【环球网科技报道 记者 林梦雪】在北京工业大学的一间实验室里，一束激光静静照射在水面上。光斑在液面波动的瞬间发生扭曲、反射，最终在远处的光屏上投射出不断变幻的复杂图案。
“对普通人来说，这只是墙上的光影游戏；但在我们眼里，这些图案是液体黏度、表面张力和波动频率的‘摩斯密码’。”北京工业大学苗扬副教授指着屏幕说道。
然而，破译这门“暗语”曾是科研人员的噩梦，“过去，科研人员往往要建立复杂方程，反复推导、实验、验证。”苗扬指着实验装置介绍道，“现在，我们把问题交给百度伐谋。”这个系统就像为科研人员装上了一双“天眼”，它不替代人的智慧，而是替人承担起最繁重、最耗时的试错过程。
科研“天眼”：从“人工试错”到“机器寻优”
“我觉得它不是简单地发论文快什么的，更像显微镜出现以后带来的观察世界革命性的变革。”苗扬如此描述这一变化。百度伐谋从“周级”到“小时级”的效率跃迁，让研究人员不再受限于有限的经验方案，而是有机会在庞大的参数空间里寻找“更接近最优”的结果。
在实验室，研究生史冰冰正在调试液体表面波可视化系统。她介绍道，系统由波源、光学、监测和液体四大系统组成，核心难点在于如何从光屏上杂乱的图像反推出液面的精确形貌。
“过去，我们需要凭经验去猜模型结构，调参数。”史冰冰说，“现在，我们把问题拆解成目标、变量和评价标准，交给伐谋去搜索。”这正如为科研人员装上了一双“天眼”，AI承担了大量重复的搜索和试错，而人则负责定义问题和判断科学价值。
这种“天眼”能力，在解决国家重大需求的复杂工程中显得尤为珍贵。
在空间站空气监测项目中，为了给航天员打造健康的“太空之家”，团队需要设计微型气相色谱柱。这是一个“螺蛳壳里做道场”的难题：既要体积小（节省空间站宝贵资源），又要分离效率高。
“最早怎么办呢？没有办法……我们只能去试错。”苗扬回忆道，而引入伐谋后，系统在72小时内生成的新方案，让色谱柱体积缩小了40%，分离效率提升3倍，同时保持了低压降。
苗扬感慨道：“从‘周级’到‘小时级’，变化的不只是时间。科研人员不再只是在有限选项中挑一个相对好的，而是有机会在更大的空间里寻找‘更接近最优’的结果。”
扎根实验室：让“看不见”的故障无处遁形
在PEM电解槽制氢系统的故障诊断实验中，这种“天眼”能力体现得更为明显。
“氢能安全是一个重大的挑战，从能不能用转化成能不能安全用的问题上，安全是一个重要的问题。”课题组学生贾鑫珂介绍道。PEM电解槽是一个涉及电、热、流体的复杂系统，真实设备不能反复制造故障来收集数据，且故障样本少、变量多。
过去，依靠人工经验设计的CNN与Transformer融合模型，准确率在92.26%的高位上难以提升。学生贾鑫珂形容，从好的变成更好的，是一个非常困难的过程。
“我们通过伐谋，将我们所设计的这些方法进行了大幅度优化。”苗扬介绍。利用伐谋系统，团队将模型测试准确率提升至95.04%，更重要的是，科研探索周期从“周级”缩短至“小时级”。
“理想情况下可节省约70%至80%的维修等待时间。”苗扬补充道，“这不仅是为了省钱，更是为了解决燃眉之急。”
技术底座：如何让AI听懂“人话”？
那么，伐谋究竟是如何工作的？百度伐谋产品团队成员在现场演示中揭开了谜底。
“伐谋并不是一个单纯的像我们用的豆包或者DeepSeek这种大模型交互平台。”百度伐谋产品团队成员解释道，它更像是一个“科研助手”，核心在于“意图理解”和“算法演化”。
科研人员只需要定义清楚任务：输入原始代码、设定评价指标逻辑（比如准确率要高、参数量要少）、修改配置。剩下的，就是让AI在后台进行“暴力美学”的搜索。
“人类负责定义问题，AI负责承担大量重复搜索和试错。”百度伐谋产品团队成员介绍，通过统一的自演化智能体框架，百度伐谋能够有效应对科研中高难算法任务，显著降低算法优化门槛。
对于外界关心的“幻觉”问题，学生陈科宇给出了实操层面的解答：“伐谋是根据分数进行进化的，并不是根据给出的答案进行进化的。”这意味着，只要评价指标设置得当，AI就会沿着正确的方向“进化”。