# CEO Radical Numerics Eric Nguyen: An ninh sinh học là cuộc chạy đua vũ trang AI

- Nguồn: Latent Space
- Thời gian phát hành: 2026-09-23 20:27 (giờ Việt Nam)
- Điểm AI: 46/100
- Link AIHOT.vn: https://aihot.vn/items/f6d74d1e5d00298c
- Nguồn dữ liệu AI HOT: https://aihot.news/items/cmue69s880oh2roghhqsjf5q8
- Link gốc: https://www.latent.space/p/bio-security-is-an-ai-arms-race-eric

## Tóm tắt AI

Trong cuộc phỏng vấn, CEO Eric Nguyen nhận định an ninh sinh học đang trở thành cuộc đua vũ trang AI, nơi các mô hình ngôn ngữ bộ gen đóng vai trò then chốt trong việc cân bằng giữa phát triển năng lực sinh học và khả năng phòng thủ.

## Thân bài

![🔬Bio-security is an AI Arms Race - Eric Nguyen (CEO, Radical Numerics)](https://substackcdn.com/image/fetch/$s_!sMML!,w_1200,h_600,c_fill,f_jpg,q_auto:good,fl_progressive:steep,g_auto/https%3A%2F%2Fsubstack-video.s3.amazonaws.com%2Fvideo_upload%2Fpost%2F216723291%2Fc5daecec-8262-4632-b94a-ac5fcbb74077%2Ftranscoded-1790120123.png)

Cuộc tấn công từ OpenAI nhắm vào Hugging Face khiến mọi người đặt câu hỏi “chúng ta còn cần phải lo lắng về điều gì nữa?” và các bộ lọc của Anthropic đã cảnh báo hai vấn đề: an ninh mạng và sinh học. Câu hỏi tự nhiên được đặt ra là: vậy còn an ninh sinh học thì sao?

Clem Delangue lập luận rằng các năng lực phòng thủ an ninh mạng cần phải mở và bắt kịp với năng lực tấn công của các mô hình tiên phong.

![X avatar for @ClementDelangue](https://substackcdn.com/image/fetch/$s_!2q_D!,w_40,h_40,c_fill,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fpbs.substack.com%2Fprofile_images%2F1100512198139498497%2FutHSJ4st.png)

clem 🤗@ClementDelangue

Rất tự hào về đội ngũ bảo mật của chúng tôi! Họ đã phát hiện, ngăn chặn và công khai một cuộc tấn công chưa từng thấy trước đây, và thực hiện điều đó với tốc độ kỷ lục. Đồng thời vô cùng biết ơn @Zai_org: họ đã chia sẻ GLM5.2 dưới dạng trọng số mở (miễn phí!) cho thế giới và nó đã trở thành một phần quan trọng trong…

![X avatar for @XciD_](https://substackcdn.com/image/fetch/$s_!d1Xz!,w_20,h_20,c_fill,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fpbs.substack.com%2Fprofile_images%2F1945829182715432960%2FBolQx8R0.jpg)

Adrien Carreira @XciD_

IR (ứng phó sự cố) khó khăn nhất trong sự nghiệp của tôi: một mục tiêu hẹp, vô số con đường song song, tốc độ máy. Một bài học rút ra, chúng tôi đã phản công bằng các mô hình mở, một cách công khai. An ninh AI sẽ không được giải quyết bởi một công ty trong bí mật. Mã nguồn mở đặt những công cụ này vào tay mọi người phòng thủ.

12:54 CH · 22 tháng 7, 2026 · 505K Lượt xem

177 Phản hồi · 683 Lượt đăng lại · 4.88K Lượt thích

Đồng sáng lập Radical Numerics, Eric Nguyen, đã ngồi lại với chúng tôi và giải thích lý do tại sao chính những mô hình làm tăng năng lực sinh học cũng có thể ngăn chặn việc phòng thủ bị tụt hậu.

Khi còn ở Stanford, Eric đã không thể tạo được bước tiến nào với các Mô hình Ngôn ngữ Bộ gen (GLM) trong một thời gian dài. Các nhà sinh học không tin rằng nó sẽ hiệu quả, không nghĩ rằng họ có thể xác minh kết quả đầu ra và không thấy được các ứng dụng quan trọng ngoài những gì họ đã có thể làm. Anh ấy vẫn tiếp tục thúc đẩy, cuối cùng giúp dẫn dắt quá trình phát triển Evo và đóng góp vào Evo 2 tại Arc Institute. Những mô hình đó sau đó đã được một nhóm Arc/Stanford khác sử dụng để [tạo ra toàn bộ bộ gen của thực khuẩn thể được tổng hợp thành các loại virus có chức năng](https://www.biorxiv.org/content/10.1101/2025.09.12.675911v1)!

![](https://substackcdn.com/image/fetch/$s_!_dqm!,w_1456,c_limit,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F051507bc-ebaf-43e9-9b9c-0037b1ee45e9_1392x700.png)

ChatGPT thời kỳ đầu tạo ra thơ và email, còn các mô hình ngôn ngữ DNA thời kỳ đầu như Evo và Evo-2 có thể xây dựng một bộ gen từ con số không. Tuy nhiên, DNA khác với ngôn ngữ tự nhiên ở chỗ nó có bảng chữ cái rất nhỏ (4 ký tự ACTG) và các trình tự của nó rất dài:

- 60K cho một gen người trung bình
- độ dài lên tới 2.3M
- toàn bộ bộ gen người khoảng 3B.

[Đổi mới trong các mô hình ngữ cảnh dài](https://github.com/togethercomputer/stripedhyena) đã biến điều này thành hiện thực khoảng 3 năm trước (chú thích: striped hyena), rất lâu trước khi các phòng thí nghiệm tiên phong xây dựng các mô hình ngữ cảnh 1M+.

Giờ đây, Eric và những nhân vật lỗi lạc khác trong lĩnh vực AI x Bio đã thành lập Radical Numerics để xây dựng và mở rộng quy mô các GLM nhằm giải quyết hàng loạt vấn đề sinh học, mở rộng vượt xa việc tạo ra DNA.

Các GLM của họ đã hoạt động khá tốt với RNA và protein vì có các dấu hiệu rõ ràng trong trình tự DNA cho các gen (các trình tự RNA thực hiện nhiều chức năng) và các gen cụ thể mã hóa protein. Điều này có nghĩa là các mô hình đã khái quát hóa sang nhiều “ngôn ngữ” khác nhau, ngay cả trước khi cố gắng đào tạo trong các phương thức khác, chẳng hạn như cấu trúc protein 3D, biểu sinh học và ngôn ngữ tự nhiên.

Nếu một mô hình tư duy bằng ngôn ngữ DNA, có lẽ nó cũng hiểu được dấu ấn mà môi trường để lại trên các bộ gen khác nhau? Có lẽ mô hình đã học được mối quan hệ chức năng giữa các trình tự khác nhau và có thể ngoại suy ra các trình tự mới dựa trên đó?

> Và vì vậy, điều chúng tôi muốn giới thiệu là nếu chúng tôi cho mô hình thấy các RNA ngày càng tốt hơn theo một chuỗi các bước cùng với điểm số của nó, đúng không? Vì vậy, bạn có điểm số thấp trước rồi dần dần di chuyển lên chuỗi. Liệu mô hình có thể tự tiếp tục quỹ đạo đó không? Và sau đó ở bước cuối cùng, nó có tự tối ưu hóa đến mức đạt được điểm số tốt nhất có thể không? Đó là thí nghiệm. Chúng ta có thể làm điều đó không? Và vì vậy chúng tôi đã lấy một tập dữ liệu, một tập dữ liệu lớn về aptamer. Chúng tôi giữ lại một phần những cái hoạt động tốt nhất và chỉ cho nó thấy những cái thấp hơn, nhưng sau đó chúng tôi xếp hạng nó, đúng không? Vì vậy, chúng tôi giới thiệu các điểm số thấp hơn với các RNA aptamer và sau đó dần dần cao hơn, rồi yêu cầu mô hình chỉ cần tiếp tục với mô hình đó. Và hóa ra nó đã có thể tái hiện lại một số điểm số cao hơn mà chúng tôi chưa cho nó thấy.

Và thế là, voila: chuỗi suy nghĩ (chain-of-thought), tư duy bằng DNA!

Nhưng cũng giống như suy luận ngữ cảnh dài, chuỗi suy nghĩ và nhận thức đa phương thức đã mở khóa khả năng lập luận tinh vi trong các LLM ngôn ngữ tự nhiên, những khả năng này trong các GLM đang cho phép tạo ra “trí tuệ sinh học” ngày càng tinh vi, và cùng với đó là mối nguy hiểm lớn hơn.

Theo Eric, phe phòng thủ hiện đang thua trong cuộc chiến này, nhưng Radical Numerics lập luận rằng cần phải thúc đẩy biên giới mạnh mẽ hơn nữa!

Tôi sẽ không tiết lộ chi tiết cho bạn. Trong tập này, chúng ta thảo luận chi tiết về:

- An ninh sinh học như một cuộc chạy đua vũ trang — và cách phe phòng thủ có thể bắt kịp
- Bộ gen như dấu ấn của môi trường trên DNA
- Tiến tới thực sự đa phương thức
- Cách chuỗi suy nghĩ hoạt động khi bạn “tư duy” bằng ngôn ngữ của DNA

Eric Nguyen: Đồng sáng lập và CEO, có bằng Tiến sĩ về Kỹ thuật sinh học & AI từ Đại học Stanford. Anh trước đây đã giúp phát triển các mô hình ngôn ngữ bộ gen quy mô lớn như Evo và Evo 2. Michael Poli: Giám đốc Khoa học AI, có bằng Tiến sĩ Stanford và là cựu nhà khoa học sáng lập tại Liquid AI. Stefano Massaroli: Chủ tịch, cựu nghiên cứu sinh sau tiến sĩ với Yoshua Bengio và là thành viên nhóm sáng lập tại Liquid AI. Armin W. Thomas: CTO, cựu nghiên cứu sinh sau tiến sĩ tại Stanford, người từng làm việc với Chris Ré và trước đây làm việc tại Liquid AI.