智东西6月3日报道，今日，百度伐谋举行“谋定行”探访活动，首站走进北京工业大学苗扬副教授团队。活动中，团队成员分享了四个应用百度伐谋的科研案例，涵盖空间站微型气相色谱柱优化、液体波可视化、PEM（质子交换膜）电解槽制氢系统，以及传感器优化等方向。 去年11月，百度世界2025大会上，百度创始人李彦宏发布可商用自我演化超级智能体——百度伐谋。它主要面向产业研发和生产中的复杂优化问题，提供问题建模、算法搜索、模型优化、性能优化等服务。 今天的活动中，智东西与苗扬副教授及其团队成员、百度伐谋产品团队进行了交流，了解到伐谋在科研场景中的应用方式，以及伐谋在提升科研效率、降低成本、增强系统安全性等方面的作用。 智东西在采访交流中了解到，伐谋对团队的科研效率有着明显的提升。在PEM电解槽制氢系统案例中，伐谋在约2小时寻优时间内，将模型准确率从92.26%提升至95.04%，提升2.78个百分点；在空间站微型气相色谱柱案例中，优化后结构的RMS（均方根）指标提升21.36%，NRMSE（归一化均方根误差）提升8.17%，平均相关系数提升39.34%；在算法优化案例中，应用伐谋后，原始算法综合分数从60多分提升到90多分。 第一个案例是空间站“电子鼻”气相色谱柱的研究。现有微量气体检测装置可在线检测19种微量有害气体，但设备体积和重量较大，会给空间站补给带来经费压力。针对这一问题，北工大团队对微柱结构进行参数化建模，包括几何形状、阵列排布、行间距、列间距等变量，再把初始结构放入COMSOL仿真中评估。 科研过程中，伐谋根据流速均匀性、低速滞留区占比、压降等指标，持续生成候选结构、筛选并进化更新。据成员介绍，优化后RMS由0.0309降至0.0243，优化21.36%；NRMSE由0.306降至0.281，优化8.17%；平均相关系数r由0.61提升至0.85，提升39.34%。 第二个案例，团队成员介绍了PEM电解槽制氢系统。团队原本需要人工设计深度学习模型、调超参数、筛选变量。使用伐谋后，团队把模型结构、超参数和变量选择作为可优化对象，由伐谋根据识别准确率等指标反复迭代。据团队成员介绍，伐谋2小时左右完成了20轮迭代、200余次模型评估，仅用约130万Token，将测试准确率从92.26%提升至95.04%，提升2.78个百分点。 第三个案例是液体表面波可视化系统。整个液体表面波可视化系统主要分波源系统、光学系统、监测系统、液体系统四部分。团队用激光照射水面后，在墙面形成波动图案，用于观察液体表面波变化。 伐谋在这个案例中主要介入两个环节：一是优化图像反演算法，从图案可反推液体波传播过程；二是在实验前通过仿真预演不同参数组合，减少实验试错。 第四个案例为传感器优化项目。团队提到，传感器精度会受到温度、振动、老化等因素影响，人工同时优化多项指标难度较大。他们将高温非线性误差、老化误差、实时补偿运行时间等指标加权成综合评分，再交给伐谋并行探索多条优化路径，科研效率提升明显。 此外，团队成员还提到，他从去年11月开始使用伐谋，利用其后端文件，完善回归算法。算法初始得分60多分，使用伐谋后，经过一下午时间，算法得分升至70分以上。后续经过两天修改，进一步迭代优化，最终得分在90分以上。 在采访交流环节，智东西与其他媒体围绕伐谋与普通大模型的区别、科研使用门槛、模型幻觉和产业落地等问题，与北工大团队和百度伐谋产品团队进行了交流。 百度伐谋产品团队表示，伐谋并非单纯的问答式大模型平台，它能够基于明确评价标准，进行算法寻优。用户需要给出任务、初始算法和评估器，伐谋则通过多轮演化不断生成、验证和筛选算法，最终输出表现更优的结果。 针对“科研领域如何避免大模型幻觉”的问题，北工大团队解释称，伐谋的关键在于评价器。普通大模型可能给出看似合理，但无法验证的回答，而伐谋每次生成方案后都要接受指标打分，效果不好就会被淘汰。只要任务目标清晰、评价指标可验证，伐谋就能持续推动项目优化。 苗扬提到，AI正在改变科研范式。过去科研人员需要大量依赖经验和人工试错，现在机械、化工、能源等非计算机专业的研究者，也能更快借助AI参与复杂优化问题。他提到，伐谋的价值不在于替代科学家提出问题，而是在科学家定义方向、规则和指标后，承担大量重复探索工作。 百度伐谋团队还介绍，伐谋已在物流、零售、金融、汽车仿真等产业场景中展开实践。例如在港口集装箱调配中，伐谋曾帮助提升约10%的运转效率；在零售门店货架排布中，则可将原本约一个月的排布周期缩短到以周为单位。 交流结束后，智东西与其他媒体一同前往苗扬教授校外实验室，现场观看液体波可视化案例展示。团队成员现场展示了液体表面波可视化效果。通过激光、水面扰动和投影成像，液体表面波的变化过程以图案形式呈现出来。 这类场景正是伐谋未来可发挥作用的地方。通过把实验目标和评价标准转化为可计算指标，AI可以帮助科研人员在实验前筛选参数、在实验后优化算法，从而减少盲目试错。 从此次探访来看，百度伐谋能够有效助力科研实验，降低科研成本、提升研发效率。同时，它也折射出AI进入科研和产业的一条现实路径：AI可以深度参与到实验设计、参数优化、仿真验证和方案筛选等更具体的环节中。 当AI能够围绕明确指标持续试错和迭代，科研人员就有机会把更多精力放在问题定义、方向判断和结果验证上。未来，随着这类工具在更多实验室和产业场景中落地，AI对科研和工程研发的影响也会从“辅助工具”进一步走向“研发基础设施”。