让AI先替你试一万遍：伐谋AI4S如何把"搜索未知"变成科研生产力

南京紫金山，中国近代天文学的摇篮，也是一场持续43年“植物瘟疫”的起点。

1982年，全国首例“松树癌症”——松材线虫病在这里被发现。被感染的松树，针叶会迅速失水、发黄、枯死，从发病到死亡只需40天，一片松林被毁只需3-5年。

图注：显微镜下面的松材线虫病

此后43年，这场战役从未停止。直到2026年，紫金山才正式撤销疫点。根据“新华报业网”报道，全国仍有620个疫区，覆盖18个省级行政区，威胁着约800万公顷松林资源的安全。

防治的难点不在“治”，而在“早发现”。松材线虫病早期，病树外观几乎没有变化，肉眼看不到变色。等到树冠发黄，病害已进入中后期，采伐、运输、清理的成本骤增。如何在复杂林区环境中，在病害潜伏期就识别出问题，是林业科研的核心难题。

南京林业大学林海峰教授团队，一直致力于攻克这一难题。他们研发了“视觉前”早期识别技术，试图在肉眼可见变色前，通过多光谱影像捕捉病害信号。这项技术已推广应用超200万亩，节约防治成本约7亿元。

但更大的挑战卡在特征筛选环节。研究人员需要从多光谱波段、植被指数、时序变化等107个候选特征中，找出对早期病害最敏感的组合，而它们之间的排列组合成千上万。过去，这靠人工逐组实验，数月才能筛完一轮。

这不是只靠算力就能解决的事，本质上是怎么在海量组合里高效搜索的问题。

而同样的事，正在材料、能源、数学、金融的实验室里，每天都在发生。

百度伐谋AI Day上，这场科研困境迎来了破局的关键信号。伐谋一口气发布了三件事：AI4S“1+10+N”战略、面向100位学者的科学家计划，以及与南京林业大学联合推出的全国首个AI+早期松材线虫病防治一体化平台。

有没有一种可能，让 AI 从已有的科研经验中学习规律、发现线索，并主动探索新的可能方向，从而把科研人员从繁重的重复性试错中解放出来？这就是伐谋 AI4S 在做的事。

科研最贵的不是算力，是“不知道该试哪个方向”

在AI爆发的时代，人们习惯性地认为，算力是打开一切未知的钥匙。但对于真正的科研前沿，最奢侈的成本并非“算一次”的电费，而是决定“往哪个方向算”的试错成本。说白了，就是方向性的迷茫——力气有的是，不知道往哪使。

这种消耗，不是某个学科的“专利”，几乎每个实验室里都有一群“试到崩溃”的人：

清华大学电机系的研究者，需要对电磁材料的磁导率、磁滞、涡流效应进行建模。模型要同时处理动态变化、静态特征和复杂路径依赖，每次调参都是一次猜测，研究者要反复试验不同的神经网络结构，常陷入“试了错、错了再试”的循环。

清华大学数学系的形式化证明研究更苛刻。一个命题往往需要拆成几十个子目标，每条推理路径都可能走不通，研究者只能逐个尝试。机器会严格验证每一步，但“往哪走”的问题，机器帮不上忙，只能靠科研人员的经验摸索。

在金融市场，量化交易员面对的是极高噪声的数据。一个有效因子的发掘，需要7×24小时不间断地在海量市场信息中持续搜索、验证和评估，28天不间断演化才可能接近达标，耗时耗力且成功率难以保证。

同样的故事，也发生在航天领域。北京工业大学参与中国空间站设备研发的团队，在设计微型气相色谱柱时，高度依赖人工经验反复手动试错——设定几何模型、进行数值仿真、根据结果再调整，以“周”为单位出成果，效率低且带有盲目性，拖慢了整个研发进度。

天津大学的灾害预测研究同样如此。一个滑坡位移预测模型，从数据到模型再到验证，每一步都需要人工反复试错。更棘手的是模型迁移——将一个场景A（时滞型岩爆）的灾害预测方案迁移到场景B（结构面控制型岩爆），2名研究生要花5天，准确率还会下降33%，付出的时间成本与成果回报严重不匹配。

五个场景，跨材料、数学、金融、航天、地质。困境出奇一致：变量多、组合杂，人脑算不过来。靠“人海战术”试错，终究不是长久之计。

方向不对，算力再强也白费。

这正是AI4S（AI for Science，即人工智能驱动的科学研究）要解决的核心问题——不是用AI生成报告，而是让AI在大规模方案空间中替人搜索、比较、优化。而百度伐谋所做的，就是把“凭经验试几个方案”变成“让AI先搜索更多可能性”，这也是百度 AI Day 上传递的核心科研理念。

伐谋做了一件反直觉的事：不学已知，去搜未知

绝大多数AI的工作方式是“学习已有数据→预测结果”：吞噬海量已有数据，从中归纳模式，进行预测。但科研面对的是“未知解”，没有现成的答案可学，目标是把尚未发现的最优方案找出来。

伐谋的思路与此截然不同。它借鉴进化算法，将生物界35亿年的演化逻辑压缩到几天甚至几小时：围绕一个明确目标，在方案空间里持续生成、比较、筛选、迭代。科学家定义问题和标准，伐谋负责搜索和迭代，相当于给科研人配了一个“不知疲倦的试错助手”。

这套能力的底座，就是伐谋AI4S“1+10+N”战略中的那个“1”——自演化智能体。这个核心引擎并非一个PPT上的概念。就在4月，伐谋Agent 2.0登顶OpenAI主导推出的机器学习工程权威基准MLE-Bench（旨在衡量AI代理在机器学习工程方面的表现 ），并刷新SOTA成绩。这意味着它在模型训练、数据准备、实验运行等全流程中的端到端实战能力，达到了全球顶尖水平。换句话说，这不是实验室里的玩具，是已经能上手干活的系统。

图注：百度伐谋Agent 2.0登顶机器学习权威基准MLE-Bench榜单

“10”，是伐谋交出的十大跨学科科研标杆成果，覆盖四种核心能力：

能力一：数据驱动的机理预测，让AI在复杂系统中找到隐藏规律。清华大学的电磁材料特性预测，伐谋自主搜索出“动态路径+静态路径+线性连接层”的优化模型。在磁芯材料暂态特性建模的关键评测中，伐谋将模型分数从人工基线40+提升至96+，排名全球第五；部分材料建模精度超越了人类构建的最佳模型，成果被电力电子领域顶级会议IEEE ECCE 2026接收。

图注：分数从baseline40+提升到96+分

脑科学领域，伐谋设计新的多模态融合机制，使fMRI抑郁症判别准确率提升5%，跨人群泛化能力显著增强；量化交易中，经过28天持续搜索，策略达顶尖量化机构水平，大盘年化收益提升11%。

能力二:科学仿真的加速求解，把耗时从“天”压缩到“分钟”。阿尔特汽车的风阻仿真智能预测系统，单次从24小时缩短至10分钟，预测准确率95%；零碳工业园区的氢能电力调度，约束满足率100%，响应时间从2小时降至10秒。

图注：阿尔特汽车的风阻仿真智能预测系统

能力三：可验证环境的目标搜索，让AI在明确规则下自主寻优。伐谋与清华数学系联合研发的Famou-Lean数学证明智能体，在FATE-H测试中首次实现12道高难证明题全部求解，闭合步骤数提升210%。

在硬件领域，伐谋同样能打——光电芯片工艺寻优，伐谋围绕1×16 MMI功分器开展多目标寻优，对6个几何变量和3项性能指标进行120轮自动搜索，均匀度指标改善约55%，综合性能评分提升6.5%；对于具身智能控制算法，他能让机械臂运动控制任务提升289%，灵巧手任务提升150%。

能力四：动态环境的自主博弈，在对抗中持续优化策略。南开大学空间对抗研究，伐谋将1v1胜率从34%提升至72%，4v4胜率从0提升至80%。

这十几个案例跨材料、脑科学、金融、航天、能源、数学、具身智能、博弈对抗，底层逻辑却高度一致——伐谋在“搜”，不在“学”。不是恰好擅长这些学科，而是同一套搜索能力可以迁移。

在AI Day现场，这些案例不是纸面上的成绩单，而是由清华、南开、阿尔特等合作团队亲自来分享的真实科研实践。

当搜索力走进松树林：从“看不出病”到“98%检出率”

松树不会说话，但107个候选特征替它说了：我想活下去，但你得早点发现我。困住南林团队数月之久的107个候选特征，在伐谋眼里，就是一个完美的“搜索挑战”。

过去，科研人员需要结合林业经验，通过无人机影像、多光谱数据等信息，人工筛选波段、植被指数及其组合，再通过大量实验逐项验证，通常持续数月。

伐谋是怎么做的？它并没有去修改南林团队已建立的深度学习模型，而是把那个模型当作一个初始解。它像一个不知疲倦的“特征猎人”，在海量特征组合中自动生成方案，放入模型中进行评估，保留高分组合，淘汰低分组合，然后进行新的排列组合，开启下一轮进化。基于这一合作模式，双方共同推出了全国首个AI+早期松材线虫病防治一体化平台，这也是百度 AI Day 上发布的重点成果之一。

关键的分工在于：科学家没有交出判断权——他们负责定义问题、设定评价标准和验证结果。伐谋接手的是搜索权——完成大量特征组合的搜索和计算，提前判断哪些特征更值得进入后续实验。

结果是硬核的，也是令人惊喜的：

107个候选特征被筛至约5个，特征数量压缩约82.8%。这一过程相当于在正式实验前完成高效初筛，将大量候选组合压缩为少量高价值方案。初筛耗时约56分钟，预计可节约约80%的前期实验筛选时间。

在整体检测效果上，模型mAP@0.5从86.4%提升至90.8%；早期病树检出率从89.1%提升至98.0%，提升8.9个百分点；早期类别AP从78.5%提升至88.7%，提升10.2个百分点。针对干旱胁迫、枯草等复杂背景，误报率从13.6%降至5.1%，下降约62.5%。

更值得注意的是，伐谋筛选出的关键特征具有可解释的生理含义。红边特征反映叶绿素变化和植被活力，NIR及水分相关指数反映冠层结构和含水状态，时序差分特征反映树木是否持续出现异常变化。这不是黑箱，是可以从波段响应、植被指数变化和病害生理过程三个层面解释的判断依据。

应用价值的账也算得清：预计可进一步节约核查、防控和模型迭代相关成本约3000万至5000万元；后续随系统推广，有望支撑约50万至100万亩重点风险松林的早期预警能力提升，为全国约800万公顷松林资源安全提供支持。

而这，仅仅是“1+10+N”战略中“N”的开始。“N”是伐谋的“科学家计划”，在百度 AI Day 上正式官宣，面向100位学者，设置青年学者计划和R&D Pioneer两条路径，目的很明确：把“科学家定义问题+伐谋负责搜索”这套打法，复制到更多学科，让这场范式变革从一棵松树、十个案例，走向真正的星火燎原。

一棵松树的故事，浓缩了百度伐谋AI4S“1+10+N”战略的完整逻辑——那个“1”的自演化引擎在驱动，“10”的跨学科能力在验证，“N”的科学家计划在打开未来的想象空间。

让AI先替你试遍所有可能，然后由你来判断

AI4S不是把科研人员变成数据处理员，也不是让AI替专家直接下结论，而是在重新定义人机分工。把搜索权交给AI，把判断权留给人。让AI先替科研人员把大量可能的方案快速试一遍，帮助专家把时间用在更关键的问题判断和结果验证上。

同一套搜索能力，已在产业端跑出实效，验证了 AI 赋能的可行性。

青岛港是全球自动化码头的技术标杆，其智能管控系统A-TOS已连续13次刷新世界纪录。在这样一个几乎被优化到极致的场景中，伐谋进行了398轮演化，最终在原型演示中，实现核心指标整体进一步提升10%以上。

鄂尔多斯伊金霍洛旗的交通信控，引入伐谋后车均延误先降13%、再降5%，通行用时降低50%以上。

中信百信银行的智能风控项目，伐谋7×24小时挖掘风险特征，特征挖掘效率提升320%，风险区分度提升10%。

2025年11月百度世界大会正式发布伐谋，2026年5月百度Create大会升级2.0版本。目前，已有超过3000家企业试用伐谋。

图注：百度伐谋产品负责人李安南

百度创始人李彦宏在发布伐谋时，说过这样一段话：“大家知道中国是一个制造业大国，拥有41个工业大类，207个工业中类和666个工业小类，是全世界唯一拥有联合国产业分类当中全部工业门类的国家，有最完整的产业链。这些产业链的提效，无论是排产调度、资源优化、路径规划还是交易决策等等，都需要找到更优的解决方案。”

这个“更优”，怎么落地？答案就藏在那一个个具体场景里：研发周期缩短一点，仿真效率提升一点，试错成本下降一点。积少，成多。

紫金山上那棵松树，经过43年治理，疫点终于撤销。清华数学系那些等待闭合的证明步骤，正在被智能体一步步补齐。量化交易员们还在从噪声里打捞因子，但搜索效率已不是同一个量级。

科研的本质始终是在未知中搜索。伐谋AI4S所做的，是给每一个在未知中摸索的搜索者，一个更快、更稳的引擎。

从“人海试错”到“系统演化”，从单点项目到学科体系——这不是一次产品发布，而是一种科研范式的演进，也是百度AI Day，想告诉所有人的一件事。

让AI先替你试遍所有可能，然后由你来判断。这，就是百度伐谋AI4S正在书写的新故事。