北工大实验室揭秘：空间站电子鼻与制氢故障诊断，百度助力科研

这次探讨的起点，源自一次实地调研。

6月3日，百度伐谋“谋定行”活动首站走进北京工业大学苗扬副教授团队。团队展示了四个基于伐谋的科研实践案例：空间站微型气相色谱柱优化、液体波可视化、PEM电解槽制氢系统以及传感器优化。多项案例表明，伐谋已深入实验室真实研发流程。

2025年百度世界大会上，百度创始人李彦宏正式发布伐谋，定位为可商用的自我演化超级智能体。该平台聚焦产业研发与生产中的复杂优化难题，提供建模、搜索、优化及性能调优等全链路能力。在与苗扬团队及百度伐谋产品团队的交流中，伐谋在科研场景中的价值尤为突出：显著提升研发效率、压缩实验成本、增强系统安全性。

量化数据验证了伐谋的实效。PEM电解槽制氢案例中，伐谋耗时约2小时完成寻优，将模型准确率从92.26%提升至95.04%，增幅达2.78个百分点。空间站微型气相色谱柱案例中，优化后RMS指标降低21.36%，NRMSE提升8.17%，平均相关系数跃升39.34%。另一项算法优化案例，原始综合评分从60余分直接突破90分。

从空间站“电子鼻”到制氢故障诊断：伐谋全场景嵌入科研攻关

苗扬副教授介绍，团队自去年起将伐谋融入多个课题，本次重点分享四个代表性案例。

空间站“电子鼻”气相色谱柱研究为例。现有微量气体检测装置虽能在线识别19种有害气体，但体积与重量过大，显著增加空间站补给成本。北工大团队对微柱结构进行参数化建模，涵盖几何形状、阵列排布、行距、列距等变量，并将初始结构导入COMSOL仿真环境进行评估。

科研过程中，伐谋以流速均匀性、低速滞留区占比、压降为评价指标，持续生成候选结构、筛选并迭代进化。最终RMS由0.0309降至0.0243，优化幅度21.36%；NRMSE从0.306降至0.281，提升8.17%；平均相关系数r由0.61升至0.85，跃升39.34%。数据印证了伐谋在参数寻优上的硬实力。

第二个案例聚焦PEM电解槽制氢系统。此前团队需手工设计深度学习模型、调整超参数并筛选变量。引入伐谋后，模型结构、超参数及变量选择均被视作可优化对象，由伐谋依据识别准确率等指标反复迭代。据团队成员介绍，伐谋在约2小时内完成20轮迭代、200余次模型评估，仅消耗约130万Token，便将测试准确率从92.26%提升至95.04%。

第三个案例为液体表面波可视化系统。系统由波源、光学、监测及液体四部分组成。团队利用激光照射水面，在墙面投射波动图案以观测液体表面波动态。伐谋主要介入两大环节：优化图像反演算法，从图案反推液体波传播规律；在实验前通过仿真预演不同参数组合，大幅降低试错成本。

第四个案例涉及传感器优化。传感器精度受温度、振动、老化等多因素耦合影响，人工同步优化多项指标极具挑战。团队将高温非线性误差、老化误差、实时补偿运行时间等指标加权为综合评分，交由伐谋并行探索多条优化路径，科研效率实现质的提升。

团队成员补充道，自去年11月起使用伐谋优化回归算法。初始算法综合评分仅60余分，经一个下午的伐谋优化即突破70分，后续两天迭代后最终超过90分。优化效率令人瞩目。

采访交流：从问答式交互到算法寻优，伐谋多轮演化筛选最优解

采访环节重点探讨了伐谋与传统大模型的差异、科研应用门槛、模型幻觉及产业落地。百度伐谋产品团队明确，伐谋并非简单问答式平台，而是基于明确评价标准执行算法寻优。用户仅需提供任务定义、初始算法及评估器，伐谋即通过多轮演化自动生成、验证并筛选算法，最终输出优于初始解的结果。

针对科研领域如何规避大模型幻觉，北工大团队直指核心：伐谋的防火墙在于评价器。普通大模型可能输出看似合理但难以验证的答案；伐谋则要求每个生成方案经指标严格打分，不达标即淘汰。只要任务目标明确、评价指标可量化验证，伐谋就能持续驱动优化进程。

苗扬指出，AI正在重塑科研范式。以往科研人员高度依赖经验与人工试错，如今机械、化工、能源等非计算机领域的研究者，也能借助AI攻克复杂优化问题。在他看来，伐谋的价值并非替代科学家发问，而是在科学家明确方向、规则与指标后，承担大量重复性探索工作。

百度伐谋团队透露，伐谋已在物流、零售、金融、汽车仿真等产业场景实现落地。例如港口集装箱调配环节，帮助提升约10%运转效率；零售门店货架排布场景，将原本一个月的排布周期缩短至周级。

实验室探访：实体观摩液体波可视化实验全流程

交流结束后，一行人前往苗扬教授的校外实验室，现场观摩液体波可视化案例演示。团队成员展示了利用激光、水面扰动及投影成像，将液体表面波变化过程实时转化为可视化图案的全流程。

此类场景正是伐谋未来的核心发力点。将实验目标与评价标准转化为可计算指标，AI即可在实验前辅助参数筛选、实验后优化算法，最大限度减少盲目试错。这是AI融入科研的正确打开方式。

此次探访表明，百度伐谋确实能够有效赋能科研实验，降低研发成本、提升迭代效率。更深层的意义在于，它揭示了AI进入科研与产业的可行路径：深度嵌入实验设计、参数优化、仿真验证及方案筛选等具体环节。当AI能够围绕明确指标持续试错与迭代，科研人员得以将精力集中于问题定义、方向判断与结果验证。随着伐谋在更多实验室和产业场景中规模化落地，AI对科研与工程研发的影响将从“辅助工具”升级为“研发基础设施”。