2026年全球AI算力发展报告中，"干湿闭环"（Dry-Wet Loop）被列为一个重要的发展方向。这一概念将人工智能驱动的"干实验"与自动化实验验证的"湿实验"通过数据反馈形成闭环，开启了科学智能的全新范式。简单来说，"干实验"是指利用AI模型进行高通量的计算模拟和预测，"湿实验"则是在自动化实验平台上对AI预测的结果进行真实物理验证。
"干湿闭环"的工作流程是这样的：AI模型首先基于已有的科学数据发起实验请求，然后模型对这些请求进行计算模拟和结果预测。预测结果被发送到自动化实验室，由自动化实验设备执行实际的物理实验来验证AI的预测。实验过程中产生的数据又会被自动反馈给AI模型，用于模型的进一步训练和优化。如此循环往复，形成一个自我强化的科学发现加速器。
这一范式打破了传统计算与实验验证相互割裂的状态，使科学发现方式从传统的经验驱动逐步转向模型驱动。在传统科研模式中，科学实验的设计、执行和数据分析往往需要数月甚至数年时间。而"干湿闭环"可以将这一周期压缩到数天甚至数小时，速度提升了几个数量级。
在蛋白质设计领域，"干湿闭环"模式已经展现出了强大的潜力。DeepMind的AlphaFold系列模型成功实现了蛋白质结构的精确预测。在此基础上，2026年的AI蛋白质设计模型已经能够"反向设计"——从目标功能出发，直接设计和优化蛋白质序列。研究人员可以用AI生成具有特定功能的全新蛋白质序列，然后通过自动化实验平台快速验证和筛选。
在定向进化方面，扩散模型和自然语言模型展现出了强大的能力。传统的定向进化需要经过多轮随机突变和筛选，周期长、效率低。AI模型通过学习大量蛋白质序列与功能之间的映射关系，能够快速预测哪些突变组合更有可能获得目标功能。在2026年的多个实际案例中，AI辅助的蛋白质定向进化将筛选周期从数月缩短到了数周。
在酶设计领域，AI取得的进展尤其令人振奋。酶是一种功能强大的蛋白质催化剂，在化工、制药和食品等行业中有着广泛的应用。2026年，多家研究机构使用AI设计了一系列具有新型催化功能的酶，包括能够高效降解塑料的工程酶、能够将二氧化碳转化为化工原料的合成酶等。这些AI设计的酶正在从实验室走向工业应用。
在基因编辑领域，AI通过深度学习与大规模数据分析，正在显著提升基因编辑工具的准确性和效率。CRISPR-Cas9等基因编辑技术的"脱靶效应"一直是临床应用中最大的安全风险。2026年，AI模型通过学习大量基因编辑实验数据，能够以极高的准确率预测脱靶位点，帮助研究人员设计更加精准的基因编辑方案。一些基于AI优化的Cas蛋白变体已经进入了临床试验阶段。
在核酸疫苗研发中，AI同样扮演着越来越重要的角色。mRNA疫苗的研发需要快速设计和优化抗原序列、脂质纳米颗粒（LNP）配方和疫苗递送系统。AI模型通过分析大量的免疫学数据和疫苗实验数据，能够快速预测不同候选方案的有效性和安全性。在2026年的流感疫苗和RSV疫苗研发项目中，AI辅助优化将疫苗从序列设计到临床试验的周期。
特别值得一提的是，"干湿闭环"在个性化癌症疫苗的研发中展现出了独特的价值。个性化癌症疫苗需要根据每个患者肿瘤的基因突变信息，设计针对性的新抗原疫苗。这个过程涉及海量的基因测序数据分析、新抗原预测、疫苗设计和个体化制备——每一步都需要大量的计算和实验。"干湿闭环"提供了一个高效的研发框架。
合成生物学是"干湿闭环"模式最具商业潜力的应用领域之一。AI算力正深刻赋能合成生物学，其多任务学习与未知空间探索能力满足了合成生物学的智能化设计需求。在工程菌株的设计和优化中，AI模型可以通过学习大量的代谢通路数据和发酵过程数据，快速预测最优的基因编辑方案和培养条件。一家合成生物学初创公司利用AI优化的酵母菌株，将某种高附加值天然产物的发酵产量提升了超过10倍。
在代谢工程方面，AI正在改变传统的"试错"方式。传统的代谢工程优化需要科研人员基于经验推断可能的改进方向，然后通过大量实验来验证和迭代。AI模型通过分析代谢网络中的成千上万个变量之间的相互作用关系，可以精确预测哪些基因操作会产生预期的代谢变化。这种"精确设计"的能力大大减少了所需实验，加速了工程菌株的开发周期。
在规模化生产方面，AI也在发挥重要作用。从实验室的小规模培养到工业级的万升级发酵罐，工程菌株的表现往往会发生变化。AI模型通过分析不同规模发酵过程中的数据差异，能够预测放大过程中可能出现的问题，并提前给出优化建议。这使得从实验室研发到工业生产的转化过程更加顺畅，显著降低了生物制造产业化的技术风险和时间成本。
在工业生物技术领域，"干湿闭环"模式正在从实验室走向商业化。利用AI设计的工程菌株已经被用于生产高附加值的化学品、材料、药品和食品原料。AI加速了从实验室研发到工业放大的进程。资本市场对AI生物制造这个交叉领域给出了极高的关注度，多家AI驱动的生物技术公司在2026年完成了大额融资。
来源：全球AI算力发展研究报告、合成生物学文章
总体而言，2026年全球AI产业正处于从技术突破向商业价值转化的重要历史节点。各大AI公司之间的竞争已经从单纯的能力较量演变为生态、成本和商业化的综合比拼。在这个快速变化的行业中，持续学习和灵活适应是企业保持竞争力的关键能力。只有那些能够将技术创新与商业实践有效结合的企业，才能在AI时代的激烈竞争中脱颖而出。
发布时间：2026-06-27