北工大苗扬团队介绍AI助力科研：科研探索周期甚至可从“月级”缩短至“天级”

你有没有想过，一束激光照向水面，反射出的光斑里，其实藏着一个复杂的物理世界？水面波动的形态、频率、液体的黏度、表面张力，甚至更深层的物理规律，都能从这些斑驳的图案中读出来。过去，要从这些信息中挖出规律，科研人员需要建立复杂的数学方程，反复推导、实验、验证，一套流程下来，半年时间就过去了。

不过，现在情况正在发生变化。

6月3日，百度伐谋在北京工业大学苗扬副教授的团队搞了一场“谋定行”探访活动。这个团队正把上述难题交给一款名为“百度伐谋”的超级智能体去求解。更关键的是，研究员甚至可以完全不懂代码，直接和伐谋对话沟通。结果呢？科研探索周期直接从“月级”缩短到了“天级”。

去年11月，百度创始人李彦宏在百度世界2025大会上发布了这款产品——百度伐谋，一款可商用的自我演化超级智能体。它主要面向产业研发和生产中的复杂优化问题，提供从问题建模到算法搜索、模型优化、性能优化等一系列服务。如今，它已经在物流、零售、金融、汽车仿真等多个产业场景中落地实践。

“AI介入后，效率大幅提升”

在实验室里，一束激光照向水面，反射后留下变幻的光斑。对普通人来说，这只是个有趣的光学现象；但对于北京工业大学扶摇实验室的研究人员来说，这正是读取物理规律的关键入口。过去，科研人员需要人工设计构型、做仿真、测试，再根据结果反复调整。半年时间能出一轮成果，已经算快的。现在，AI介入后，不到一周就能拿到一个最优结果。

苗扬在接受采访时说：“没有AI的时候，我们只能靠人工反复试。现在AI介入，不到一周时间就可以先得到一个最优结果，效率提升非常明显。” 过去，一个学生可能把大量时间花在调参数、试结构、跑模型上；现在，这部分工作可以被大幅压缩。

从百度伐谋团队了解到，伐谋并不是一个简单的大模型交互平台，而是基于人工经验，在算法层面做更深的探索和寻优。它和科研人员配合，产出的是更优的任务方案，帮助科研人员在原有算法上做迭代和优化。

“AI正在改变科研范式”

效率和准确率的提升只是其一。AI的介入，还能彻底改变科研的选优方式，让设备研发更接近工程落地。

举个例子：中国空间站要在轨运营10年以上，舱内空气质量直接关乎航天员的生命安全。传统气相色谱仪体积大、重量也大，在轨更换和补给都会带来不小的成本压力。苗扬团队想通过微型气相色谱柱，让空气监测设备变得更小、更轻、更高效。

要把设备做小，核心难点落在了色谱柱的结构设计上。过去，研究人员往往是靠经验设计几个方案，再放到仿真里测试，效果不好就重来。这种方式不仅周期长、成本高，而且很难判断是不是全局最优。苗扬说得更直白：“它只是这几个人里面最好的，但不一定是全中国最好的。”

引入伐谋后，团队把柱内结构的形状、排布、间距等变量全部交给系统去搜索，再用仿真结果作为评价依据。最终，伐谋在72小时内生成的新方案，在保持低压降的同时，归一化误差降低了8.17%，体积缩小了40%，分离效率提升了3倍。新构型让气体分子的运动路径更加统一，流场均匀性增强，有助于提升分离效率。

苗扬认为，AI正在改变科研范式，让小型化、高精度的空间站空气监测设备研发更接近工程落地。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。

除了科研探索外，伐谋在零售、制造、能源、物流、金融等多个场景中也有产业实践。比如在港口集装箱调配中，伐谋帮助提升了约10%的运转效率；在零售门店货架排布中，则能把原本一个月的排布周期缩短到以周为单位。