北工大苗扬团队AI助力科研周期从月缩至天

你是否曾深入思考过，当一束激光照射到水面时，其反射形成的光斑之中，其实蕴藏着一个极为复杂的物理世界？水面波动的形态与频率、液体的黏度与表面张力，乃至更深层次的物理规律，都能从这些斑驳变幻的图案中被解读出来。在过去，要从中挖掘出隐藏的规律，科研人员必须构建繁复的数学方程，经过反复推导、实验与验证，一套完整的流程下来，往往需要耗费半年之久。

然而，这一局面如今正在被彻底改写。

6月3日，百度伐谋与北京工业大学苗扬副教授团队共同举办了“谋定行”探访活动。该团队正将上述科研难题交由名为“百度伐谋”的超级智能体进行求解。更令人瞩目的是，研究人员即便完全不懂编程代码，也能通过自然对话的方式与伐谋直接沟通。结果如何？科研探索周期直接从传统的“月级”大幅压缩到了“天级”。

去年11月，百度创始人李彦宏在百度世界2025大会上正式发布了这款产品——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与生产过程中的复杂优化问题，提供从问题建模、算法搜索到模型优化、性能优化等全链路服务。如今，它已在物流、零售、金融、汽车仿真等多个产业场景中实现了深度落地实践。

“AI介入后，效率大幅提升”

在实验室环境中，一束激光照射水面后，反射出不断变幻的光斑。对普通人而言，这或许只是一个有趣的光学现象；但对北京工业大学扶摇实验室的研究人员来说，这恰恰是读取物理规律的核心入口。过去，科研人员需要手动设计构型、进行仿真与测试，再根据结果反复调整。半年时间能产出一轮成果，已经算得上高效。如今，AI介入之后，不到一周就能获得一个最优结果。

苗扬副教授在接受采访时表示：“没有AI辅助时，我们只能依赖人工反复试错。现在AI介入后，不到一周就能先得到一个最优结果，效率提升极为明显。” 过去，一个学生可能将大量时间耗费在调节参数、测试结构与运行模型上；现在，这部分工作可以被大幅压缩。

据百度伐谋团队介绍，伐谋并非一个简单的大模型交互平台，而是基于人工经验，在算法层面进行更深入的探索与优选出最优化方案。它与科研人员紧密协同，产出更优的任务方案，从而帮助研究者在原有算法基础上实现迭代与优化提升。

“AI正在改变科研范式”

效率与准确率的提升仅是优势的一部分。AI的介入，还能彻底改变科研的选优方式，使得设备研发更贴近工程落地实际。举个例子：中国空间站需要在轨运营十年以上，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庞大、重量也较大，在轨更换与补给都会带来巨大的成本压力。为此，苗扬团队希望借助微型气相色谱柱，让空气监测设备变得更小、更轻、更高效。

要将设备做小，核心难点落在了色谱柱的结构设计上。过去，研究人员往往依赖经验设计几个方案，再放入仿真环境中测试，效果不佳便推倒重来。这种方式不仅周期漫长、成本高昂，而且很难判断方案是否为全局最优。苗扬说得更为直白：“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，团队将柱内结构的形状、排布、间距等变量全部交由系统自动搜索，并以仿真结果作为评价依据。最终，伐谋在72小时内生成了全新方案：在保持低压降的前提下，归一化误差降低了8.17%，体积缩小了40%，分离效率提升至原来的3倍。这种新构型使得气体分子的运动路径更加统一，流场均匀性显著增强，从而有力提升了分离效率。

苗扬认为，AI正在重塑科研范式，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与人工试错；现在，机械、化工、能源等非计算机专业领域的研究者，也能更快地借助AI参与到复杂优化问题的求解中。除了科研探索之外，伐谋在零售、制造、能源、物流、金融等多个行业场景中也有广泛的产业实践。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方面，则能将原本一个月的排布周期大幅缩短至以周为单位。