Opublikowana na arXiv analiza (arXiv:2609.16213v1) zbiera wiedzę o skomplikowanej relacji między postępem AI a zagrożeniami biosecurity w coraz bardziej połączonym cyfrowo-fizycznym przepływie badań biologicznych. Wszechstronne modele językowe mogą zbierać informacje naukowe i wspierać planowanie eksperymentów, podczas gdy wyspecjalizowane modele biologiczne uczą się przewidywać, optymalizować i generować białka oraz sekwencje genomowe na skalę całego genomu. Systemy agentowe koordynują wieloetapowe zadania badawcze, a zautomatyzowane laboratorium mogą zamykać pętlę projektowania, budowy, testowania i uczenia.
Część kluczowa badań wskazuje jednak, że rzeczywiste zagrożenie biosecurity nie zależy tylko od możliwości AI, ale również od tego, kto system wykorzystuje, jaki ma poziom wiedzy i intencje, dostęp do sprzętu laboratoryjnego oraz jakie zabezpieczenia są wdrożone. Badania laboratoryjne wykazują, że modele AI mogą przekraczać wydajność eksperta w zadaniach in-silico i unikaniu systemu screening, ale tacit knowledge i bariery fizycznej wykonalności pozostają poważną przeszkodą. To oznacza, że cyfrowe wsparcie AI do bioprojeктowania jest obecnie bardziej zaawansowane niż możliwość faktycznego wykonania zagrożonych operacji bez dostępu do narzędzi i materiałów.
Analizie podlegają wszystkie etapy potencjalnego zagrożenia - od gromadzenia informacji biologicznych przez cyfrowe projektowanie, prokurację materiałów, syntezę, testowanie, skalowanie aż do potencjalnego uwolnienia. Autorzy zwracają uwagę, że techniki alignment opracowane dla ogólnych modeli AI słabo przenoszą się na modele biologiczne, stanowiąc nowy problem dla bezpieczeństwa. Artykuł postuluje wielowarstwową obronę (defense-in-depth) łączącą kontrolę dostępu, monitorowanie, edukację i regulacje.