样，一种失败的候选产品也不能否定加快生物防御的必要性。它只表明这种特定方法、分子或开发流程需要修订。

最有力的评估应将四个问题分开：抗体是否有效、是否具有广谱性、能否快速制造，以及机构能否安全部署它？

资金并不能回答其中任何一个问题。它只是提供了追求答案所需的资源。

在 Red Queen Bio 首次试验前应关注什么

三个信号将显示 Red Queen Bio 正在构建可部署的防御体系，还是仅仅描绘了一个有说服力的愿景。

第一个信号是流感项目的正式临床试验记录。该记录应明确候选产品、研究设计、申办方、终点、地点和入组计划。

已申报并启动的研究将增强人们对 2027 年时间表的信心。若出现延迟且没有支持性的临床前数据，则会削弱 AI 实质性压缩开发周期的主张。

第二个信号是可由独立人士解读的广谱性证据。有用的披露应展示其对多样化流感毒株的活性，包括相关的禽流感和具有大流行风险的变异株。

研究人员应关注效力、逃逸抗性、剂量要求以及适当动物模型的结果。单一强劲的实验室结果不足以证明广泛防护。

第三个信号是制造与采购路径。Red Queen Bio 需要可信的合作伙伴或内部系统，以便在紧急规模下生产一致的生物药剂量。

政府参与同样重要。储备讨论、开发合同或清晰界定的监管路径，将表明公共卫生采购方认为该项目具有运营相关性。

这些信号应结合评估。没有可扩展制造能力的临床进展，只会形成无法应对危机的实验室成功。

没有广泛疗效的制造准备度，会造成可能错过实际威胁的库存。没有负责任治理的广谱活性，则可能引入削弱防御使命的风险。

Red Queen Bio 的 AI 生物安全构想之所以引人注目，是因为它将人工智能视为压力来源，也是解决方案的一部分。这种对称性同样构成了公司的负担。

帮助研究人员设计抗体的同一种加速能力，也可能在其他地方扩展生物能力。防御项目必须快速推进，同时保持验证、遏制和问责。

该公司拥有资金、经验丰富的创始人、与 OpenAI 的关系、实验室合作伙伴以及明确的初始目标。它仍缺乏验证其最大主张所需的公开临床记录。

未来几个月，读者应关注试验注册、跨毒株抗体数据，以及制造或政府采购协议。

这些进展将表明防御性协同扩展能否成为有效的公共卫生系统。没有它们，Red Queen Bio 仍只是对一个时间尚不确定的风险所作出的资金充裕的回应。

实际问题不再是 AI 是否属于生物防御。它已经属于。问题在于，Red Queen Bio 能否在时间真正紧迫之前，将更快的智能转化为安全的药物。