当硅谷的资本洪流还在追逐大语言模型和自动驾驶时,一笔5亿美元的巨款,悄然投向了人类身体里最微观的宇宙。近日,陈-扎克伯格生物中心(Biohub)宣布,将在未来五年内投资5亿美元,用于构建人类细胞的人工智能模型。这不仅仅是一笔科研经费的拨付,更是一场关于生命科学底层逻辑的范式革命。它试图回答一个终极问题:我们能否在数字世界里,完整地“复刻”一个活着的细胞?
### 一、从“显微镜”到“计算机”:一场科研工具的革命
传统生物医学研究,本质上是一场“盲人摸象”。科学家们依赖于显微镜、培养皿和动物模型,像拼图一样缓慢地揭示生命的奥秘。一个药物靶点的发现,平均需要耗费十年和数十亿美元。为什么?因为人类细胞太复杂了。一个细胞内部,有超过2万个编码基因,数十万种蛋白质,以及无数动态变化的代谢通路。它们之间的相互作用,构成了一个远超任何现代工程系统的复杂网络。
Biohub的野心,在于用AI模型彻底改变这种“实验驱动”的科研模式。他们要打造的不是一个简单的数据库,而是一个具有预测能力的“数字细胞”——一个能够在计算机里模拟细胞生长、分裂、衰老、癌变全过程的虚拟生命体。你可以把它想象成生物学的“天气预报”:当你在模型里输入某个基因突变,它就能在几秒钟内预测出细胞内部可能发生的连锁反应,而不是让科学家在实验室里花上几个月去验证。
这就像从手工绘图时代直接跃迁到AI辅助设计时代。过去,我们是在用“锤子”和“凿子”雕刻生命;现在,我们试图用“3D打印机”和“数字孪生”来直接构建生命。
### 二、5亿美元赌什么?赌一个“可计算”的生命
这5亿美元的投资,绝非简单的“买算力”或“堆数据”。它赌的是三个核心突破:
**第一,赌“多模态数据”的整合能力。** 细胞不是一个平面图像。它包含基因组、转录组、蛋白质组、代谢组、表观遗传组等海量信息。以往的AI模型,往往只针对单一数据源(比如只分析基因序列)。而Biohub要构建的模型,必须像人脑一样,能同时理解DNA的“蓝图”、RNA的“指令”和蛋白质的“执行结果”。这需要前所未有的数据融合技术。
**第二,赌“因果推断”而非“相关性”。** 现有的很多生物信息学AI,本质上是一个“记忆大师”,它能告诉你“A基因和B疾病相关”,却无法解释“为什么”。而一个真正有用的细胞模型,必须理解因果关系:如果你抑制某个蛋白,细胞会走向凋亡还是癌变?这种因果推断能力,才是药物研发的核心。它要求模型具备类似“物理模拟”的底层逻辑,而不是简单的模式匹配。
**第三,赌“动态模拟”的可行性。** 细胞是活的,它不是一个静态的零件。它在时间轴上不断变化:从干细胞分化为神经元,从正常细胞突变为肿瘤。Biohub的模型必须能捕捉这种时间维度的动态过程。这意味着,模型不仅要学会“拍照”,更要学会“拍电影”。
如果这三件事能做成,人类将第一次拥有一个“可计算”的生命系统。届时,新药研发将不再依赖大规模的动物实验和临床试验,而是先在数字细胞里进行万亿次模拟,筛选出最有希望的候选分子。
### 三、伦理与泡沫:数字细胞背后的隐忧
然而,任何颠覆性技术都伴随着巨大的争议。当“陈-扎克伯格”这个名字与“人类细胞AI模型”绑定在一起时,公众的警惕几乎是本能的。
**第一个隐忧是“数据霸权”。** 构建如此庞大的模型,需要海量的、高质量的人类细胞数据。这些数据从哪里来?谁拥有这些数据的最终解释权?如果模型最终被少数科技巨头垄断,会不会形成一种新型的“生命知识垄断”?届时,一个公司可能比你更了解你身体里每一个细胞的潜在风险。
**第二个隐忧是“过度简化”。** 生命是混沌的、涌现的、充满随机性的。即便最强大的AI模型,也可能只是对真实细胞的拙劣模仿。如果科研界过度依赖模型预测,而忽视了实验验证,会不会导致大量“纸上谈兵”的无效研究?要知道,模型可能会完美地“拟合”现有数据,却对未知的生物学现象毫无办法。
**第三个隐忧是“伦理边界”。** 当你能精确模拟一个细胞,下一步就是模拟一个组织、一个器官,甚至一个“虚拟人”。这种能力一旦被滥用,是否会触及“扮演上帝”的伦理红线?我们是否应该为数字细胞赋予某种“权利”?这些都不是科幻小说,而是未来十年内可能面临的现实拷问。
### 四、结语:我们正在见证一个“生命科学”的ChatGPT时刻
回顾历史,每一次重大科学突破,都伴随着新工具的诞生。伽利略的望远镜打开了天文学的大门,列文虎克的显微镜揭开了微生物的世界。而今天,AI大模型正在成为生命科学的新“望远镜”。
Biohub的这5亿美元,或许就是那个“扳机”。它可能失败,可能陷入伦理泥潭,但它所指向的方向,无疑是令人心潮澎湃的:一个人类可以自由编辑、模拟、甚至“设计”生命的时代,正在加速到来。
对于普通读者而言,这不仅仅是一则科技新闻,更是一个提醒:在不久的将来,你体检报告上的数据,可能不再是冰冷的指标,而是可以输入到AI模型里,生成一份关于你未来十年健康轨迹的“天气预报”。你准备好了吗?
**你认为,人类应该“完全数字化”自己的细胞吗?欢迎在评论区分享你的看法。如果这篇文章让你对生命科学有了新的思考,别忘了点个“在看”,转发给更多关心未来的朋友。**
CVSS 9.9分!GitLab AI网关爆出致命漏洞,你的代码仓库可能正在”裸奔”
一个评分高达9.9的漏洞,足以让全球运维和安全团队彻夜难眠。这一次,轮到了GitLab。
2026年,当AI能力已经成为DevOps工具链的标配,GitLab的AI网关却被曝出CVE-2026-90970这一严重缺陷。CVSS评分9.9,距离满分仅差0.1——在安全领域,这意味着”接近理论极限的严重性”。攻击者无需复杂条件,即可通过AI网关这一看似”智能”的入口,撬开整个代码仓库的大门。
问题的本质,远比一个补丁复杂得多。
**AI网关:DevOps的”新边疆”,也是”新软肋”**
GitLab AI网关是什么?简而言之,它是GitLab将大模型能力嵌入研发流程的”神经中枢”。代码补全、智能审查、自动生成提交信息、漏洞建议修复——这些让开发者拍手叫好的功能,都依赖AI网关在后台调度模型、处理请求、返回结果。
但问题恰恰出在这里。为了完成”智能”任务,AI网关必须拥有极高的权限:读取代码内容、访问项目元数据、调用内部API、甚至代表用户执行操作。它就像一把万能钥匙,被挂在了GitLab这栋大楼最显眼的门把手上。
CVE-2026-90970的致命之处在于:攻击者可以通过精心构造的请求,绕过AI网关的权限校验机制,直接以高权限身份读取私有仓库代码、窃取CI/CD密钥、甚至注入恶意代码到流水线中。CVSS 9.9的评分,意味着利用门槛极低、影响范围极广、后果极其严重。
**为什么AI组件的漏洞总是”特别致命”?**
这不是GitLab第一次因AI组件登上安全头条,也不会是最后一次。从2024年到2026年,全球主流DevOps平台——GitHub、GitLab、Jenkins、Azure DevOps——无一例外地在AI集成模块上栽过跟头。
根本原因有三。
第一,AI组件的”权限膨胀”是结构性的。传统API网关的权限边界清晰,一个查询接口只能查数据,一个写入接口只能写数据。但AI网关不同:它需要”理解”上下文,就必须访问上下文;它需要”生成”建议,就必须拥有建议所涉及的资源权限。这种”为了智能而让渡权限”的设计范式,天然埋下了越权隐患。
第二,AI组件的输入面极其宽广。自然语言、代码片段、文件路径、模型参数——任何一个输入点都可能成为注入攻击的入口。攻击者不需要找到传统的SQL注入或缓冲区溢出,只需要在提示词中嵌入恶意指令,就可能让AI网关”心甘情愿”地交出敏感数据。
第三,安全测试跟不上AI迭代的速度。传统安全工具擅长扫描已知模式的漏洞,但AI网关的行为逻辑是概率性的、上下文相关的。同一个请求,在不同项目、不同模型版本、不同上下文下,可能产生完全不同的结果。这让自动化安全测试几乎束手无策。
**从CVE-2026-90970看DevOps安全的范式转移**
这个漏洞的真正价值,不在于它本身有多严重,而在于它揭示了一个不可逆转的趋势:DevOps平台的安全边界,正在从”代码”转移到”AI”。
过去,我们保护代码仓库,核心是管好Git协议、SSH密钥、访问令牌。后来,我们保护CI/CD,核心是管好流水线权限、环境变量、制品仓库。现在,我们保护AI网关,核心是什么?是提示词过滤?是模型输出审查?是权限最小化?还是行为审计?
答案可能是:以上全部,但远远不够。
真正需要的,是一种”零信任AI”的架构思维。具体而言:
其一,AI网关必须运行在独立的、隔离的权限域中。它不应该直接持有用户的长期凭证,而应该通过短期令牌、动态授权的方式,在每次请求时重新校验权限。
其二,所有AI网关的输入输出必须经过严格的内容安全策略。不是简单的关键词过滤,而是基于语义的意图识别——判断这个请求是否在试图诱导AI执行越权操作。
其三,AI网关的行为必须可审计、可回滚。每一次代码读取、每一次API调用、每一次模型推理,都要留下不可篡改的日志。一旦发现异常,能够快速定位、快速阻断、快速恢复。
其四,也是最根本的:不要把AI网关当作”更聪明的API”,而要把它当作”拥有超级权限的新用户”。对待新用户,我们从来不会一上来就给root权限。
**修复之外:每个团队都应该问自己的三个问题**
GitLab已经发布了补丁,升级到最新版本即可修复CVE-2026-90970。但补丁只能解决这一个漏洞,解决不了系统性的风险。
每一个使用AI增强型DevOps平台的团队,都应该立即问自己三个问题:
第一,我们的AI网关拥有哪些权限?这些权限是否经过了严格的必要性审查?是否存在”为了省事”而授予的过度权限?
第二,如果AI网关被攻破,攻击者能接触到什么?是只有公开代码,还是包括私有仓库、生产密钥、客户数据?最坏情况下的影响范围有多大?
第三,我们有没有能力检测和响应AI网关的异常行为?当AI网关在凌晨三点突然大量读取私有仓库时,有没有告警?有没有阻断?有没有溯源?
这三个问题,比任何补丁都更重要。
**结语:AI越智能,安全越不能”偷懒”**
CVE-2026-90970是一个警钟,但它不是第一个,也不会是最后一个。当我们将越来越多的权限交给AI,我们就必须用更严苛的标准去审视AI的每一个接口、每一次调用、每一行代码。
安全从来不是AI的对立面,而是AI能够被信任的前提。一个CVSS 9.9的漏洞,足以让整个行业重新思考:我们到底应该给AI多少信任,以及,我们准备好为这份信任付出多少安全成本了吗?
你的团队,是否已经检查了GitLab AI网关的权限配置?欢迎在评论区分享你的安全实践或困惑。如果觉得这篇文章有价值,请点个”在看”,让更多运维和安全同行看到。





