在北京工業大學的一間實驗室里，苗揚副教授團隊正借助百度研發的AI工具“伐謀”，在多個科研領域掀起一場變革。6月3日，百度“謀定行”探訪活動走進這支團隊，現場展示的案例覆蓋空間站空氣監測、PEM制氫安全、液體表面波可視化等方向，揭示了AI如何推動科研從“人工試錯”轉向“系統尋優”的新模式。

“這不僅是幾個獨立的技術突破，更代表科研范式的轉變?！泵鐡P在接受采訪時強調。傳統科研中，研究者往往依賴個人經驗，在有限方案中反復調試，而AI的介入讓問題被拆解為目標、變量和評價標準，系統得以在更廣闊的參數空間中持續搜索最優解。他以顯微鏡的發明類比：“就像顯微鏡讓人類觀察到微觀世界，AI正在重塑我們探索復雜問題的方式。”

在氫能安全領域，這一轉變尤為關鍵。PEM電解槽制氫系統涉及電、熱、流體、壓力等多環節耦合，一個微小故障可能引發連鎖反應。然而，真實設備無法通過反復制造故障來收集數據，導致樣本稀缺、變量復雜成為研究瓶頸。苗揚團隊成員分享了一個典型案例：在既有CNN與Transformer模型基礎上，伐謀幫助團隊將模型測試準確率從92.26%提升至95.04%，科研周期從“周級”壓縮至“小時級”?！霸谄胀▓鼍爸?，3個百分點的提升可能微不足道，但在氫能安全領域，這意味著更早發現風險、減少停機時間、降低運維成本?！泵鐡P解釋道。據測算，面向海外設備運維時，提前預判故障可節省70%至80%的維修等待時間。

空間站空氣監測項目則展現了AI在極端條件下的優化能力。長期在軌運行的空間站需持續監測微量有害氣體，但傳統氣相色譜儀體積龐大，與空間站對重量和空間的嚴苛要求相矛盾。微型化色譜柱的設計成為核心挑戰——柱內形狀、排布、間距的微小差異，都會影響氣體流速均勻性、滯留區形成和壓降控制。過去，研究人員只能基于經驗設計少數方案，再通過仿真軟件驗證，效率低下且難以確保全局最優?！叭斯ぴ囧e能找到可行方案，但未必是最優解。”苗揚以“幾個人中的最好”與“全國最好”的對比，點明傳統方法的局限。

引入伐謀后，團隊將色譜柱結構的幾何參數交給系統搜索，以仿真結果為評價依據。數據顯示，AI在72小時內生成的新方案，在保持低壓降的同時，將歸一化誤差降低8.17%，體積縮小40%，分離效率提升3倍。這一突破直接回應了空間站對設備輕量化的需求，為長期在軌安全監測提供了技術支撐。

百度伐謀產品團隊成員強調，這一工具并非簡單的“智能助手”，而是需要研究者明確問題定義、提供數據基礎、設定評價標準?！叭耸冀K是科研的主導者?！痹摮蓡T比喻道，“沒有清晰目標，系統不知搜索方向；沒有可靠標準，系統無法判斷優劣。AI承擔的是重復搜索和試錯，而人類決定什么值得探索、什么結果可信。”這種“人機協同”的模式，正在重新定義科研的邊界與效率。