實探北工大實驗室：從空間站“電子鼻”到制氫故障診斷，百度伐謀深度參與科研

智東西 作者 | 楊京麗 編輯 | 李水青 智東西6月3日報道，今日，百度伐謀舉行“謀定行”探訪活動，首站走進北京工業大學苗揚副教授團隊。活動中，團隊成員分享了四個應用百度伐謀的科研案例，涵蓋空間站微型氣相色譜柱優化、液體波可視化、PEM（質子交換膜）電解槽制氫系統，以及傳感器優化等方向。 ▲百度伐謀“謀定行”活動 去年11月，百度世界2025大會上，百度創始人李彥宏發佈可商用自我演化超級智能體——百度伐謀。它主要面向產業研發和生產中的複雜優化問題，提供問題建模、算法搜索、模型優化、性能優化等服務。 今天的活動中，智東西與苗揚副教授及其團隊成員、百度伐謀產品團隊進行了交流，瞭解到伐謀在科研場景中的應用方式，以及伐謀在提升科研效率、降低成本、增強系統安全性等方面的作用。 智東西在採訪交流中瞭解到，伐謀對團隊的科研效率有著明顯的提升。在PEM電解槽制氫系統案例中，伐謀在約2小時尋優時間內，將模型準確率從92.26%提升至95.04%，提升2.78個百分點；在空間站微型氣相色譜柱案例中，優化後結構的RMS（均方根）指標提升21.36%，NRMSE（歸一化均方根誤差）提升8.17%，平均相關係數提升39.34%；在算法優化案例中，應用伐謀後，原始算法綜合分數從60多分提升到90多分。 一、從空間站“電子鼻”到制氫故障診斷，伐謀深度參與科研場景 據苗揚副教授介紹，團隊去年起開始使用伐謀，並將其應用於多個課題之中。此次分享，團隊重點介紹了四個案例。 第一個案例是空間站“電子鼻”氣相色譜柱的研究。現有微量氣體檢測裝置可在線檢測19種微量有害氣體，但設備體積和重量較大，會給空間站補給帶來經費壓力。針對這一問題，北工大團隊對微柱結構進行參數化建模，包括幾何形狀、陣列排布、行間距、列間距等變量，再把初始結構放入COMSOL仿真中評估。 ▲色譜柱研究主要過程 科研過程中，伐謀根據流速均勻性、低速滯留區佔比、壓降等指標，持續生成候選結構、篩選並進化更新。據成員介紹，優化後RMS由0.0309降至0.0243，提升21.36%；NRMSE由0.306降至0.281，提升8.17%；平均相關係數r由0.61提升至0.85，提升39.34%。 第二個案例，團隊成員介紹了PEM電解槽制氫系統。團隊原本需要人工設計深度學習模型、調超參數、篩選變量。使用伐謀後，團隊把模型結構、超參數和變量選擇作為可優化對象，由伐謀根據識別準確率等指標反覆迭代。據團隊成員介紹，伐謀2小時左右完成了20輪迭代、200餘次模型評估，僅用約130萬Token，將測試準確率從92.26%提升至95.04%，提升2.78個百分點。 ▲電解槽制氫系統優化後提升情況 第三個案例是液體表面波可視化系統。整個液體表面波可視化系統主要分波源系統、光學系統、監測系統、液體系統四部分。團隊用激光照射水面後，在牆面形成波動圖案，用於觀察液體表面波變化。 ▲液體表面波可視化系統實驗裝置 伐謀在這個案例中主要介入兩個環節：一是優化圖像反演算法，從圖案可反推液體波傳播過程；二是在實驗前通過仿真預演不同參數組合，減少實驗試錯。 第四個案例為傳感器優化項目。團隊提到，傳感器精度會受到溫度、振動、老化等因素影響，人工同時優化多項指標難度較大。他們將高溫非線性誤差、老化誤差、實時補償運行時間等指標加權成綜合評分，再交給伐謀並行探索多條優化路徑，科研效率提升明顯。 此外，團隊成員還提到，他從去年11月開始使用伐謀，利用其後端文件，完善迴歸算法。算法初始得分60多分，使用伐謀後，經過一下午時間，算法得分升至70分以上。後續經過兩天修改，進一步迭代優化，最終得分在90分以上。 二、採訪交流：從問答到尋優，伐謀多輪演化篩選最優解 在採訪交流環節，智東西與其他媒體圍繞伐謀與普通大模型的區別、科研使用門檻、模型幻覺和產業落地等問題，與北工大團隊和百度伐謀產品團隊進行了交流。 百度伐謀產品團隊表示，伐謀並非單純的問答式大模型平臺，它能夠基於明確評價標準，進行算法尋優。用戶需要給出任務、初始算法和評估器，伐謀則通過多輪演化不斷生成、驗證和篩選算法，最終輸出表現更優的結果。 ▲伐謀助力科研實驗方式 針對“科研領域如何避免大模型幻覺”的問題，北工大團隊解釋稱，伐謀的關鍵在於評價器。普通大模型可能給出看似合理，但無法驗證的回答，而伐謀每次生成方案後都要接受指標打分，效果不好就會被淘汰。只要任務目標清晰、評價指標可驗證，伐謀就能持續推動項目優化。 苗揚提到，AI正在改變科研範式。過去科研人員需要大量依賴經驗和人工試錯，現在機械、化工、能源等非計算機專業的研究者，也能更快借助AI參與複雜優化問題。他提到，伐謀的價值不在於替代科學家提出問題，而是在科學家定義方向、規則和指標後，承擔大量重複探索工作。 ▲北京工業大學副教授苗揚 百度伐謀團隊還介紹，伐謀已在物流、零售、金融、汽車仿真等產業場景中展開實踐。例如在港口集裝箱調配中，伐謀曾幫助提升約10%的運轉效率；在零售門店貨架排布中，則可將原本約一個月的排布週期縮短到以周為單位。 三、實驗室探訪：現場觀看液體波可視化實驗 交流結束後，智東西與其他媒體一同前往苗揚教授校外實驗室，現場觀看液體波可視化案例展示。團隊成員現場展示了液體表面波可視化效果。通過激光、水面擾動和投影成像，液體表面波的變化過程以圖案形式呈現出來。 ▲液體表面波可視化效果 這類場景正是伐謀未來可發揮作用的地方。通過把實驗目標和評價標準轉化為可計算指標，AI可以幫助科研人員在實驗前篩選參數、在實驗後優化算法，從而減少盲目試錯。 結語：AI科研工具開始走向“可驗證優化” 從此次探訪來看，百度伐謀能夠有效助力科研實驗，降低科研成本、提升研發效率。同時，它也折射出AI進入科研和產業的一條現實路徑：AI可以深度參與到實驗設計、參數優化、仿真驗證和方案篩選等更具體的環節中。 當AI能夠圍繞明確指標持續試錯和迭代，科研人員就有機會把更多精力放在問題定義、方向判斷和結果驗證上。未來，隨著這類工具在更多實驗室和產業場景中落地，AI對科研和工程研發的影響也會從“輔助工具”進一步走向“研發基礎設施”。