RezeのBlog
← 返回文章列表

DNA硬盘

2025.04.08技术22587 字视频 8 · 参考 28

有一个数字被反复引用:一克 DNA 能装下四百五十五艾字节。全世界一年的数据,理论上几克就够。

这个数字是对的,也是错的。对在它确实出自信息论的下限计算,错在它假设每个碱基刚好装两比特、没有任何冗余、也没有地址和引物。真实做出来的东西,比这个数字低七八个数量级。

先把账算一遍。一个脱氧核苷酸的分子量大约三百三十道尔顿,一克单链 DNA 差不多是 1.8×10²¹ 个碱基;四个字母刚好两比特,乘上去是 3.6×10²¹ 比特,也就是四百五十多艾字节。数字对得上,一分不差。

问题是这三个条件一个都不成立。数据要能纠错,就要冗余;要能随机访问,就要地址;要能扩增,就要引物。每一项都在这个上限上啃一口。

所以这篇文章想算三笔账:密度、寿命、速度。第一笔 DNA 赢得毫无悬念,第二笔赢得勉强,第三笔输得很难看。三笔算完,结论可能和宣传相反。

一克的账

把这三种口径摆在一起,差距就出来了。理论值用的是单链、两比特、零开销;实测值来自二〇二五年那卷 DNA 磁带,每公里二十八点六毫克 DNA,装七十四点七吉字节。

理论上限(单链) 假设:每核苷酸 2 比特,无冗余、无地址,一克容量:455 EB;理论值(双链) 假设:每碱基对 2 比特,无冗余,一克容量:231 EB;实测编码效率 假设:1.57 比特/核苷酸(2017 年喷泉码),一克容量:182 EB;加上地址、引物、十倍覆盖 假设:纠错开销按一个数量级估,一克容量:10 EB 上下。

2025 年 DNA 磁带实测 假设:74.7 GB/km,28.6 mg/km,一克容量:2.6 TB。

从四百五十五艾字节到二点六太字节,中间差了一亿七千万倍。这不是谁算错了。它们是两个不同的东西:上面三行是「物质最多能承载多少信息」,下面两行是「人目前能把它写进去多少」。

这个落差才是理解 DNA 存储的关键。它的物理优势早就存在,四十亿年里一直存在;工程的追赶才刚刚开始。

再看一个更直观的跨度。二〇一二年哈佛那篇论文,一克 DNA 存 1.28 拍字节;五年后哥伦比亚的喷泉码做到 215 拍字节。五年一百六十八倍,比摩尔定律快得多。基数小的时候,这种曲线很好看,也容易让人误判。

还有一个常被忽略的换算:信息量不等于数据量。一个人的基因组是三十一亿个碱基对,按两比特算,理论上是八百兆字节;重量是三点五皮克。但你从测序仪里拿到的原始文件是几百吉字节,因为每条链要被读几十遍。

DNA 存的是信息,硬盘存的是数据。中间隔着一层覆盖度和冗余,这层东西的重量,比 DNA 本身大五个数量级。

把全世界的数据换算成质量,会得到一个荒谬的结果。二〇二五年全球产生约一百八十一泽字节,按每个碱基对一点五七比特算,需要约 7×10²³ 个碱基对,质量大约一公斤。算上封装、冗余、索引,几十公斤。

一个行李箱装下全人类一年的数据。这个画面很有说服力,也是所有科普文章爱用的开头。但它漏掉了后半句:这个行李箱,目前要写一万八千年。

零点三四纳米

DNA 两条链之间,每个碱基对升高零点三四纳米;整条双螺旋的直径是两纳米。这个尺度不需要类比,它本身就是原子间距的量级。

现在的先进制程是三纳米,业内都知道这个「三纳米」是营销名词,真实栅极长度比它大,而且已经撞上隧穿漏电。要把一个比特稳定地放在几个原子的范围内,靠光刻已经很难再往下走。

DNA 用的是另一条路:不雕刻,让分子自己长。每一步化学反应接上一个碱基,位置由化学键决定,不需要对准,也不需要光。这是自下而上的制造,精度由键长保证,误差在零点零几纳米。

按这个间距估,一立方纳米能放将近两个比特;换算成一立方厘米,是两百多艾字节。这个数字比任何固态介质高六到八个数量级,而且不靠堆层数,靠的是分子本身的尺寸。

电荷会漏,共价键不会

这一条比密度更值钱,但很少有人讲清楚。

固态硬盘存的是电荷。浮栅里关着一批电子,有电荷是 0,没电荷是 1。问题是电子会隧穿、会复合、会被热激发跑掉。消费级固态盘断电放在三十度环境里,数据保持期是一年;企业级盘为了性能和寿命做了取舍,这个数字更短。所以固态盘不适合当档案,这跟厂商保守与否无关,是物理。

机械硬盘存的是磁化方向。磁畴在室温下也会慢慢退磁,尤其是高密度的小晶粒。行业给的保存期是三到五年,超过这个时间,盘还能转,数据已经开始不可靠。

动态内存更直接:电容里的电荷几毫秒就漏光,所以每隔几十毫秒要刷新一次。断电即失,这是设计的一部分。

DNA 存的是共价键。磷酸二酯键把核苷酸连成一条链,这是一条能量很低的、稳定的化学键。它不需要刷新,不需要通电,不需要恒温。信息躺在热力学的谷底,没有往外跑的驱动力。

断电不丢这件事,本质上落在「不需要电」,不在「省电」。这两件事在工程上差一个量级:省电还是要供电,不需要电可以把介质放进一个没有电的库房,放一百年。

半衰期五百二十一年

二〇一二年,哥本哈根大学的阿伦托夫特和默多克大学的邦斯做了一件很朴素的事:找了一批新西兰恐鸟的腿骨,一百五十八根,年代从六百年到八千年,出土地点彼此相距不超过五公里,埋藏温度都是十三点一八摄氏度。

条件几乎一样,只有年代不同,于是可以拟合一条曲线。结果是:DNA 的半衰期五百二十一年。每过五百二十一年,骨架里的化学键断掉一半;再过五百二十一年,剩下的一半再断一半。

按这个速率外推,在零下五度的理想环境里,六百八十万年后所有键都会断;而在这之前,大约一百五十万年后,链就已经碎得读不出任何有意义的信息。

这个结论有两面。一面是给恐龙判了死刑:六千五百万年,比上限还差一个数量级,琥珀里的蚊子救不了它。另一面是给了存储一个尺度:五百年的半衰期,比任何磁带、任何硬盘、任何光盘都长一个数量级以上。

而且这是「埋在土里、泡着地下水、被微生物啃」的条件。把 DNA 抽出来、干燥、隔绝水和氧、装进胶囊,寿命会拉长很多。后面那些三百年、两千年的数字,都是在这个基础上做出来的。

两百万年前的那一段

二〇二二年十二月,一个四十人的团队在《自然》上发了一篇论文,把最古老 DNA 的纪录往前推了一百万年。样本来自格陵兰北端 Kap København 组的沉积物,年龄约两百万年。

他们从五个地点取了四十一份富含有机质的样本,测了大约一百七十亿条 DNA 片段,拼出一百零二个植物属,还有乳齿象、驯鹿、野兔、鹅。那是一个今天不存在的生态系统:北极和温带的物种混在一起,气温比现在高十一到十七度。

为什么能存这么久。答案不在运气,在矿物。DNA 带负电,黏土和石英表面也带电,片段被静电吸附在矿物颗粒上,形成一层物理屏障,酶进不来,水也进不来。

对存储的启示很直接:包裹比冷冻更实用。冷冻要持续供电,一断电就前功尽弃;包裹是化学的,做一次就完了。后面那些用金属有机框架、用二氧化硅包 DNA 的方案,走的都是这条路。

三百四十五年与两万年

二〇二五年南科大那卷 DNA 磁带,用锌离子和 2-甲基咪唑在 DNA 外面长了一层 ZIF,也就是沸石咪唑酯骨架。这层东西能把 DNA 封在里面,需要读的时候用试剂溶掉,几秒钟就开。

他们做加速老化:七十度、高湿、六周。没包层的样本失败了,包了的还能读。按阿伦尼乌斯关系外推到二十度,是三百四十五年;放到长白山那种常年低温的环境,是两万年。

天津大学那组敦煌壁画走的是另一条路:什么保护都不加,直接把 DNA 放在水溶液里,七十度烤十周。结果八成以上的片段都断了,靠一套基于德布莱伊图的拼接算法,仍然能准确解码百分之九十六点四,再用喷泉码补上丢掉的那一点,十幅壁画完整恢复。

他们给的外推是:二十五度一千年,九点四度两万年。两组实验、两种方法、两个团队,量级对得上。这说明「几百年到几千年」背后有实验支撑。

复制不要钱

磁带复制,要读出来再写回去,一盘一盘地过。硬盘复制,要挂在机器上,占用带宽。DNA 复制,把试管放进 PCR 仪,升降温三十次,一份变十亿份。

三十个循环是二的三十次方,十亿倍。高保真聚合酶的错误率是百万分之一量级,而且每复制一代都可以筛一遍。这意味着 DNA 的备份成本几乎只剩试剂钱,不需要读盘、不需要写盘。

这条性质别的介质都没有。它是生物学的赠品:生命本来就要复制 DNA,这套机器已经优化了四十亿年。

格式不会老

这一条我认为被低估了。软盘死掉,原因不在磁粉失效:没有软驱了。ZIP 盘、磁光盘、Betamax 录像带,都是同一个死法:介质还在,机器没了。

光盘的问题更微妙。影视飓风那期讲「家里的旧光盘为什么播不出来了」,评论区一堆人以为是盘坏了,其实是三件事叠在一起:有机染料层真的会降解,聚碳酸酯会吸潮变形,以及光驱在从新电脑上消失。

DNA 没有这个问题。读它只需要一台测序仪。测序仪不是为存储做的专用设备,它是生命科学的通用工具,全世界有几万台在跑,每年还在增加。只要有生命科学,就有人能读 DNA。

但这句话要加一个限定,否则就成了宣传。测序仪也在换代:今天的短读长平台读不了三十年前的 Sanger 放射自显影胶片,明天的纳米孔平台也未必兼容今天的建库协议。

所谓「格式不老」,准确的版本是:DNA 这个介质不会因为产业消失而失传,但具体的读取协议仍然会过时。它比磁介质强一个层级,不是绝对免疫。

一步接一个碱基

现在的 DNA 合成,主流还是四十多年前发明的亚磷酰胺化学。四个碱基各自带着一个保护基,反应分四步循环:脱保护,露出活性的羟基;偶合,把下一个碱基接上去;加帽,把没反应上的位点封死,防止它后面乱接;氧化,把不稳定的亚磷酸三酯变成稳定的磷酸三酯。

这个循环的反应效率是百分之九十九到九十九点五。听起来很高,但它是乘法的。接两百个碱基,完整率是 0.995 的 199 次方,百分之三十七;如果效率掉到百分之九十九,是百分之十三点五。

这就是为什么寡核苷酸的长度卡在两百到三百个碱基。做不长有原因:每多接一个,就多乘一个小于一的数。这是一条由化学反应常数决定的工程边界,比任何设计规范都硬。

这个边界带来一个连锁后果:一条链装不下,就把数据切成很多条,每条两百个碱基左右,装一小段数据、一个地址、两端各一个引物位点。

喷泉码那篇论文的序列结构是这样的:两百个碱基里,一百二十八个装数据,十六个装伪随机种子,八个装 Reed-Solomon 校验,两端各二十四个接头。真正装数据的只有百分之六十四。密度就是在这里一点点漏掉的。

芯片把成本从每碱基变成每片

九十年代之后,合成的方式变了。不再一管一管地做,改在芯片上做微阵列:在一片硅片或玻璃上排几十万到上百万个微反应点,用光刻或者喷墨的方式逐点脱保护,一次循环同时给所有点接上同一个碱基。

这样做的结果是,成本从「每个碱基多少钱」变成「每片芯片多少钱」。一片芯片上百万条不同的序列,摊到每条上就很便宜。Twist 这类公司走的就是这条路。

代价是产物混在一起。你拿到的是一个池子,几十万条序列泡在同一管液体里,长度差不多,浓度差不多,谁也不知道哪条是哪条。这对存储其实正好:存储本来就需要大量不同的链,不需要分开。

所以芯片合成和 DNA 存储是一对天然的搭配。一个是并行写,一个是并行存,中间只隔着一个编码方案。

酶促合成

化学合成有两个绕不开的毛病:要用大量有机溶剂,废液处理成本高;反应步进慢,一条链要几十分钟到几小时。

酶促合成想换一条路:用末端脱氧核苷酸转移酶,也就是 TdT,在 DNA 末端一个一个加碱基。这个酶在细胞里就是干这个的,常温、水相、不需要强酸强碱。

优点是温和、废液少、理论上可以做得更便宜;缺点是错误率高、速度慢、酶本身贵。现在全行业都在攻这一关,因为成本不下来,别的都是空谈。

二〇二四年那篇表观比特的论文,摘要里有一句话写得很直白。

writing large-scale data directly into DNA sequences by de novo synthesis remains uneconomical in time and cost

《自然》,2024 年 10 月,表观比特论文摘要

翻译过来是:用从头合成的方式把大规模数据直接写进 DNA,在时间和成本上仍然不经济。这是学界自己的判断,不是外行的抱怨。

这句话值得记住。它说明这个领域最前沿的人,已经不指望靠优化化学合成来解决问题了,他们在找别的写法。

成本拆成四块

说「DNA 存储很贵」太笼统,拆开看才知道贵在哪。

第一块是合成。芯片合成按面积和循环次数摊,寡核苷酸池按碱基数计价,大规模订单的单价在每碱基万分之一美元的量级。一条两百碱基的链,材料成本是几分钱;一兆字节要三万四千条,接近一千美元。这一块现在占大头。

第二块是试剂与酶。聚合酶、连接酶、修饰酶,都是生物制品,价格由发酵和纯化工艺决定,不像半导体那样能靠规模摊薄。

第三块是测序。这一块反而最乐观:人类基因组从三十亿美元降到几百美元,二十年降了七个数量级,比摩尔定律快得多。读的一端已经不是瓶颈。

第四块是人工和自动化。现在的流程长、步骤多、对操作者要求高,一个熟练技术员一天处理不了多少样本。这部分成本在实验室里不显眼,在商业化里会变成主要成本。

这四块的比例决定降本路径。合成占七成以上,所以所有「酶促合成」「免合成印刷」的努力都在这;测序已经不是瓶颈,所以没人再为它投钱;人工占比高,所以自动化是必须走的一步。

反过来看,如果哪天合成降到每兆字节一美元,整个成本结构会翻转,变成测序和人工占主导。到那一天,DNA 存储的经济性讨论才算真正开始。

活字印刷

二〇二四年十月二十三日,《自然》上有一篇论文,思路完全不一样:不合成新 DNA,在现成的 DNA 上「印刷」。

具体做法借的是表观遗传学。细胞在不让基因序列变的情况下,靠甲基化来开关基因:在胞嘧啶上挂一个甲基,这个位置就算「标记过」。研究团队把这个标记当成比特,甲基化是 1,没甲基化是 0。

他们预制了一批通用模板,又做了一套「活字」:七百种短的单链 DNA,每种对应一个位置、一种标记。这些短链靠自组装找到模板上的对应位置,引导酶在那里做甲基化。想要什么图案,就排什么活字。

论文里的数字:七百种活字、五个模板、自动化平台,一共写了约二十七万五千比特,每次反应三百五十比特。存进去的东西包括一张汉代拓片(一万六千八百三十三比特)和一张熊猫照片(二十五万两千五百零四比特)。

他们还找了六十个没有实验室经验的志愿者来操作,都能写进去。这一点比数字更有意思:它说明这套流程的门槛已经降到了「按说明书操作」的程度。

为什么每次反应三百五十比特是件大事。从头合成的方式,每次反应大概写一个比特,因为一条链上只有一个位置在被选择。三百五十比特是三百五十倍。

这个差距的性质,和雕版印刷到活字印刷的差距是一样的:关键不在刻得更快,在不再每次重刻一整块版。

当然,这套方案有它自己的限制。甲基化会随着复制和存储慢慢丢失,长期稳定性还没有定论;七百种活字能表达的组合数有限,容量上不去;读出要靠纳米孔识别修饰,错误率比普通测序高。

但它打开了一条路:写的问题,可以从化学反应速度里解放出来,变成一个「排版」问题。这类转向在工程史上通常比优化参数更值钱。

把 DNA 做成磁带

还有一条路是改形态。二〇二五年《科学·进展》上,南科大蒋兴宇组做了一卷 DNA 磁带。

基底是聚酯和尼龙的复合膜,五毫米宽,十几米长,上面用疏水的黑色条和亲水的白色区印出 Code-128 条码。光学头扫条码定位,扫到目标分区,机械头压下去,滴一小滴试剂,把那个位置的 DNA 取出来。

每公里五十四万五千四百个可寻址分区,扫描速度每秒一千五百七十个分区。DNA 用化学手柄挂在膜上,写完再长一层 ZIF 包住。要删掉一个文件,把 ZIF 溶掉,DNA 冲走,同一个位置可以重新写。他们管这个叫 DMRM:沉积、多次读取、多次改写。

代价在速度。实验里恢复四张图、一共一百五十六点六千字节,花了两个半小时;优化并行之后估计能压到四十七分钟。

算一下:一百五十六点六千字节除以九千秒,是每秒十七个字节。这个数字后面还会用到,它是理解 DNA 存储处境的关键。

这卷磁带的意义不在参数,在形态。它把 DNA 存储从「一堆试管」变成了「一台机器能管理的介质」,接口向 LTO 磁带靠。这一点很重要:一项技术要进数据中心,先要长得像数据中心里的东西。

四进制

最直接的映射是这样:00 记作 A,01 记作 C,10 记作 G,11 记作 T。四个字母,每个刚好两比特,没有任何浪费。

但只要真的去合成,就会立刻撞上三堵墙。

第一堵是均聚物。连续四个以上的相同碱基,合成时容易脱轨,测序时聚合酶容易打滑,读出来的长度就不对了。第二堵是 GC 含量。GC 之间是三个氢键,AT 是两个,含量偏高的区域扩增效率高、测序偏好强,含量偏低的区域容易解链。第三堵是二级结构,某些序列会自己折成发卡,把引物位点挡住。

所以真实的编码要加约束:连续相同碱基不超过三个,GC 含量控制在百分之四十到六十,避免长回文,避免和引物产生交叉。每加一条约束,可用的序列就少一批,密度就掉一点。

还有一层更隐蔽的开销:地址。你要能在一片混合物里找到某个文件,就得给每条链加一个索引。索引本身不装数据,但占长度。喷泉码那套结构里,两百个碱基装一百二十八个数据,剩下的都是种子、校验、接头。

这就是「两比特每碱基」和「一点五七比特每核苷酸」之间的距离。剩下的零点四三,全是工程税。

字母表还能不能更大

字母表越大,每个符号能装的比特越多。四个字母是两比特,六个字母是二点五八比特,二十个字母是四点三二比特。要提密度,最直接的路是扩字母表。

二〇一九年,魏茨曼研究所的阿纳维做了一个漂亮的绕道:不增加碱基种类,改用「混合碱基」。某一位上按一比一混 A 和 C,测序时信号是一半一半,读出来记作一个新字母;同理混 G 和 T 再记一个。这样四个字母变成六个,每个符号二点五八比特,密度提升两成四。

代价在分辨。混合比例要靠测序信号的强度去猜,比例越接近,越容易猜错。这套方案在实验室能跑,在低覆盖度下会崩。

那为什么不用八个、十六个。因为合成只能做四种。亚磷酰胺化学循环一次接一个碱基,酶促合成也是一次加一个,能选的就那四个。想造第五种,得改整套化学,还要改测序仪的识别模型。

所以四进制是生物学给的条件,算不上设计选择。所有的效率提升只能在两个变量上做:每个字母装多少比特,以及开销占多少。前者被香农封顶在两比特,后者被纠错需求封底。中间那一小块,就是这个领域的全部工程空间。

一条链的构造

把一条用来存数据的寡核苷酸拆开看,结构是有讲究的。

最两端是接头,各二十个碱基左右。它们不装数据,作用是被测序平台认出来,以及给扩增提供引物位点。没有接头,这条链就是一段无法被机器读取的 DNA。

往里是一个地址区,二十个碱基,编码文件编号、块编号、这个文件一共多少块。地址不给机器寻道,只给解码程序排序和查漏。

中间是数据区,喷泉码那套方案里是一百二十八个碱基。再往外还有八位的 Reed-Solomon 校验。两百个碱基里,真正装用户数据的不到三分之二。

长度为什么卡在两百。三个约束的交点:合成效率随长度指数衰减,越长完整率越低;测序读长要能一次覆盖整条,否则要做拼接;扩增效率随长度下降,长链更难扩。三个都指向两百到三百。

一条链装多少?按一点五七比特每碱基算,一百二十八个碱基是两百零一比特,二十五字节。一兆字节的文件,大约需要三万四千条链。

再算上十倍覆盖,是三十四万条。这就是「一个文件」在物理上的样子:几十万条长度两百的分子,泡在一管液体里,彼此只差几十个字母。

内码和外码

DNA 存储的纠错,一般分两层,业内的叫法是内码和外码。

内码管一条链内部的事:合成时漏接了一个碱基,测序时读错了一个字母,这些错误局限在局部,用一小段校验位就能补回来。

外码管整条链的事:这条链彻底丢了,或者扩增时没扩出来,或者测序覆盖不到。这时候你看不到任何错误,只看到「少了一条」,这个叫擦除。擦除要用 Reed-Solomon 这类专门对付擦除的码。

两层分工的原因很实际:局部错误需要逐位比对,代价高;整条丢失只需要知道编号,代价低。混在一起做,效率会掉。

二〇一五年苏黎世联邦理工的格拉斯组做了一个漂亮的演示:把数据用「符号-密码子」的方式映射,外面套 Reed-Solomon,再把 DNA 用二氧化硅包起来。样本在室温下放了很久,还做了加速老化,数据照样能读出来。

这篇论文的意义是第一次把「长期保存」当成一个编码问题来处理,而不是当成一个材料问题。材料只能延缓降解,编码可以在降解之后把信息捞回来。

喷泉码

二〇一七年,哥伦比亚大学的埃利希和泽林斯基发了一篇论文,标题叫《DNA Fountain》。这篇是绕不过去的。

喷泉码的思路来自广播:发送端不停地喷出「水滴」,每个水滴是若干个数据包的异或;接收端不管收到哪些水滴,只要数量稍微多于总包数,就能把全部数据解出来。它不需要知道丢了哪几个,也不需要重传。

这正好对上 DNA 的信道特性。DNA 存储里,链的丢失是随机的、大量的、你根本不知道丢了哪些。用传统的分组码,得先知道擦除位置;用喷泉码,收够了就能解。

结果:二点一四兆字节,包括一个完整的操作系统、一部电影和别的文件;净信息密度一点五七比特每核苷酸,是当时理论极限的百分之八十五;只需要一个 Illumina 测序 tile 的覆盖度就能完整还原。

他们还试了反复读取:同一管 DNA,理论上可以支持 2.18×10¹⁵ 次读取。这个数字是外推,但它说明了一件事:DNA 样本不会因为读而消耗掉,因为每次读之前都先扩增。

随机访问是化学

二〇一八年,华盛顿大学和微软研究院一起做了那个经典实验:三十五个文件、两百多兆字节,写进一千三百万条寡核苷酸,混在一管里;然后不测全部,只取其中一个文件。

办法是 PCR。每条链的两端各有一个引物位点,同一个文件的链共享一对引物。想读哪个文件,就用对应的引物去扩增,那个文件的链被复制几百万倍,别的链原封不动。

这个操作的难度在引物设计。一千三百万条链,引物之间不能互相认错,否则会扩出别的文件。论文里的约束是:引物之间至少百分之三十的序列差异,熔点控制在五十五到六十度,不能有二级结构,还要过 BLAST 筛查。

这件事的性质要说清楚:它不是寻道。硬盘寻道是磁头移动到某个扇区,毫秒级,位置精确。PCR 是从一锅汤里把特定的几条捞出来,靠的是分子互补,时间是小时级,而且有偏好。

偏好会累积。长文库扩增几千轮之后,某些序列会越扩越多,某些会越来越少。这是 DNA 存储做「库」而不是做「盘」的根本原因:它能给你一批文件,不能给你稳定的随机读写。

池子怎么变成文件系统

文件系统要干三件事:命名、定位、回收。硬盘靠目录树和扇区表,DNA 靠什么。

命名靠引物。同一个文件的链共享一对引物序列,引物就是这个文件的名字。定位靠 PCR,用这对引物把目标链扩增出来。回收最麻烦:DNA 写进去之后,没有「删除某个文件」的操作。

你能做的只有整池丢弃,或者用稀释把某个文件的比例降到读不出来。二〇二五年那卷磁带加了一个例外:把 ZIF 溶掉,冲走 DNA,同一个物理位置重新写。这在 DNA 存储里是新鲜事,在磁盘上是最基本的操作。

所以 DNA 存储天然是一个追加式的文件系统,结构上和日志文件系统很像:只往后写,不原地改,删除靠标记和整理。这个性质决定了它的用法,它是档案,不是数据库。

大规模的时候还要分层:管、板、孔、池,每层一个编号,每个池一组引物。这套编目方式和生物样本库是同一套,因为物理形态本来就一样。

这里有一个绕不开的悖论。为了让数据活一千年,你把数据放进了 DNA;但要找到这些数据,你需要一份索引——文件在哪一管、用什么引物、编码参数是什么。这份索引存在哪里。

现在的答案是把索引存在硬盘和数据库里,也就是存在一个几十年就要迁移的介质上。DNA 存储的「永久」,目前还依赖一个不永久的东西来指路。这一层没有解决,它就不算完整的归档系统。

插入和删除

测序的错误模型,和很多人想的不一样。Illumina 这类边合成边测序,错误以替换为主,读错一个字母,位置不乱。纳米孔是另一回事:DNA 链穿过孔,电流变化对应碱基,速度快、读长长、能实时,但链过孔的速度不均匀,读出来的序列会多一个或少一个碱基。

这个错误叫 indel,插入和删除。它的麻烦在于会让后续全部错位:从漏掉的那个碱基开始,后面每一位都对不上。传统的 Reed-Solomon 假设错误发生在固定位置,遇到 indel 直接失步。

所以要为 indel 单独设计码。南方科技大学一个课题组做的 CHN 编解码,用简并碱基、锚定序列、约束过滤三件事,把容忍度做到百分之十六的 indel 率下仍然百分之百恢复。文本文件七条链、二十分钟读回;图像文件一百二十分钟。

这个进展的意义在便携。纳米孔测序仪只有一个U盘大小,插在笔记本上就能跑。如果读的一端能简化到这一步,DNA 存储的使用场景会从机房扩展到野外、舰船、空间站。

三代测序

读写是两件事,读的一端比写的一端成熟得多,因为测序本身有一个巨大的市场在推:基因组学、临床、流行病监测。

第一代是 Sanger,靠双脱氧终止,读长一千个碱基左右,准,贵,慢。人类基因组计划花了十三年、三十亿美元,主要靠它。

第二代是 Illumina 的边合成边测序:把 DNA 铺在芯片上,一条一条同时复制,每加一个带荧光标记的碱基就拍一张照,从颜色读出字母。读长一百五十到三百,通量极高,成本降了六个数量级。

第三代是单分子:纳米孔让一条链穿过去,测电流;或者单分子荧光实时测。读长可以到十万碱基以上,能直接读甲基化,设备小。

对存储来说,第二代和第三代各有用处。第二代准、便宜、适合大批量读;第三代快、便携、能读修饰,适合现场和表观比特那类方案。

现在的瓶颈不在读的化学,在读的流程:取样、扩增、建库、上机、下机、解码,每一步都要时间。这串流程加起来,就是从「我要这个文件」到「文件出现在屏幕上」的延迟。目前是小时到天。

延迟

二〇二五年那卷 DNA 磁带,恢复四张图花了两个半小时。这个成绩在 DNA 存储里算快的,因为它的取样是机械定位,不用从一整管里捞。

但两个半小时是什么概念。同一时间,一块机械硬盘可以读出一点八太字节的数据。差距不是靠优化流程能补上的,因为中间隔着扩增和测序这两道生物学的工序,而生物学的时间尺度是分钟到小时,不是纳秒。

一张表

比较存储介质,最容易犯的错是只比一个维度。只比容量,DNA 赢;只比速度,DNA 输;只比成本,DNA 惨败。三张榜单拼起来才是完整的样子。

下面这几样按「一件介质」为单位,尽量取现在能买到的数字。DNA 那一行只能给区间,因为它还没有量产产品。

机械硬盘 单件容量:36 TB,每 TB 成本:10–12 美元,顺序写:200 MB/s 以上,断电保存:3–5 年,可改写,定位:在线,毫秒寻道;固态硬盘 单件容量:30–60 TB,每 TB 成本:50–80 美元,顺序写:GB/s 级,断电保存:1 年(30℃),可改写:是,有擦写上限,定位:在线,微秒。

LTO-10 磁带 单件容量:30 TB(75 TB 压缩),每 TB 成本:3–5 美元,顺序写:400 MB/s,断电保存:30 年,可改写:只能追加,定位:离线,分钟级换带;蓝光光盘 单件容量:100 GB,每 TB 成本:30 美元以上,顺序写:很慢,断电保存:50–100 年(宣称),可改写:一次写,定位:离线,秒级。

DNA 单件容量:36 PB(100 米,理论),每 TB 成本:现在仍是天文数字,顺序写:约 17 字节/秒,断电保存:300 年以上,可改写:新方案可,定位:离线,小时到天。

表格里最刺眼的一行是写速度。DNA 那一栏的十七字节每秒,这已经是二〇二五年公开发表的最好成绩之一。

硬盘还在

机械硬盘被唱衰了十几年,还在。原因只有一条:它是每 TB 成本最低的随机访问介质。

二〇二四年之后,热辅助磁记录(HAMR)终于量产,用激光把记录点瞬间加热,让高矫顽力的介质能被写入,面密度往上跳了一截,单盘做到三十 TB、三十六 TB。数据中心采购价大约每 TB 十到十二美元。

这个价格对 DNA 是碾压性的。一 TB 的磁带钱,买不到 DNA 存储的十千字节,更买不到那一次合成的试剂。

硬盘的弱点在寿命和功耗。三到五年就要考虑迁移,七千二百转的盘一直在转,一个机柜的功耗是实打实的电费。

但它有一个别人替代不了的能力:随机访问。你要读一个文件里的第三段,硬盘转过去,几毫秒。这个能力支撑了数据库、虚拟机、在线服务,是整个互联网的地基。DNA 完全没有这个能力。

闪存的软肋是电荷

固态硬盘快,抗震,安静,单位容量价格还在往下走。但它有一个物理上的死穴:存的是电荷,电荷会漏。

JEDEC 给消费级固态盘的断电保持期标准是一年,条件是不通电、三十度。温度每升高十度,保持期大约减半。也就是说,一块盘在四十度环境里放半年,里面的数据就可能开始出现不可纠正的错误。

企业级盘为了性能和写入寿命,用的颗粒和刷新策略不一样,保持期往往更短。QLC 颗粒每个单元存四位,电压窗口更窄,保持期和寿命都更差。

所以固态盘的正确用法是「热数据」:经常读、经常写、断电时间短。把它当档案柜用,是在跟物理较劲。

很多人的直觉是「固态盘没有机械结构,应该更耐久」。前半句对,后半句错。机械结构的失效是渐进的、可预警的;电荷泄漏的失效是突然的、成片出现的。

真正的对手是磁带

这一点常被忽略。DNA 存储要抢的是磁带的活,跟硬盘关系不大。

LTO 磁带的第十代在二〇二五年八月公布规格:原生三十 TB,压缩七十五 TB,传输四百兆字节每秒,单盘价格按容量摊下来每 TB 三到五美元。第九代十八 TB 的盘,零售大约九十美元。

磁带的问题是访问方式:只能顺序读,要找文件得先倒带,物理上还得有机械手去带库里取。所以它只做一件事:冷备和归档。

而这件事它做得极好。二〇二四年全球磁带出货量约一百八十艾字节,成本低、能耗低、离线防勒索。

DNA 要替代磁带,需要赢在三个地方:单位体积的容量、不用迁移的寿命、不用电的保存。前两条它赢,第三条它赢,但它输在「写入速度」和「每次读取都要一次化学反应」。

所以更现实的图景是分工:磁带管几十年内的冷数据,DNA 管几百年以上的极冷数据。两层之间是接力,谈不上替代。

光盘的教训

光盘的故事值得单独说,因为它演示了「介质没坏,生态先死」这件事怎么发生。

CD-R 的染料层在光照和湿度下会降解,这是化学问题;DVD 的粘合层会脱胶,这是工艺问题;蓝光把记录层做得更薄更密,对划痕和灰尘更敏感。这些都还能靠工艺改善。

真正致命的是驱动器。笔记本不再配光驱,台式机不再配光驱,外置光驱成了小众配件。你的盘完好无损,但你没有机器读它。

这条教训对 DNA 是双向的。好消息是测序仪不会消失,它有一个比存储大得多的市场在养。坏消息是「读取协议」仍然会老,今天的建库试剂盒十年后可能停产,今天的测序平台十年后可能停止服务。

介质的长寿,和「能被读出来」的长寿,是两件事。档案馆里那些专业讨论,重点从来不在介质能放多久,在「迁移策略」。

六个数级

把差距量化一下,会更容易看清位置。

密度:DNA 比最好的机械硬盘高六到八个数量级,取决于你按理论算还是按实测算。寿命:高一到两个数量级。成本:现在输五到六个数量级。速度:输六到七个数量级。

四个维度里赢两个、输两个,这就是它的处境。任何「DNA 将取代硬盘」的说法,都必须先解释速度那六个数量级怎么补。目前没有人给出路径。

反过来,「DNA 没有用」的说法也站不住。因为分层存储的逻辑不看「谁全面更强谁赢」,看「每一层做它最擅长的那件事」。

闪存做热数据,硬盘做温数据,磁带做冷数据,DNA 做极冷数据。越往下,速度越慢,寿命越长,单位成本越低。这个梯度在计算机体系结构里存在了几十年,DNA 只是往下面又加了一层。

需求曲线

国际数据公司的口径是:二〇二五年全球产生一百八十一泽字节,二〇二八年三百九十四。三年翻一倍多,年复合增速两成四。

一泽字节是 10²¹ 字节。这个量级已经超出直觉,但有一个对比能把它拉回来:二〇二四年全球磁带出货量约一百八十艾字节。

一百八十艾字节等于零点一八泽字节。数据产生量是磁带出货量的一千倍。当然,绝大部分数据产生完就丢了,从来没有被存下来;但这个比例说明一件事:真正被长期保存下来的数据,是一个极小的子集,而这个小小子集正在变重。

冷数据的比例

存储行业把数据分三层:热、温、冷。热数据是每秒都在读写的,比如订单、会话、缓存;温数据是偶尔访问的,比如备份、报表;冷数据是写进去之后几乎不动的,比如审计日志、医疗影像、科研原始数据、法律证据。

冷数据的比例,各家口径不同,但都在「大部分」这个区间。业内的共识是,企业数据里写一次就不再改的部分占八成左右。

这一层的特点正好对上 DNA 的短板:它不需要快,只需要在。你可以在周一提交一个归档任务,周三拿到确认,只要五十年后还能读出来。

迁移成本

这一点是理解 DNA 价值的关键,也是所有总拥有成本分析里最容易被低估的一项。

数据的保存期要求和介质的物理寿命,是错位的。法律、科研、医疗档案要求保存五十年到一百年;机械硬盘活三到五年,磁带二三十年,光盘宣称五十年,实际要看环境。

也就是说,一份要存一百年的数据,用硬盘要迁移二十到三十次,用磁带要迁移三到五次。每次迁移都要读出来、校验、写进新介质、销毁旧介质,全过程耗人、耗电、耗时间,而且每一次都有出错的可能。

把这些成本摊进去,介质本身的采购价占不到一半。DNA 的真正卖点在「一次写入,之后不再迁移」,「每 TB 便宜」倒在其次。这句话比任何密度数字都值钱。

一笔粗算

把总拥有成本算一遍,比任何形容词都有说服力。假设要存一拍字节、保存一百年。

用磁带:LTO-10 每盘三十太字节,需要三十四盘,按每盘一百五十美元算是五千一百美元。磁带寿命三十年,一百年要迁移三次,每次的读校验、人工、停机按一万美元算,三万美元。合计三万五。

用硬盘:每太字节十二美元,是一万二千美元,但五年要换一次,一百年换二十次,光是介质就二十四万美元,还没算每次迁移的电费和工时。

用 DNA:按现在每兆字节一千美元这个乐观值算,一拍字节是十亿兆字节,十亿美元。这还不算保存和读取。

所以现在能算得过来的场景,体量都很小。比如把一吉字节的东西存一千年:一千兆字节,按每兆字节一千美元是一百万美元。听起来离谱,但对国家级档案馆、对「人类基因组多样性计划」这类项目,它不是不能接受——因为丢失的代价更高。

这也解释了为什么第一批客户是政府和超大规模云。它们的账本里,「不可恢复」是一个可以定价的风险,普通消费者没有这一栏。

临界点在合成成本。降到每兆字节一美元,一吉字节是一千美元,这个价格档案馆能接受;降到每兆字节一美分,一太字节是一万美元,才轮到企业级冷数据。从现在到那一步,还差五到六个数量级。

谁在做

这个领域的学术版图,从二〇一二年开始铺,到现在已经很清楚。

哈佛的丘奇组二〇一二年做了第一个「真的把文件写进 DNA」的实验:五万三千字的书、十一张图片、一段 JavaScript,一共五兆比特,每个碱基一比特。他们的做法是用芯片合成,一次做出了几万条不同的链。

欧洲生物信息研究所的戈德曼和伯尼二〇一三年做了另一件事:加了压缩和校验码,把 DNA 从美国寄到德国,再测序读回来。他们证明的是「这条链路能走通」,而不只是「能写进去」。

苏黎世联邦理工的格拉斯组二〇一五年把重点放在保存:二氧化硅包裹、内外双码,样本在室温放很久仍然可读。

华盛顿大学的塞泽和微软研究院的施特劳斯从二〇一六年开始做系统,二〇一八年那篇两百兆字节的随机访问论文是这条线的代表作。

哥伦比亚的埃利希做编码,二〇一七年的喷泉码至今是引用最多的方案之一。

中国这边有三条不同的路线。天津大学元英进组做的是「体内」:二〇二一年合成了一条二十五万四千八百八十六个碱基对的酵母人工染色体,把两张图片和一段视频写进去,让酵母繁殖来复制数据,传一百代之后仍然能完整恢复。

同一条线在二〇二二年转到了「体外」:十幅敦煌壁画、六点八兆字节、二十一万条 DNA 片段,不加任何保护放在水溶液里,七十度烤十周,八成以上片段断裂,仍然恢复出百分之九十六点四。

南方科技大学蒋兴宇组做的是形态,也就是前面说的 DNA 磁带,把存储做成能进机房的设备。

北京大学钱珑、欧阳颀和亚利桑那州立大学的颜颢做的是「免合成」,也就是甲基化活字印刷。

把这几组人放在一起看,会发现一个特点:他们的学科背景完全不重叠。丘奇是遗传学,戈德曼是计算生物学,塞泽是计算机系统,格拉斯是材料化学,埃利希是计算生物学加密码学,蒋兴宇是生物医学工程。

这不是巧合。DNA 存储同时是一个信息问题(怎么编码)、一个化学问题(怎么合成)、一个生物问题(怎么扩增和测序)、一个机械问题(怎么自动化)。任何单一学科的人都只能做完其中一段。

这也是为什么这个领域看起来「进展很多」但「落地很慢」:每一段都有进展,段与段之间的接口还没有对齐。

产业

产业侧的阵容也不弱。合成端有 Twist,测序端有 Illumina,系统端有微软和西部数据,创业公司有 Catalog、Atlas、Biomemory。

二〇二〇年,这几家一起组了 DNA Data Storage Alliance,后来挂到 SNIA 下面,做的是接口、格式、互操作这类看起来不性感但决定能不能商用的事。

二〇二五年,Twist 把存储业务拆出来成了 Atlas Data Storage,拿了一亿五千五百万美元种子轮,投资方里有贝索斯的基金和 In-Q-Tel。这个信号值得注意:In-Q-Tel 是美国情报体系的战略投资机构,它投的东西,通常和「长期保存」有关。

但商业化第一步不是卖硬盘。所有公司的第一个产品都是「归档服务」:你寄数据过去,他们写进 DNA,放进恒温库,你需要的时候他们读出来给你。

这个模式绕开了两件事:用户不需要买合成设备,也不需要自己维护测序平台。它把 DNA 存储暂时变成了一个外包的、按量计费的档案库。

一个冷静的对照

DNA 不是唯一被押注的方向,甚至不是最接近商用的那个。

微软的 Project Silica 用飞秒激光在石英玻璃里刻出三层体素,改变的是折射率,不是表面。一块杯垫大小的玻璃板能放几个太字节,耐一千度高温,耐水、耐辐照,理论寿命几千年。读的时候用显微镜加偏振光。

南安普敦大学的 5D 存储走得更远:在玻璃内部刻出纳米光栅,用三个空间维度加两个光学维度(慢轴快轴、强度)编码,一张碟理论上三百六十太字节,宣称在 190 度高温下还能存一百三十八亿年。二〇二四年他们把整个人类基因组刻进了一张八厘米的碟。

玻璃路线的好处是没有生物学。不需要酶、不需要试剂、不需要冷链,读的时候也不需要测序仪。坏处是写入更慢、更贵,而且改写基本不可能。

把两条路线放在一起看,会更清楚 DNA 的位置:它赢在密度和「可复制」,输在速度和化学复杂度。玻璃赢在稳定和「不需要生物」,输在密度和写入。

我的判断是,未来十年里,极冷归档这一层会同时容纳这两种介质,就像今天的冷数据层同时有磁带和光盘。它们各自承接不同的数据,谈不上互相替代:玻璃接「绝对不能再变」的,DNA 接「需要复制多份」的。

合成的价格

最强的反驳是钱。贵几个数量级,不是贵一点。

合成一兆字节的 DNA,现在的行情是几千到几万美元,取决于长度、冗余和批量。同样一兆字节,买机械硬盘的钱是零点零一美元。中间差五到六个数量级。

有人说这个差距会像测序一样消失。这个类推不成立。测序从三十亿美元一个人基因组降到几百美元,靠的是半导体工艺、光学、微流控的叠加,本质上是把「读」变成了一个可以规模化的制造问题。

合成是另一回事。它要在液体里一个一个接碱基,每一步都要试剂、要洗、要时间,副产物还抑制反应。它的成本曲线在过去十年确实在降,但斜率远不如测序。

要让它进入实用,合成成本得降四到六个数量级。这是一个什么概念:相当于把现在的试剂价格降到千分之一,同时把通量提一百倍。有人在用酶促合成赌这个,也有人用免合成(甲基化印刷)绕开这个。

在成本降下来之前,DNA 存储只能是「不计成本的场景」:国家档案、人类基因组库、文明级备份。这些场景确实存在,也确实在付钱,但它们撑不起一个消费级市场。

每秒十七字节

第二条反驳更硬,因为它涉及物理而不是经济。

十七字节每秒,对一个归档系统意味着什么。假设你要归档一百太字节的科研数据,按这个速度,需要十八万年。即使按最乐观的并行扩展估到每秒一兆字节,也要三年。

磁带是多少。LTO-10 是四百兆字节每秒,写满一盘三十 TB 要二十一个小时。这不是一个量级的事。中间隔着六个量级。

有人会说,归档不需要快,慢慢写就行。这话对单个小文件成立,对一个数据中心的入库流水线不成立。数据是在产生的那一刻需要被接住的,接不住就丢了。

所以更现实的形态是「离线批处理」:先把数据堆在硬盘上,攒够了,再整批写进 DNA。这条路能走通,但它把 DNA 变成了一个「定期运行的备份任务」,而不是一个「在线存储层」。

化学寻址的边界

第三条反驳针对「DNA 是硬盘」这个比喻。

PCR 捞文件,本质上是化学富集,不是寻址。它有三个问题:有偏好,长文库会失衡;有消耗,每次取样都会带走一部分;有串扰,引物设计不好会捞错。

这三条在实验室规模下都能压住,在 PB 级规模下会放大。一千三百万条链的引物设计已经是论文级的工作量,到了十亿条,引物的正交性会变成瓶颈。

磁带也有类似的问题:它只能顺序读,找文件要倒带。但磁带的顺序是物理的、确定的,倒带多久可以算出来;PCR 的偏好是统计的、会漂移的。

生物安全

第四条反驳很少被科普文章提到,但它是这条路上绕不开的。

任何一家合成 DNA 的公司,接单时都要过筛查:序列比对已知的病原体、毒素基因,可疑订单要上报。这套机制叫 IGSC 框架,是行业自律加政府监管。

一个能存 PB 级数据的 DNA 库,物理上就是一个巨大的、包含各种序列的分子库。它的大部分内容是无害的编码数据,但筛查机制不看用途,只看序列。

这意味着两件事:大规模 DNA 存储的合规成本会很高;而且随着容量上去,筛查的误报率会成为运营问题。这不是技术能单独解决的,需要标准和监管一起跟上。

格式优势被夸大

第五条是针对我前面写的「格式不会老」。这句话对,但要打折。

DNA 这个化学结构不会消失,这是真的。但「能读 DNA」和「能用今天的协议读出今天写的东西」是两回事。

三十年前的 Sanger 测序结果,是放射自显影的胶片,今天的实验室没有暗房,也没有那台机器。二十年前的基因芯片数据,配套的扫描仪早就停产。十年前的某款建库试剂盒,配方改了,接头换了。

所以更准确的说法是:DNA 的「格式寿命」比磁介质长一个层级,但它仍然受制于试剂、协议、平台。真正让数据活过一百年的,是持续的迁移和文档,介质倒在其次。

我的判断

把五条反驳放在一起,结论会比较冷:DNA 不会取代硬盘,不会取代固态盘,也不会取代磁带的主力位置。

它会占住一个很小的、但非常重要的位置:写一次、存一百年以上、几乎不读、丢了就没了的数据。国家档案、基因组库、天文观测原始数据、法律证据、文化遗产的高精度影像,都属于这一类。

这个位置的竞争对手是磁带和玻璃,不是闪存。而在这个位置上,DNA 有两个别人没有的优势:密度高到可以把整座档案馆装进一个冰箱;可以复制,而复制几乎不要钱。

时间表我给一个粗的:二〇二五到二〇三〇年是试点和标准期,客户是政府和超大规模云;二〇三〇年之后,如果合成成本能降两个数量级,会出现第一批商业化的归档服务;消费级不会发生,因为普通人没有需要存一百年的数据。

这个判断可能偏保守。但过去十年里,所有「DNA 存储要进入家庭」的预测都落空了,而所有「DNA 存储会在档案领域落地」的预测都在慢慢实现。

别的分子

DNA 不是唯一能存信息的分子,研究者也试过别的。

蛋白质:二十种氨基酸,每个残基理论上装四点三比特,比 DNA 高一倍多。但合成肽链比合成 DNA 贵得多,测序要靠质谱,速度和成本都差一个量级,而且蛋白质容易聚集、变性。优点是有些蛋白极其稳定,比如蜘蛛丝里的晶体区。

合成聚合物:用非天然的单体,可以设计出信息密度更高、更稳定的链。问题是读写都要定制:没有现成的聚合酶替你复制,也没有现成的测序仪替你读,每一步都要自己造。

糖链和代谢物更远。它们的「字母表」更大,但结构分支多,读起来像解一棵树,不是解一条串。

这些方案在论文里都成立,在工程上都不如 DNA。原因不在化学上比别的分子更优。它有一套现成的机器:聚合酶能复制它,连接酶能拼接它,测序仪能读它,PCR 仪能扩它。

这套机器是四十亿年进化加五十年生物技术产业一起造出来的,别的分子要从零开始造。这就是为什么所有「更好的分子」最后都停在论文里。

信息论

这个领域往外辐射的第一圈是信息论。

DNA 存储把「存储」变成了一个标准的通信问题:写入是编码,介质是信道,读取是解码,合成和测序的错误是噪声。一旦这么看,很多工具可以直接搬过来。

最直接的是信道模型。替换错误、插入删除错误、整条擦除,三种噪声混在一起,信道容量是多少,怎么逼近,这是典型的编码理论问题。喷泉码解决擦除,Reed-Solomon 解决整条丢失,内码解决局部替换,LDPC 在探索更低的开销。

再往深一层是「约束编码」。均聚物长度、GC 含量、避免二级结构,这些约束会把可用序列的空间切掉一块,剩下的空间能装多少比特,是可以算的。这门学问叫约束系统的容量,香农在四十年代就开了头。

合成化学与测序

第二圈是化学。亚磷酰胺合成的四步循环、酶促合成的转移酶、光刻脱保护的光酸,都是化学问题。合成成本能不能降下来,取决于这一圈。

第三圈是测序。Sanger 的双脱氧终止、Illumina 的可逆终止荧光、纳米孔的电流阻塞,三种物理原理,三条成本曲线。测序仪的进步速度,决定了 DNA 存储读的一端能做到多快多便宜。

这两圈合起来,是 DNA 存储最不确定的部分。决定权不在计算机行业,在生物技术行业。

微流控与自动化

第四圈是机械和流体。DNA 存储的每一步都是液体操作:加试剂、洗、转移、稀释、分装。手工做,一天做几十个样本;要商业化,得一天做几万个。

这就是微流控的位置。数字微流控用电场在芯片上移动液滴,液滴体积到纳升级,试剂消耗降两三个数量级;喷墨打印把试剂点阵化;机械臂把整个流程串起来。

微软二〇一九年演示的端到端自动化系统,核心不在化学突破,在把一堆手工步骤串成一条流水线。这类工作不发高分论文,但它决定技术能不能出实验室。

分子生物学与压缩

第五圈是生物学本身。PCR 提供随机访问和复制,甲基化提供表观比特,CRISPR 提供「在活细胞里记录」。

二〇一七年哈佛的希普曼把一段 GIF 写进了细菌的基因组:用 Cas1-Cas2 把外源 DNA 片段按时间顺序插进 CRISPR 阵列,读的时候测序那段阵列,就能还原出每一帧。这是「体内存储」,数据会随着细菌繁殖一起复制。

第六圈是数据压缩。因为每个碱基都贵,写之前一定要压。文本用通用压缩,图像用专用编码,基因数据(FASTQ)有专门的压缩器。压缩率和编码效率叠在一起,才决定最终一个字节要花多少钱。

归档科学与标准

第七圈是档案学。这个圈子的人研究的是 OAIS 模型、迁移策略、完整性校验、元数据。他们不太关心介质是磁是光还是 DNA,只关心「五十年后还能不能读,怎么证明没被改过」。

DNA 存储要想被档案馆接受,必须回答这些问题:格式怎么描述、校验怎么存、迁移路径是什么、法律效力怎么认定。这些是标准工作,比发论文慢得多。

第八圈是生物安全与政策。合成筛查、出口管制、数据主权,都会落在这个技术上。它同时是信息技术和生物技术,监管也要跨两个部门,这本身就是一个难题。

回到那一克

回到开头那个数字。四百五十五艾字节每克,它是真的,但它是一个上限,一个在单链、两比特、零开销、零冗余的假设下算出来的上限。

真实的世界里,你要纠错,要地址,要引物,要覆盖度。每一项都在这个上限上啃一口。啃完之后,实验室的最好成绩是二百多拍字节每克,工程的最好成绩是二点六太字节每克。

这不是说这个数字没有意义。它的意义在于标出了天花板在哪里,让人知道还有多少个数量级的空间可以往下做。工程史上有天花板的领域,比没有天花板的领域走得远。

我认为 DNA 存储真正值钱的地方在「不用迁移」,密度倒在其次。

人类保存信息的最大成本,从来不在买介质上,在每隔几年把数据搬一次家。搬家要人、要电、要校验,每一次都可能丢东西。DNA 把这个循环拉长到几百年,等于把「保存」从一个运营问题变成了一个一次性动作。

这件事的价值,要等到第一批用 DNA 存的数据真的过了五十年才能被验证。在那之前,它仍然是一个赌注。

三个问题

所以下次再看到「一克 DNA 存下全世界」这类说法,可以先问三个问题。

第一,这个数字含不含纠错和地址的开销。如果他说的是艾字节每克,那是理论上限;如果他说的是太字节每克,那是工程现实。两者差八个数量级,不能混着说。

第二,写一次要多久。如果只给容量不给写入速度,这个容量就没有使用场景。十七字节每秒的写入,和四百兆字节每秒的写入,是两个世界的东西。

第三,读出来要几天。归档系统的可用性,不看写入,看读取延迟。一个要三天才能取出一个文件的档案库,只能服务「几乎不读」的场景。

三个问题问完,大部分宣传会自己缩水到它真实的大小。这不是唱衰。它只是把一个真问题放回该在的位置。

参考