新黄河记者：张盼港  

6月3日，百度伐谋“谋定行”探访活动走进北京工业大学苗扬副教授团队。现场展示的案例涵盖空间站空气监测、PEM电解槽制氢系统故障诊断、液体表面波可视化等多个方向。

从这些案例看，百度伐谋进入的并不是简单的文本生成场景，而是科研中更耗时、更依赖反复试错的环节。研究人员需要先定义目标、变量和评价标准，再由系统围绕这些条件生成方案、测试方案，并筛选出表现更优的方向。

北京工业大学苗扬副教授在现场对包括新黄河等媒体记者表示，伐谋带来的变化，不是简单让论文写得更快，而更像显微镜出现后对观察世界方式的改变。在他看来，这是一种科研方法的变化。

从“周级”到“小时级”，AI压缩科研试错周期

在PEM电解槽制氢系统故障诊断案例中，团队关注的是如何更早发现故障，并更准确判断故障原因。

氢能被视为未来能源体系的重要方向，但制氢系统内部涉及电、热、流体、压力等多个环节，一个小故障可能影响整体运行。与此同时，真实设备不能为了收集数据而反复制造故障，样本少、变量多，是相关研究中的常见难题。

传统方法下，研究人员通常需要查阅文献、搭建模型、调整参数，再根据结果继续修改。尤其当原有模型准确率已经较高时，进一步提升并不容易。

现场分享显示，伐谋参与后，团队在既有CNN与Transformer模型基础上继续寻找更优结构，模型测试准确率由92.26%提升至95.04%，科研探索周期从“周级”缩短至“小时级”。

苗扬认为，“周到小时”甚至还不足以概括这种变化。他举例称，一些过去需要反复制片、测试、比较的工作，实际变化可能更接近“月到小时”。

在普通场景中，几个百分点的准确率提升或许并不显眼。但在氢能安全场景中，准确率每提升一步，都可能意味着更早发现风险、更少停机等待和更低运维成本。现场还提到，在面向海外设备运维的场景中，如果能够提前判断问题并准备备件，理想情况下可节省约70%至80%的维修等待时间。

不只是提速，AI正在进入基础研究现场

在空间站空气监测案例中，团队研究的是微型气相色谱柱。空间站长期在轨运行，人体代谢、舱体材料、食品和货物都可能释放微量有害气体。气相色谱仪可以理解为一种“电子鼻”，用于分离和识别舱内气体成分。

但空间站对设备体积和重量要求极高。要把设备做小，核心难点落在色谱柱结构上。柱内形状、排布和间距，会影响气体流速是否均匀、是否存在滞留区、压降是否可控。

过去，研究人员往往依靠经验设计几个方案，再放入仿真软件测试。效果不好，就重新设计。苗扬表示，这种方式时间长、成本高，也很难判断方案是否已经接近全局最优。

引入伐谋后，团队把柱内结构的形状、排布、间距等变量交给系统搜索，再用仿真结果作为评价依据。活动材料显示，伐谋在72小时内生成的新方案，在保持低压降的同时，归一化误差降低8.17%，体积缩小40%，分离效率提升3倍。

这意味着，AI并不是简单替研究人员多跑几次仿真，而是把过去“凭经验试几个方案”，转变为“围绕目标搜索更多可能”。

类似变化也出现在液体表面波可视化实验中。实验中，一束激光照向水面，经反射后在墙面形成不断变化的光斑。研究人员希望从这些图案中反推出液面形貌、波动频率、振幅、液体黏度和表面张力等信息。

这一研究并非直接面向产业应用，更接近基础研究中的“从0到1”探索。难点在于，光斑图案与液体性质之间并不是简单的一一对应关系。传统方式需要建立复杂方程，反复推导和验证，周期较长。

苗扬介绍，伐谋在其中的作用，是帮助团队围绕“图案与波动参数之间的关系”进行大量搜索和验证，更快找到值得进一步分析的方向。它不能替代物理解释，但可以帮助研究人员更早发现某些关系，再由人去理解、验证和表达。

百度伐谋产品团队成员在现场表示，伐谋不是普通聊天工具。用户需要先说明要解决什么问题、提供哪些数据、如何判断结果好坏；系统再围绕这些条件生成方案、测试方案，并保留表现更好的方向。

从空间站空气监测到制氢安全，再到液体表面波研究，伐谋进入的都是变量多、试错成本高、准确性要求高的场景。其核心变化在于，把科研中的重复探索从人工经验中部分抽离出来，让系统先寻找更多可能性，再由研究人员判断科学意义和应用价值。

这也意味着，AI进入科研现场后，真正重要的并不只是概念本身，而是它能否改变科研人员寻找答案的方式。过去，科研人员常常在少量方案中寻找“相对更好”的结果；现在，他们开始有机会在更大的空间中寻找更接近最优的结果。对于高校实验室而言，这种变化已经开始发生。

编辑：刘丹  校对：汤琪