生物计算干湿实验闭环平台，正在重新定义科研的迭代速度

干实验与湿实验的"断头路"

生物医药研发有一条隐性裂谷。一边是算力集群里奔跑的分子模拟、蛋白质结构预测和虚拟筛选——这些被称为"干实验"；另一边是实验室里真实的细胞培养、酶活测定和化合物合成——也就是"湿实验"。两者本应是同一条研发链上的前后脚，但现实是，绝大多数团队在两者之间靠人工"搬数据"：计算团队输出一份Excel，实验团队照着做，做完再把结果手动录入系统，等计算团队有空了再跑一轮分析。

这种断裂的代价不是抽象的效率损失，而是实打实的研发周期。一轮干湿迭代短则一周、长则数周，一个药物分子从苗头到先导化合物的优化过程可能需要几十轮这样的迭代。如果每一轮都卡在人手切换上，时间成本就会呈指数级放大。

正因如此，生物计算干湿实验闭环平台（Dry-Wet Closed-Loop Platform for Biological Computing）成为最近两年整个AI制药和合成生物学领域最受关注的工程方向之一。它不是某一项技术突破，而是一套重新组织研发流程的工程体系：让AI不仅能"想"，还能"做"；让实验数据不再躺在纸质记录本里，而是实时回流到模型训练管线中；让每一轮实验都成为下一轮预测更准确的理由。

闭环的四个齿轮：计算、执行、回流、进化

一个完整的生物计算干湿实验闭环平台，通常由四个互相咬合的环节构成：

• AI计算引擎（干实验）：基于大模型或机器学习算法，从序列、结构或理化性质出发，生成分子设计假设、预测候选分子的活性与安全性、优化实验方案。计算引擎的价值不止于"筛得快"，更在于它能探索人类直觉难以触及的序列空间——百奥几何的GeoFlow蛋白质大模型基于数十亿蛋白质数据预训练，可以探索10^20-80级别的突变组合空间。
• 自动化实验系统（湿实验）：包括液体处理工作站、高通量筛选设备、机器人操作臂等，将计算引擎输出的设计方案转化为物理实验。百奥几何的湿实验平台具备每周5000+样品的筛选与分析能力；途深智合的ProteinNova平台则通过与镁伽科技的自动化设备对接，打通了从AI蛋白设计到高通量基因合成的完整链路。
• 数据回流管道：实验产生的全量数据——不只是阳性结果，也包括失败案例和负向数据——被结构化采集并自动喂入计算引擎。上海科学智能研究院（上智院）孵化的Golab工厂，其浑天绫Skills平台专门解决了这一环节：将算法、数据、算力、实验标准化为可编排的生产单元，实验失败的案例也会被留存在系统中用于后续分析。
• 模型自进化机制：回流数据驱动AI模型持续迭代，使预测精度在每一轮闭环中提升。上智院团队在Golab项目中观察到，系统初始阶段调用工具的失败率较高，但随着任务积累，大模型能够分析失败原因并将其沉淀为知识，后续遇到同类问题可直接纠错——本质上是一种"科研肌肉记忆"。

这四个环节的工程难点不在于任何一个单点技术，而在于将计算模型与物理实验之间的接口彻底打通。Golab自驱动实验室的团队攻克了一个业界公认的"硬骨头"——合成后处理环节（分离、提纯）的自动化，这才真正实现了从AI生成方案到实验执行、再到数据回流的零人工介入。

三个代表性平台，三种闭环路径

虽然都在做干湿闭环，但不同团队选择的切入点和架构路径差异显著。以下三个代表性案例，分别代表了"科研基础设施级""酶工程垂直级"和"蛋白设计全流程级"三种路线。

三条路径的共同指向是：干湿闭环不是"自动化设备+AI接口"的简单加法，而是需要重新设计数据流和决策流。Golab走得最远的一点在于，它把失败案例也作为一等数据公民纳入回流体系——这一设计理念直接决定了系统的长期进化天花板。

为什么现在才"闭环"？技术栈的临界成熟

干湿闭环的概念并不新——"设计-构建-测试-学习"（DBTL）循环在合成生物学领域已经被讨论了十几年。但真正让闭环平台从概念走向工程落地的，是近三年三个技术条件的同步成熟：

第一，大模型从"看图识字"进化到"理解机理"。早期的AI模型——包括AlphaFold——擅长回答"是什么"（蛋白质会折叠成什么结构），但回答不了"为什么"（为什么形成这种结构、折叠过程如何发生）和"怎么做"（如何改变某个氨基酸位点以实现目标功能）。Golab的燧人模型首次将量子力学和统计力学等通用物理机理嵌入训练与推理过程，使其能够在数据稀缺的领域进行跨域迁移预测。在50余种热力学性质预测任务中，燧人模型均达到业界最优水平，部分性能较现有模型提升30%-50%。

第二，实验室自动化从"单步骤"发展到"全流程"。过去大多数"自动化实验室"只能完成某一环节的自动化（如自动移液），而无法打通从合成到表征测试的完整链路。Golab自驱动实验室在国内首次攻克了合成后处理自动化这一关键瓶颈，北京也在2026年7月发布的科学智能三年方案中明确提出建设"自主实验室"——这类设施将具备从假设提出到实验验证的全流程自主运行能力。

第三，数据工程的观念转变：失败也是资产。传统研发中，阴性结果和失败案例往往被丢弃。而在闭环平台中，每一次失败都是模型校准的训练样本。Golab公开直播的"百题马拉松"活动中，团队明确表态："哪怕实验跑错了也没关系，成功和失败的数据都会沉淀成平台的知识。"

从"更快的实验"到"更少的人"：OPC模式的真正冲击

干湿闭环平台最容易被低估的价值，不是效率提升，而是组织模式的根本变化。

上智院AI科学家、格物智研创始人曹风雷提出了"科研OPC（一人公司）"的概念：当AI可以生成实验方案、自动化设备可以24小时执行、数据可以自动回流并优化模型，一个科学家或小团队就能完成过去需要跨多个部门协同的全链条研发工作。Golab工厂已经在探索自动化交付模式——用户提需求、平台自动出结果——这将过去动辄百万级的实验室建设门槛大幅拉低。

这不是取代科学家的叙事，而是重构科研分工。复旦大学校长助理吴力波在Golab发布会上指出，当科研组织能力可被按需调用，"大量优秀的科学假设不再因资源匮乏而止步"。北京2028年科学智能创新中枢的建设目标（覆盖高能物理、材料科学、医疗健康、生命科学、量子科技、生物育种六大领域）也在政策层面印证了这一趋势。

衍因科技旗下的衍因智研云（yanCloud）平台，正以"一体基座+三大套件+N个智能体"的架构，为生物医药团队提供打通分子设计、实验执行与知识复用的数字化科研基础设施。其中，生物信息套件覆盖CRISPR设计与序列分析，实验室协作套件强调ELN/LIMS/设备一体化与样本全流程追溯，灵研系列智能体则将文献解读、实验总结、ELN预审等重复性工作自动化——其逻辑与干湿闭环理念一脉相承：让科研人员的时间，真正花在提出问题和判断方向上。

闭环之后：基础设施级的科研新范式

生物计算干湿实验闭环平台的阶段目标已经清晰：跑通"AI计算→自动实验→数据回流→模型自进化"四步循环。但更长远的命题是，当这样的平台从单点标杆变成行业基础设施，会发生什么？

上海已经在先行探索。2026年7月6日，上海市委书记陈吉宁在科学智能"百团百项"研讨会上强调"牢牢抓住科学智能的战略机遇，以人工智能引领科研范式变革"。次日，Golab工厂正式发布并启动百题马拉松直播，覆盖药物发现、催化剂设计、材料研发、电解液筛选等十大应用场景。北京紧随其后发布了2026-2028年科学智能实施方案，将自主实验室作为重塑科研流程的核心载体。

从酶工程到药物发现再到新材料研发，三个案例已经证明：干湿闭环不是某个细分赛道的专有方案，而是一套通用的科研工程方法论。它的核心洞察只有一句话——科研的本质是迭代，迭代的瓶颈在数据流，而数据流的终局只能是闭环。