AI for Science的中国路径，百度伐谋把「桥」造到了松林

文 | kiki

2023年8月，Nature发布了一篇名为《Scientific Discovery in the Age of Artificial Intelligence》（人工智能时代的科学发现）的文章，来自世界各地的30位顶尖科学家都想要回答一个问题：

AI for Science（简称：AI4S）到底能带来哪些革命性影响？

这群全球最聪明的脑袋在这篇万字长文里，记录了AI是如何帮助科学家们整理大量数据、改进测量、指导实验，并建立可操作和可靠的模型，来进行自主发现的。

但颇为遗憾的是，这篇论文并没有太多生动的落地案例，彼时AI正处于通用大模型的爆发时刻，AI4S似乎并不受太多人关注。

但事实上，AI4S从来不边缘，它有另一个名字——「AI应用皇冠上的明珠」，早已成为各国和巨头押注的热门方向。

美国发布「创世纪计划」，谷歌持续探索AlphaFold的科学突破，OpenAI在去年成立「OpenAI for Science」部门，中国也把「以人工智能引领科研范式变革」写进了「十五五」规划里。

谁能率先在AI4S上跑通，谁就能点燃下一代科技爆发的源头创新之火。

在中国，AI4S看似安静，但并非停留在理论层面。

近期，在百度伐谋 AI Day 上，来自中国的可商用自我演化超级智能体百度伐谋和科学家们共同交出了一份AI4S的最新成绩单。

来自中国AI的实践，正给出一条独特的AI4S发展路径：

我们不是用AI再造一个科学家，也不是给科学家们增加一个AI工具，而是以问题为导向，为科学发现与研发突破造桥，解决源头的真问题、兑现AI的真价值。

1、中国AI，瞄准AI4S的「真命题」

当AI4S加速进入大众视野时，这条路上，倒下的人其实要比站着的人多得多。

曾代表Google DeepMind明星AI4S项目的AlphaFold，核心团队已经解散，而早在2023年，Meta也亲手解散了自己的蛋白质折叠团队。

AI4S到底难在哪？

基础研究本质是一项从0到1的源头创新，科学家们对AI提的能力要求，和普通人写代码、做PPT完全不同，至少有三座看得见的大山：

第一座，没有现成答案可抄。

科学问题里存在浩瀚的假设空间，科研面对的是未知解，很多时候，问题本身都还没有被定义清楚。

第二座，可能性试不完。

变量多、约束复杂，难的不是让AI找一个可能性，而是在海量的可能性里找到最值得验证的方向，降低科学家们的试错成本。

第三座，结论必须经得起检验。

科研结果要能复现、能解释、能落地，而AI黑箱的模糊判断，有时难以作为有效结论。

所以，当AI走进实验室，解决那些真正高风险、周期漫长的科学真问题时，AI4S的「真命题」不是「训练AI成为一个科学家」，而是让AI主动自我进化，和科学家一起发现问题、定义问题和解决问题。

这种协同分工的关系并不难理解：科学家负责出题、定标准、划边界，而AI在巨大的方案空间里持续搜索、比较、优化和验证，跳出局部最优，持续实现创新方案。

在伐谋和南京林业大学科学家的「AI松林保卫战」里，你就能看到这样的并肩同行。

南京广袤的林场，过去曾饱受「松树癌症」——松材线虫病的困扰。时间拨回1982年8月，该病在南京紫金山首次被发现，此后近半个世纪内，南京几代科学家们都为攻克「松树癌症」而付出不懈的努力。

但面对松材线虫病，人类和树木都很「渺小」。一旦染病，短短40天内一棵松树就会死亡，3到5年即可造成整片松林死亡，因此松材线虫病防治的关键就在于「早」：

早发现、早判断、早处置。

但早期病树不变色，人眼认不出来，科学家们经过努力，发现可以通过无人机和多光谱影像等技术来捕捉松树内部叶绿素、水分、红边响应等生理信息，从多个波段、植被指数和时序变化里，筛选出对早期病害更敏感的特征组合，就像给松树出具健康体检报告。

南京林业大学信息科学技术学院、人工智能学院副院长林海峰教授团队做这件事做了很多年，他们已经形成了自主可控的「视觉前」早期识别与空地协同智能监测核心技术体系，科学家们已经能在肉眼观察松树明显变色前，识别和量化病害风险，为防治争取宝贵的时间窗口。

但现有技术体系也有局限性。

早期识别依赖人工经验，但救治窗口很短，松树生理信息的采集、研究人员的人工筛选以及大量实验的逐项验证，通常需要持续数月、费时费力，研究人员也容易受到既有认知的限制，难以充分探索不同特征间的潜在关系。

真实林场里还存在无数干扰，阔叶树、裸地、光照等动态变化都会影响科学家们的判断，除此以外，换一个林场，模型还能不能用？无人机巡检时，识别目标是否精准？

这些挑战，南林科学家们在引入伐谋后，逐渐迎刃而解。

在早期识别上，南林团队和伐谋配合，能更早更准地抓住松树真正有价值的信号和特征。

科研人员先把优质信号的评价标准和科学边界的准则设计好，构建自主的候选特征池，自建深度学习模型作为固定评价器，再交给能自我演化的伐谋，负责完成大量特征组合的搜索和计算，由此大大减少了科研人员的工作量。

伐谋并没有改变模型的原有结构，但为研究人员在正式消融实验前争取到了一次高效初筛——初筛耗时约56分钟，预计可节约约80%的前期实验筛选时间。

不止是高价值特征的高效捕捉，伐谋也提升了模型的早期病害识别能力，让模型变得更聪明了。数据显示，伐谋优化后，早期病树检出率从89.1%提升到98.0%，对干旱、枯草这类容易误判的背景，误报率从13.6%降到了5.1%。

更关键的是，与伐谋协作的过程都不是黑箱的，而是可解释的。研究人员可以通过演化面板回看关键节点、评分变化和候选组合，伐谋会从波段响应、植被指数变化和病害生理过程三个层面解释模型的判断依据。

“伐谋帮助我们从过去高度依赖人工经验的筛选组合和逐一试错，走向了一个可追溯、可干预、甚至可复用的搜索过程。”林海峰教授坦言。

一个从经验模式走向智能范式的探索，也带来了更大的应用价值。

南林和伐谋共同打造的全国首个AI+早期松材线虫病防治一体化平台已经上线，随着技术推广，这一平台预计将节约核查、防控和模型迭代成本约3000万到5000万元，后续有望支撑约50万到100万亩重点风险松林的早期预警。

2、伐谋「造桥」，中国AI的「真打法」

当中国AI和中国科学家们扎根一片片松林时，大洋彼岸的美国，在AI4S探索上，和中国形成了截然不同的打法。

一个通俗的比喻是，美国在铺路，形成的是「基础设施支撑、巨头公司验证、垂直平台创新」的三层架构。

最底下是基础设施，英伟达们把算力资源做成科研的AI工厂，中间是科技巨头和大药企们出场景、出数据、出钱，做新技术的第一个买家，最上面是垂直平台公司，在某个细分赛道上豪赌技术突破。

美国先把路修平，然后赌一辆明星车型，好处是一旦跑通，就是划时代的成果，但代价也显而易见，路修好了，但只有少数车能跑在路上。

但以伐谋为代表的中国AI，则是另一种做法：

哪里有需求，就在哪里造桥。

和铺路相比，造桥是需求优先，问题在哪儿，桥架在哪儿，中国AI不赌单点突破外溢成通用能力，而是让能力在真实的科研场景里长出来。

伐谋此次发布的「1+10+N」科学智能战略，拆开看就是一张「怎么造桥」的施工图。

「1」就是桥墩：伐谋自演化智能体做底座，是所有桥共用的承重结构。

大模型的推理能力加上大规模进化搜索，伐谋不仅发现过去人类从未发现过的全局最优解，还能根据条件变化自动迭代，给出最优的动态方案，助力科学研究从经验驱动走向自我演化。

「10」是已通车的桥，有望疏解AI4S里的「堰塞湖现象」。

今天，AI参与科研的demo和预测虽然指数级上升，但这些成果无法及时得到实验验证和产业化应用，就像「堰塞湖」一样堵塞了科学发现转化为实际生产力的通道。

伐谋试图破解这个问题，发布了十大跨学科科研标杆成果，同一套底座、四大核心能力，覆盖不同领域，有助于提升实验验证与产业化能力，加速科研成果的转化。

在数据驱动的机理预测上，无论是松材线虫病识别、电磁材料性能预测，还是抑郁症fMRI判别，伐谋能基于海量高维多模的科学数据，提取出领域专家难以察觉的模式。

在科学仿真的加速求解上，车企的汽车风阻性能优化，零碳工业园区里的综合氢能电力系统调度，伐谋可以帮助这种高耗时、高成本的机理模型，建立轻量级的代理系统。

在可验证环境的目标搜索上，伐谋能参与芯片工程师们的光电芯片研发设计，对硅光器件工艺方案进行搜索和优化；和清华数学系联合研发出Famou-Lean数学证明智能体，服务最前沿的数学证明；

在动态环境的自主博弈，伐谋能根据环境或对手的变化而变化，配合专家实现进化对象的动态策略升级，如助力多智能体对抗策略研究。

而「N」则是孵化更多「造桥人」。

伐谋全新发布的AI4S科学家计划，面向100位领域学者，正在将造桥的能力开放给更多学科，构建开放的AI科学生态，该计划设置了青年学者计划和R&D Pioneer计划两大路径，以AI助力更多科学家的前沿研究走向成果创新。

桥造得多了，就会看到科学智能的泛化，这是中国AI4S正在形成的路径：

将解决真实问题的过程，沉淀成可复制的能力。

3、从实验室到港口，中国AI的「真价值」

更关键的是，伐谋造桥，这条路本身就在中国能走通。

中国的AI有场景，拥有最完整的产业门类和最密的应用场景，林场、港口、工厂、园区，都是可容易「造桥」的场景；

中国的AI也有能力，长项就是工程交付，而无论是AI4S，还是企业和产业，也更需要此类能力。

中国的AI验证也快，当实验室、产业的人类经验和务实的AI紧密配合，假设、验证、迭代的周期被压到最短。

科研场景和企业场景落地AI，看起来两回事，一个面对材料、农业、能源里的未知研究，一个是面对真实环境里的排产、物流、工艺和调度。

但它们的目标是一致的，都是在真实的物理环境里，用AI围绕一个明确的目标找更优解，只不过实验室是科学发现，工厂里则是降本增效。

因此，在以伐谋为代表的中国AI眼中，解的是同一道题：

如何兑现中国AI的「真价值」？

如李彦宏此前对「伐谋」二字的拆解：「伐」是进化、是攻克、是解决问题，代表百度向产业当中最复杂、最核心的优化难题主动发起挑战的决心；“谋”是策略，是自主智能，伐谋不是做简单的暴力计算，而是要利用模型进行目标明确的战略级的规划和推演。

来自一线港口、物流、汽车、金融的真实AI故事也不会说谎。

在繁忙的青岛港，伐谋进一步优化这里的A-TOS智能管控系统，每年有望多处理近百万标准集装箱；在鄂尔多斯伊金霍洛旗的交通治理上，百度智能云信控平台通过AI调控红绿灯配时方案将车均延误降低13%，引入伐谋后车均延误再降5%......自发布以来，已有超3000家企业试用伐谋。

过去，AI比的是谁的概念性感、谁的demo炫酷，但现在包括未来，比的是谁的AI能实现生产力的兑现。

3年前，Nature的万字长文里提到：“与任何新技术一样，AI4S的成功取决于我们将其整合到日常实践中的能力，并理解其潜力和局限性。”

摘最难摘的明珠，让AI解决科研和产业的真问题，Nature这句被低估的真知，三年后，由中国AI率先参透，并已悄然踏出一条新路。