一場聚焦AI賦能科研的探訪活動近日在北京工業大學展開，百度旗下智能工具“伐謀”的“謀定行”活動走進苗揚副教授團隊，現場呈現了多個跨領域科研成果，涵蓋空間站空氣監測、PEM制氫安全及液體表面波可視化等方向。與會專家指出，AI技術正推動科研模式從“人工試錯”向“系統尋優”轉型，通過拆解問題目標、變量與評價標準，在更大參數空間中尋找最優解。

苗揚團隊在PEM電解槽制氫系統故障診斷中的實踐印證了這一變革。氫能作為未來能源體系的關鍵方向，其大規模應用受制于制取、儲運環節的安全挑戰。制氫系統涉及電、熱、流體、壓力等多維度耦合，單個故障可能引發連鎖反應，而真實設備無法通過反復制造故障獲取數據，導致樣本稀缺、變量復雜成為行業共性難題。傳統方法依賴研究人員查閱文獻、搭建模型、反復調參，當模型準確率達到92%后，每提升1個百分點都需付出巨大努力。

引入百度伐謀后，團隊在既有CNN與Transformer模型基礎上優化結構，將測試準確率提升至95.04%，科研周期從“周級”壓縮至“小時級”。苗揚強調，在氫能安全場景中，3個百分點的提升意味著更早識別風險、減少設備停機、降低運維成本。據測算，海外設備運維場景中，該技術可節省70%-80%的維修等待時間。這種效率躍升被苗揚比作“顯微鏡引發的觀察革命”，認為其代表科研方法的根本性轉變。

在空間站空氣監測領域，團隊針對微型氣相色譜柱的研發需求，展現了AI優化復雜結構的獨特優勢。長期在軌運行的空間站需持續監測微量有害氣體，傳統氣相色譜儀因體積重量過大難以適配。研發微型化設備的關鍵在于色譜柱結構設計，其內部形狀、排布、間距直接影響氣體流速均勻性、滯留區形成及壓降控制。過去，研究人員需基于經驗設計有限方案，通過仿真軟件迭代驗證，耗時費力且難以確保全局最優。

借助伐謀系統，團隊將色譜柱結構參數轉化為可搜索變量，以仿真結果為評價標準，在72小時內生成新方案。數據顯示，新設計在保持低壓降的同時，歸一化誤差降低8.17%，體積縮小40%，分離效率提升至原有3倍。苗揚指出，人工試錯雖能獲得可行方案，但AI的介入突破了經驗局限，在更大參數空間中探索出更優解。

百度伐謀產品團隊進一步闡釋了技術邏輯：該工具并非簡單對話機器人，而是需要用戶明確定義問題邊界、提供基礎數據、設定評價標準。系統據此生成候選方案并進行測試，保留性能更優的方向持續迭代。研發人員強調，人類始終主導問題定義與結果判斷——缺乏清晰目標會導致搜索方向偏離，沒有可靠標準則無法評估方案優劣。AI的核心價值在于承擔重復性試錯工作，而科研人員則聚焦于決策“什么值得探索”與“如何應用結果”。