百度近日举办了一场聚焦科研创新的探访活动，首站走进北京工业大学，深入展示了可商用自我演化超级智能体“百度伐谋”在科研领域的实际应用成效。活动中，北京工业大学苗扬副教授团队分享了四个具有代表性的科研案例，涉及空间站微型气相色谱柱优化、液体波可视化、PEM（质子交换膜）电解槽制氢系统以及传感器优化等多个方向。
在空间站“电子鼻”气相色谱柱的研究中，团队针对现有微量气体检测装置体积大、重量重的问题，对微柱结构进行了参数化建模。通过引入百度伐谋，科研人员根据流速均匀性、低速滞留区占比等关键指标，持续生成候选结构并进行筛选优化。优化后的结构在RMS（均方根）指标上提升了21.36%，NRMSE（归一化均方根误差）提升了8.17%，平均相关系数更是提升了39.34%，显著提高了检测装置的性能。
PEM电解槽制氢系统是另一个典型案例。以往，团队需要人工设计深度学习模型、调整超参数并筛选变量，过程繁琐且效率低下。引入百度伐谋后，团队将模型结构、超参数和变量选择作为可优化对象，由伐谋根据识别准确率等指标进行反复迭代。仅用约2小时，伐谋就完成了20轮迭代和200余次模型评估，将测试准确率从92.26%提升至95.04%，大大缩短了研发周期。
液体表面波可视化系统的研究则展示了百度伐谋在实验设计环节的应用。该系统通过激光照射水面，在墙面形成波动图案以观察液体表面波变化。伐谋在此过程中主要优化了图像反演算法，并能在实验前通过仿真预演不同参数组合，有效减少了实验试错次数，提高了实验效率。
传感器优化项目则体现了百度伐谋在处理多指标优化问题上的优势。传感器精度受温度、振动、老化等多种因素影响，人工同时优化多项指标难度较大。团队将高温非线性误差、老化误差等指标加权成综合评分，交给伐谋并行探索多条优化路径。经过伐谋的优化，科研效率得到了显著提升。
在与科研团队的交流中，百度伐谋产品团队详细介绍了伐谋的工作原理和优势。伐谋并非单纯的问答式大模型平台，而是能够基于明确评价标准进行算法寻优。用户只需给出任务、初始算法和评估器，伐谋就能通过多轮演化不断生成、验证和筛选算法，最终输出表现更优的结果。这种工作方式使得伐谋在科研领域具有独特的价值。
针对科研领域如何避免大模型幻觉的问题，北京工业大学团队表示，伐谋的关键在于评价器。每次生成方案后，伐谋都会接受指标打分，效果不好的方案会被淘汰。只要任务目标清晰、评价指标可验证，伐谋就能持续推动项目优化，确保科研结果的准确性和可靠性。
苗扬副教授认为，AI正在改变科研范式。过去，科研人员需要大量依赖经验和人工试错，而现在，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。伐谋的价值不在于替代科学家提出问题，而是在科学家定义方向、规则和指标后，承担大量重复探索工作，为科研人员提供有力支持。
百度伐谋团队还透露，伐谋已在物流、零售、金融、汽车仿真等多个产业场景中展开实践。例如，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，则将原本约一个月的排布周期缩短到以周为单位，展现了伐谋在产业应用中的广阔前景。
探访活动最后，媒体一行前往苗扬教授校外实验室，现场观看了液体波可视化案例展示。通过激光、水面扰动和投影成像，液体表面波的变化过程以图案形式生动呈现出来。这一场景正是伐谋未来可发挥作用的地方，通过把实验目标和评价标准转化为可计算指标，AI可以帮助科研人员在实验前筛选参数、在实验后优化算法，从而减少盲目试错，提高科研效率。
