智東西
作者 楊京麗
編輯 李水青

智東西6月3日報道，今日，百度伐謀舉行“謀定行”探訪活動，首站走進北京工業(yè)大學苗揚副教授團隊?；顒又校瑘F隊成員分享了四個應用百度伐謀的科研案例，涵蓋空間站微型氣相色譜柱優(yōu)化、液體波可視化、PEM（質子交換膜）電解槽制氫系統(tǒng)，以及傳感器優(yōu)化等方向。

▲百度伐謀“謀定行”活動

去年11月，百度世界2025大會上，百度創(chuàng)始人李彥宏發(fā)布可商用自我演化超級智能體——百度伐謀。它主要面向產(chǎn)業(yè)研發(fā)和生產(chǎn)中的復雜優(yōu)化問題，提供問題建模、算法搜索、模型優(yōu)化、性能優(yōu)化等服務。

今天的活動中，智東西與苗揚副教授及其團隊成員、百度伐謀產(chǎn)品團隊進行了交流，了解到伐謀在科研場景中的應用方式，以及伐謀在提升科研效率、降低成本、增強系統(tǒng)安全性等方面的作用。

智東西在采訪交流中了解到，伐謀對團隊的科研效率有著明顯的提升。在PEM電解槽制氫系統(tǒng)案例中，伐謀在約2小時尋優(yōu)時間內，將模型準確率從92.26%提升至95.04%，提升2.78個百分點；在空間站微型氣相色譜柱案例中，優(yōu)化后結構的RMS（均方根）指標提升21.36%，NRMSE（歸一化均方根誤差）提升8.17%，平均相關系數(shù)提升39.34%；在算法優(yōu)化案例中，應用伐謀后，原始算法綜合分數(shù)從60多分提升到90多分。

一、從空間站“電子鼻”到制氫故障診斷，伐謀深度參與科研場景

據(jù)苗揚副教授介紹，團隊去年起開始使用伐謀，并將其應用于多個課題之中。此次分享，團隊重點介紹了四個案例。

第一個案例是空間站“電子鼻”氣相色譜柱的研究?，F(xiàn)有微量氣體檢測裝置可在線檢測19種微量有害氣體，但設備體積和重量較大，會給空間站補給帶來經(jīng)費壓力。針對這一問題，北工大團隊對微柱結構進行參數(shù)化建模，包括幾何形狀、陣列排布、行間距、列間距等變量，再把初始結構放入COMSOL仿真中評估。

▲色譜柱研究主要過程

科研過程中，伐謀根據(jù)流速均勻性、低速滯留區(qū)占比、壓降等指標，持續(xù)生成候選結構、篩選并進化更新。據(jù)成員介紹，優(yōu)化后RMS由0.0309降至0.0243，優(yōu)化21.36%；NRMSE由0.306降至0.281，優(yōu)化8.17%；平均相關系數(shù)r由0.61提升至0.85，提升39.34%。

第二個案例，團隊成員介紹了PEM電解槽制氫系統(tǒng)。團隊原本需要人工設計深度學習模型、調超參數(shù)、篩選變量。使用伐謀后，團隊把模型結構、超參數(shù)和變量選擇作為可優(yōu)化對象，由伐謀根據(jù)識別準確率等指標反復迭代。據(jù)團隊成員介紹，伐謀2小時左右完成了20輪迭代、200余次模型評估，僅用約130萬Token，將測試準確率從92.26%提升至95.04%，提升2.78個百分點。

▲電解槽制氫系統(tǒng)優(yōu)化后提升情況

第三個案例是液體表面波可視化系統(tǒng)。整個液體表面波可視化系統(tǒng)主要分波源系統(tǒng)、光學系統(tǒng)、監(jiān)測系統(tǒng)、液體系統(tǒng)四部分。團隊用激光照射水面后，在墻面形成波動圖案，用于觀察液體表面波變化。

▲液體表面波可視化系統(tǒng)實驗裝置

伐謀在這個案例中主要介入兩個環(huán)節(jié)：一是優(yōu)化圖像反演算法，從圖案可反推液體波傳播過程；二是在實驗前通過仿真預演不同參數(shù)組合，減少實驗試錯。

第四個案例為傳感器優(yōu)化項目。團隊提到，傳感器精度會受到溫度、振動、老化等因素影響，人工同時優(yōu)化多項指標難度較大。他們將高溫非線性誤差、老化誤差、實時補償運行時間等指標加權成綜合評分，再交給伐謀并行探索多條優(yōu)化路徑，科研效率提升明顯。

此外，團隊成員還提到，他從去年11月開始使用伐謀，利用其后端文件，完善回歸算法。算法初始得分60多分，使用伐謀后，經(jīng)過一下午時間，算法得分升至70分以上。后續(xù)經(jīng)過兩天修改，進一步迭代優(yōu)化，最終得分在90分以上。

二、采訪交流：從問答到尋優(yōu)，伐謀多輪演化篩選最優(yōu)解

在采訪交流環(huán)節(jié)，智東西與其他媒體圍繞伐謀與普通大模型的區(qū)別、科研使用門檻、模型幻覺和產(chǎn)業(yè)落地等問題，與北工大團隊和百度伐謀產(chǎn)品團隊進行了交流。

百度伐謀產(chǎn)品團隊表示，伐謀并非單純的問答式大模型平臺，它能夠基于明確評價標準，進行算法尋優(yōu)。用戶需要給出任務、初始算法和評估器，伐謀則通過多輪演化不斷生成、驗證和篩選算法，最終輸出表現(xiàn)更優(yōu)的結果。

▲伐謀助力科研實驗方式

針對“科研領域如何避免大模型幻覺”的問題，北工大團隊解釋稱，伐謀的關鍵在于評價器。普通大模型可能給出看似合理，但無法驗證的回答，而伐謀每次生成方案后都要接受指標打分，效果不好就會被淘汰。只要任務目標清晰、評價指標可驗證，伐謀就能持續(xù)推動項目優(yōu)化。

苗揚提到，AI正在改變科研范式。過去科研人員需要大量依賴經(jīng)驗和人工試錯，現(xiàn)在機械、化工、能源等非計算機專業(yè)的研究者，也能更快借助AI參與復雜優(yōu)化問題。他提到，伐謀的價值不在于替代科學家提出問題，而是在科學家定義方向、規(guī)則和指標后，承擔大量重復探索工作。

▲北京工業(yè)大學副教授苗揚

百度伐謀團隊還介紹，伐謀已在物流、零售、金融、汽車仿真等產(chǎn)業(yè)場景中展開實踐。例如在港口集裝箱調配中，伐謀曾幫助提升約10%的運轉效率；在零售門店貨架排布中，則可將原本約一個月的排布周期縮短到以周為單位。

三、實驗室探訪：現(xiàn)場看液體波可視化實驗

交流結束后，智東西與其他媒體一同前往苗揚教授校外實驗室，現(xiàn)場觀看液體波可視化案例展示。團隊成員現(xiàn)場展示了液體表面波可視化效果。通過激光、水面擾動和投影成像，液體表面波的變化過程以圖案形式呈現(xiàn)出來。

▲液體表面波可視化效果

這類場景正是伐謀未來可發(fā)揮作用的地方。通過把實驗目標和評價標準轉化為可計算指標，AI可以幫助科研人員在實驗前篩選參數(shù)、在實驗后優(yōu)化算法，從而減少盲目試錯。

結語：AI科研工具開始走向“可驗證優(yōu)化”

從此次探訪來看，百度伐謀能夠有效助力科研實驗，降低科研成本、提升研發(fā)效率。同時，它也折射出AI進入科研和產(chǎn)業(yè)的一條現(xiàn)實路徑：AI可以深度參與到實驗設計、參數(shù)優(yōu)化、仿真驗證和方案篩選等更具體的環(huán)節(jié)中。

當AI能夠圍繞明確指標持續(xù)試錯和迭代，科研人員就有機會把更多精力放在問題定義、方向判斷和結果驗證上。未來，隨著這類工具在更多實驗室和產(chǎn)業(yè)場景中落地，AI對科研和工程研發(fā)的影響也會從“輔助工具”進一步走向“研發(fā)基礎設施”。