一个应用，覆盖一万种场景：寻找 AI 落地“最优解”

智东西

作者 | 毕伟豪

编辑｜漠影

过去几年，人工智能技术飞速发展，AI 已然不再只停留在理解与回答问题，解决实际任务、参与真实世界成为技术演进的未来焦点之一。

与普通一问一答不同，现实中很多难题并不存在一个可以直接生成的标准答案。

一个材料模型的优化、一套港口调度系统的升级、一片松林的病害识别，虽然分属不同的领域，但实际上面临着同一个挑战：面对复杂问题，怎样找出更好的方案。

过去，科研界和产业界解决这类问题，往往依靠专家经验提出假设，再通过实验、仿真或实际运行不断验证。

但随着问题复杂度提升，可探索的变量越来越多，传统经验驱动的方法正面临新的挑战，依靠人工逐一尝试，能够覆盖的范围逐渐有限。

在这一背景下，AI4S（AI for Science）逐渐成为探索这类问题的重要方向。它并非简单利用 AI 辅助科研流程，而是尝试让 AI 参与科学发现和复杂问题求解，在更大的可能空间中帮助研究人员探索、验证和优化方案。

8 月 12 日，百度伐谋在 AI Day 上发布了AI4S"1+10+N" 战略，启动 AI4S 科学家计划，并携手南京林业大学上线了全国首个 AI+ 早期松材线虫病防治一体化平台。

这些动作背后，是百度伐谋正在探索的一个命题：当科研和产业都面临复杂变量与有限约束时，AI 如何帮助人类找到更优解。

一、百度伐谋：让 AI 进入复杂问题的求解过程

过去几年，大模型快速发展，AI 已经能够完成文本生成、知识问答、代码编写等任务，而当 AI 深入科研、制造和产业决策等复杂场景，面对材料设计、生产排程、物流调度、模型优化等任务时，如何在大量可能性中寻找最优方案，是躲不开的考验。

百度伐谋探索的，正是让 AI 具备这一类复杂问题求解能力。

2025 年 11 月，在百度世界大会上，百度正式发布全球领先的可商用自我演化决策智能体——百度伐谋。它结合大语言模型的推理能力与大规模进化搜索技术，通过持续搜索、评估和优化，能够在复杂约束条件下寻找更优方案。

不同于传统依赖人工经验设定规则、反复调试的方式，伐谋将专家经验与 AI 搜索能力结合，专家负责提出目标、约束条件和评价标准，AI 则在更大的方案空间中进行探索、比较和迭代。

这种能力的核心变化在于，AI 不再只是根据已有知识生成结果，而是能够围绕目标主动探索未知空间。

2026 年 4 月，百度智能云推出百度伐谋 Agent2.0，再次登顶机器学习工程权威基准 MLE-Bench。随后在 5 月，百度伐谋 2.0 完成升级，能力从算法优化进一步延伸到生产排程、物流规划、工艺优化等企业核心场景。

在这一版本中，企业无需提前将所有业务规则整理成完整模型，业务专家可以通过不断反馈方案效果，让系统逐步理解企业自身逻辑，在持续使用中不断优化决策。

目前，百度伐谋已在港口调度、产品研发、物流运输、金融风控等多个场景落地，覆盖物流、汽车、金融等行业。

从科研探索到产业决策，百度伐谋试图让 AI 进一步成为帮助人类探索复杂问题解法的智能系统。

二、AI4S：伐谋帮助科学家探索未知空间

科研创新往往意味着探索未知，模型结构、材料参数、数学证明路径等等，背后都可能存在大量待验证的可能性。

在传统科研流程中，研究人员通常基于已有知识提出假设，再通过实验或仿真验证结果，这一过程依赖长期积累的专业经验，也需要投入大量时间完成验证。

随着科学研究不断走向复杂化，AI 逐渐成为科研人员的新型研究工具。

在 AI Day 上，百度伐谋发布了 AI4S"1+10+N" 战略，希望将搜索优化能力带入科学研究领域，帮助科研人员在更大的候选空间中寻找和验证潜在方案。

其中，"1" 代表自演化智能体核心底座，"10" 代表十大跨学科科研成果，覆盖数据驱动的机理预测、科学仿真加速求解、可验证环境目标搜索、动态环境自主博弈等方向，"N" 则对应同时发布的 AI4S 科学家计划，希望通过长期共创推动 AI 能力进入更多科研场景。

AI4S 科学家计划面向 100 位领域学者，设置青年学者计划和 R&D Pioneer 计划两条路径。其中，青年学者计划面向各领域自主科研课题，提供课题立项、联合探索、资源支持以及 AI 技术指导；R&D Pioneer 计划第二期则面向更年轻的学者和未来的学者，围绕科研创新和产业创新两个方向搭建培养体系。

通过与高校及科研团队合作，百度伐谋将围绕真实科研问题参与方案搜索、模型优化和结果验证，帮助科研人员减少重复试验以及筛选成本。

例如，在材料研究领域，清华大学团队利用伐谋融合电磁学原理，自主搜索和设计神经网络结构，用于电磁材料特性预测，最终找到由动态路径、静态路径和线性连接层组成的优化模型，成果被电力电子领域国际会议 IEEE ECCE 2026 接收。

数学领域，百度伐谋与清华大学数学系联合研发 Famou-Lean 数学证明智能体，通过搜索证明路径，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%。

在具身智能方向，伐谋则用于搜索机器人控制策略，在本体、机械臂、灵巧手等任务中实现环境自适应控制，阶段性结果显示运动控制任务提升 289%，灵巧手任务提升 150%，经典控制任务提升 73%。

科研往往面对高度复杂的问题：目标需要不断探索，变量组合难以穷举，最终结果还需要经过实验验证。伐谋进入科研场景，能够帮助科研人员提高探索效率，将更多时间和精力投入到研究方向、核心问题和创新思路的思考中。

未来，科研创新的瓶颈不只是能否提出一个好想法，还包括如何借助 AI 探索更大的可能空间，让更多想法更快进入验证阶段。

三、当 AI 进入企业决策，伐谋如何帮助企业找到更优解

走出科研场景，这套搜索与优化能力正在进入企业研发、生产和经营决策。与消费级 AI 不同，AI 进入企业决策，关注的是如何调整核心环节，创造新的优化空间。

中国拥有完整工业体系，制造、物流、能源、交通等大量产业环节，都已经形成了高度复杂的业务流程系统。

很多生产系统经过多年积累，已经形成高度复杂的优化体系，单靠人工经验和规则调整，进一步提升空间正在变得越来越难以发现。AI 进入企业决策的价值之一，就是帮助企业探索那些隐藏在复杂变量中的进一步提升机会。

百度创始人兼 CEO 李彦宏也一直在关注这一方向，他曾表示，AI 真正创造价值，需要进入真实产业场景，推动国民经济效率提升。

对中国这样拥有完整产业体系的经济体而言，国民经济的提升并不只来自新增产能，也来自对已有生产体系的持续优化。当 AI 能够进入制造、能源、物流等关键环节，帮助企业在成熟系统中找到更优方案，其价值也将从单个企业流程改进，进一步延伸到产业运行效率提升。

而百度伐谋，正沿着这条路线持续迭代升级。

对于大量经过多年优化的工业系统而言，哪怕几个百分点的提升，都会带来巨大的经济价值，青岛港就是其中一个代表案例。

港口调度是典型的复杂优化问题，一艘船什么时候靠泊、多少设备参与作业、集装箱如何搬运，都需要在有限资源下寻找最优组合。

青岛港 A-TOS 是全球首套码头智能管控系统，已经连续 13 次刷新世界纪录。伐谋与青岛港团队合作，对原有系统进行优化探索，通过数百轮轮迭代与演化，成功突破原有方案，最终在原型演示中，核心指标整体提升 10% 以上。

除了生产调度，伐谋也开始进入企业研发设计环节。

在光电芯片研发中，器件结构、工艺参数和多端口配置等因素相互影响，需要在大量候选方案中持续比较和优化。

百度伐谋助力光本位研究员开展光电芯片工艺寻优设计，围绕硅光器件工艺方案进行搜索和优化，伐谋通过多目标自动搜索完成多轮迭代，关键性能指标提升 11%，器件均匀度改善 55%，综合评分提升 6.5%。

在汽车研发领域，伐谋则帮助企业优化已有流程。

汽车风阻仿真涉及车身结构、压力场和空气动力学等复杂因素，传统仿真一次通常需要数小时甚至更久。阿尔特汽车引入伐谋后，风阻预测准确率达到 95%，单次仿真时间从 24 小时缩短至 10 分钟。

类似能力也正在进入能源、金融、城市交通等领域：在零碳工业园区综合氢能电力系统中，伐谋协调电解槽、储能装置、燃料电池、热泵等多类设备，实现系统约束满足率 100%，响应时间从 2 小时下降至 10 秒。

在金融领域，中信百信银行 AlphaMo 智能风控项目通过 7×24 小时持续挖掘风险特征，短时间内达到专业数据挖掘工程师水平，特征挖掘效率提升 320%，风险区分度提升 10%。

从生产调度到研发设计，从能源管理到金融风控，这些案例展现了伐谋在不同业务场景中的适应能力：其能够进入研发、生产和经营决策流程，通过持续搜索、评估和优化，帮助企业在复杂约束下寻找更优方案。

四、松林里的 AI 实验：南林平台验证伐谋如何创造真实价值

很多 AI4S 项目停留在论文里，价值难以验证，而松材线虫病防治，是伐谋把科研能力和真实应用连起来的完整样本。

与企业生产不同，生态治理面对的是更加开放、复杂的自然环境。病害发生不仅受到树木状态影响，还与季节、环境、光照、区域差异等因素相关，需要从大量变量中找到早期异常信号。

松材线虫病被称为 " 松树癌症 "，南京紫金山是我国松材线虫病首发地，1982 年发现，经 43 年治理于 2026 年撤销疫点；但目前全国仍有 620 个疫区，覆盖 18 个省级行政区。

防治关键在于早发现、早判断、早处置。然而，在病害早期，树木往往尚未出现明显外观变化，传统人工巡查很难及时发现风险。真正困难的是在大量光谱信息、植被指标和环境变量中，找到最有效的特征组合。

南京林业大学长期深耕林业病虫害智能监测，形成了自主可控的 " 视觉前 " 早期识别与空地协同智能监测技术体系，可以在肉眼观察到变色前识别病害风险。

过去，研究团队需要人工筛选光谱波段、植被指数及组合，再通过实验逐项验证。这一过程通常持续数月，而且候选组合数量巨大，容易受到研究者经验限制。

此外，真实林场环境还进一步增加了难度，阔叶树、裸地、光照变化、阴影遮挡等复杂背景，都可能影响模型判断。

伐谋参与后，研究团队将多光谱波段、植被指数和时序差分特征构建候选特征池，以自建深度学习模型作为固定评价器，由伐谋完成大量特征组合搜索。

最终，107 个候选特征被筛选至约 5 个，相比原始 29 个宽基线特征压缩约 82.8%，初筛耗时约 56 分钟，预计节省约 80% 的前期实验筛选时间。

识别效果方面，早期病树检出率从 89.1% 提升至 98.0%，mAP@0.5 从 86.4% 提升至 90.8%，针对干旱胁迫、枯草等复杂背景的误报率从 13.6% 降至 5.1%。

更重要的是，AI 找到的特征并不是一个无法解释的结果。

例如，红边特征反映叶绿素变化和植被活力，近红外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异常变化。这意味着伐谋不仅可以找到更优方案，还能提供背后的变化原理。

实际应用上，按目前测算，平台预计进一步节约核查、防控和模型迭代成本约 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。

松林案例体现了伐谋在释放科研能力上的价值，它没有改变原有研究路径，在已有技术体系之上，通过更大规模的搜索和优化能力，帮助科研人员突破人工探索效率的限制，加速复杂科研问题的求解过程，让科研成果更快付诸实践。

结语：AI 的价值所在，最终要落到具体问题

从科研研发、生产制造到生态治理，AI 创造价值的地方，不是多了一个新工具，而是进入原有流程，参与解决那些过去靠经验和反复试错才能推进的问题。

百度伐谋想探索的，正是让 AI 在明确目标和约束的前提下，帮人类在更大的方案空间中，找到过去难以发现的可能性，把模型能力逐步转化为科研效率提升、生产流程优化和产业价值创造。

正如李彦宏所说，AI 的价值最终要体现在真实经济活动中。当 AI 进入科研创新、生产制造和产业决策等核心环节，其带来的也不只是科研效率提升、生产流程优化、决策成本下降，更是推动整个研发环节从依赖经验和积累，逐步走向更智能的探索与优化。