生物安全
生物安全方向支持先进 AI 与灾难性生物风险交叉领域的研究。我们设立这一方向，是因为风险格局已经发生变化：生物基础模型、越来越能提升湿实验能力的 LLM，以及 AI 加速的设计工具，正在大幅缩短相关能力成熟的时间，而现有的生物安全体系尚未准备好应对这些变化。我们希望学员开展扎实的技术研究，并有望在未来 6 至 12 个月内切实改变风险走向。
- 阶段一：完成通用申请，并回答研究方向相关的简答题
- 阶段二：需要实证机器学习技能的研究流将安排统一的机器学习能力测试；其他要求特定背景的研究流将直接进入研究流选择问答
- 阶段三：面试和工作测试
本方向涵盖六个研究领域。我们会根据契合度为学员匹配导师，并规划项目，让学员在项目结束前产出具体成果，例如论文、评估、原型或政策分析。
- 检测
构建宏基因组监测流程，以发现可能引发大流行的病原体；开发用于检测新颖性变异的基因组语言模型；并提升监测体系前端的有效信号与噪声比。 - 医疗对策
在大流行应对的现实约束下，利用 AI 加速发现抗病毒肽；同时分析制造和供应链瓶颈，因为这些因素决定候选方案能否真正用于患者。 - 用 AI 筛查合成序列
结合机制可解释性和生物基础模型上的机器学习，按功能筛查 DNA 序列（例如训练分类器识别危险序列），也包括经过工程改造或由 AI 设计、意图绕过基于同源性的筛查的变体。 - 实体生物防御
设计应急生物防御基础设施，例如个人防护装备、过滤、远紫外线 C（far-UVC）、去污措施，以及应对最坏情况的临时防护系统。这类成果通常是实体或接近实体的方案。 - 战略与威胁建模
针对 AI 与生物安全开展政策和预测研究，包括评估政策杠杆、预测 AI 何时会让特定进攻或防御能力变得容易掌握，以及分析如何通过实体瓶颈实现威慑（例如合成筛查治理、云实验室访问控制）。 - 实证 AI × 生物安全：防御 AI 风险
对生物 AI 模型进行红队测试，识别危险能力；构建技术防御措施（例如基因工程溯源、数据治理）；并开发用于评估前沿 AI 生物能力的危险能力评估方法。
我们希望学员认真考虑信息危害，并遵守发表与披露规范。项目初期，导师会与学员共同梳理这些要求。优秀申请者可能来自多种背景，包括生物学、AI 安全、公共卫生、流行病学、机器学习、工程、化学、生物安全、国家安全等。如果不确定自己的背景是否合适，也欢迎申请，并说明你如何理解相关威胁模型。相比资历，我们更看重你的推理过程。
In my stream, I focus on empirically measuring how frontier AI changes human capabilities in biology and the implications of it for biological risk. I’m particularly interested in real-world evaluations, understanding what drives AI-enabled uplift, and developing simulations or other proxies that can be validated against physical experiments and used to rapidly assess new models.
本项目主要研究针对人工改造病原体的实体防御措施，为个人防护装备（PPE）的储备与分发、临时防护装备和生物防护空间的规模化应用提供依据，并帮助尽快判断农业、应急响应等其他实体生物防御方向应投入多少资源。我们也欢迎研究 AI 或 AI 与人类协同使用生物武器作为接管策略的可能性，以及这些风险对防范工作的启示。
本研究流关注先进 AI 可能促成的新型高风险生物技术，并研究随着相关能力出现，何时能有效应对风险、何时风险会变得紧迫。
Fourth Eon Biosecurity 正在构建覆盖生物工程全链条的自适应 AI 原生防护措施，重点关注基于功能的 DNA 合成筛查。本项目的学员将开展 AI 安全与生物安全交叉领域的技术研究，进一步完善筛查方法，并将检测能力从已知威胁特征推广至更广范围。研究方向包括生物基础模型的机制可解释性、生物安全相关能力评估，以及智能体驱动的序列分析流程。
这个研究方向评估和/或缓解前沿 AI 系统危险科学能力可能带来的灾难性风险，尤其关注实验室集成和新兴科学带来的挑战。潜在研究方向包括评估方法设计、风险缓解和评估科学。
即使技术持续进步，疗法也可能始终比病原体更具优势。在生物风险情景下，如何让疗法研发与生产更具韧性？又该如何最大限度地利用 AI 进展来加强防御？