一個應用，覆蓋一萬種場景：尋找AI落地“最優解”

作者 | 畢偉豪 編輯｜漠影 過去幾年，人工智能技術飛速發展，AI已然不再只停留在理解與回答問題，解決實際任務、參與真實世界成為技術演進的未來焦點之一。與普通一問一答不同，現實中很多難題並不存在一個可以直接生成的標準答案。一個材料模型的優化、一套港口調度系統的升級、一片松林的病害識別，雖然分屬不同的領域，但實際上面臨著同一個挑戰：面對複雜問題，怎樣找出更好的方案。過去，科研界和產業界解決這類問題，往往依靠專家經驗提出假設，再通過實驗、仿真或實際運行不斷驗證。但隨著問題複雜度提升，可探索的變量越來越多，傳統經驗驅動的方法正面臨新的挑戰，依靠人工逐一嘗試，能夠覆蓋的範圍逐漸有限。

在這一背景下，AI4S（AI for Science）逐漸成為探索這類問題的重要方向。它並非簡單利用AI輔助科研流程，而是嘗試讓AI參與科學發現和複雜問題求解，在更大的可能空間中幫助研究人員探索、驗證和優化方案。8月12日，百度伐謀在AI Day上發佈了AI4S“1+10+N”戰略，啟動AI4S科學家計劃，並攜手南京林業大學上線了全國首個AI+早期松材線蟲病防治一體化平臺。這些動作背後，是百度伐謀正在探索的一個命題：當科研和產業都面臨複雜變量與有限約束時，AI如何幫助人類找到更優解。

一、百度伐謀：讓AI進入複雜問題的求解過程 過去幾年，大模型快速發展，AI已經能夠完成文本生成、知識問答、代碼編寫等任務，而當AI深入科研、製造和產業決策等複雜場景，面對材料設計、生產排程、物流調度、模型優化等任務時，如何在大量可能性中尋找最優方案，是躲不開的考驗。百度伐謀探索的，正是讓AI具備這一類複雜問題求解能力。2025年11月，在百度世界大會上，百度正式發佈全球領先的可商用自我演化決策智能體——百度伐謀。它結合大語言模型的推理能力與大規模進化搜索技術，通過持續搜索、評估和優化，能夠在複雜約束條件下尋找更優方案。

不同於傳統依賴人工經驗設定規則、反覆調試的方式，伐謀將專家經驗與AI搜索能力結合，專家負責提出目標、約束條件和評價標準，AI則在更大的方案空間中進行探索、比較和迭代。這種能力的核心變化在於，AI不再只是根據已有知識生成結果，而是能夠圍繞目標主動探索未知空間。2026年4月，百度智能雲推出百度伐謀Agent2.0，再次登頂機器學習工程權威基準MLE-Bench。隨後在5月，百度伐謀2.0完成升級，能力從算法優化進一步延伸到生產排程、物流規劃、工藝優化等企業核心場景。

在這一版本中，企業無需提前將所有業務規則整理成完整模型，業務專家可以通過不斷反饋方案效果，讓系統逐步理解企業自身邏輯，在持續使用中不斷優化決策。目前，百度伐謀已在港口調度、產品研發、物流運輸、金融風控等多個場景落地，覆蓋物流、汽車、金融等行業。從科研探索到產業決策，百度伐謀試圖讓AI進一步成為幫助人類探索複雜問題解法的智能系統。二、AI4S：伐謀幫助科學家探索未知空間 科研創新往往意味著探索未知，模型結構、材料參數、數學證明路徑等等，背後都可能存在大量待驗證的可能性。

在傳統科研流程中，研究人員通常基於已有知識提出假設，再通過實驗或仿真驗證結果，這一過程依賴長期積累的專業經驗，也需要投入大量時間完成驗證。隨著科學研究不斷走向複雜化，AI逐漸成為科研人員的新型研究工具。在AI Day上，百度伐謀發佈了AI4S“1+10+N”戰略，希望將搜索優化能力帶入科學研究領域，幫助科研人員在更大的候選空間中尋找和驗證潛在方案。其中，“1”代表自演化智能體核心底座，“10”代表十大跨學科科研成果，覆蓋數據驅動的機理預測、科學仿真加速求解、可驗證環境目標搜索、動態環境自主博弈等方向，“N”則對應同時發佈的AI4S科學家計劃，希望通過長期共創推動AI能力進入更多科研場景。

AI4S科學家計劃面向100位領域學者，設置青年學者計劃和R&D Pioneer計劃兩條路徑。其中，青年學者計劃面向各領域自主科研課題，提供課題立項、聯合探索、資源支持以及AI技術指導；R&D Pioneer計劃第二期則面向更年輕的學者和未來的學者，圍繞科研創新和產業創新兩個方向搭建培養體系。通過與高校及科研團隊合作，百度伐謀將圍繞真實科研問題參與方案搜索、模型優化和結果驗證，幫助科研人員減少重複試驗以及篩選成本。

例如，在材料研究領域，清華大學團隊利用伐謀融合電磁學原理，自主搜索和設計神經網絡結構，用於電磁材料特性預測，最終找到由動態路徑、靜態路徑和線性連接層組成的優化模型，成果被電力電子領域國際會議IEEE ECCE 2026接收。數學領域，百度伐謀與清華大學數學系聯合研發Famou-Lean數學證明智能體，通過搜索證明路徑，在FATE-H測試中首次實現12道高難證明題全部求解，閉合步驟數提升210%。在具身智能方向，伐謀則用於搜索機器人控制策略，在本體、機械臂、靈巧手等任務中實現環境自適應控制，階段性結果顯示運動控制任務提升289%，靈巧手任務提升150%，經典控制任務提升73%。

科研往往面對高度複雜的問題：目標需要不斷探索，變量組合難以窮舉，最終結果還需要經過實驗驗證。伐謀進入科研場景，能夠幫助科研人員提高探索效率，將更多時間和精力投入到研究方向、核心問題和創新思路的思考中。未來，科研創新的瓶頸不只是能否提出一個好想法，還包括如何藉助AI探索更大的可能空間，讓更多想法更快進入驗證階段。三、當AI進入企業決策，伐謀如何幫助企業找到更優解 走出科研場景，這套搜索與優化能力正在進入企業研發、生產和經營決策。與消費級AI不同，AI進入企業決策，關注的是如何調整核心環節，創造新的優化空間。

中國擁有完整工業體系，製造、物流、能源、交通等大量產業環節，都已經形成了高度複雜的業務流程系統。很多生產系統經過多年積累，已經形成高度複雜的優化體系，單靠人工經驗和規則調整，進一步提升空間正在變得越來越難以發現。AI進入企業決策的價值之一，就是幫助企業探索那些隱藏在複雜變量中的進一步提升機會。百度創始人兼CEO李彥宏也一直在關注這一方向，他曾表示，AI真正創造價值，需要進入真實產業場景，推動國民經濟效率提升。對中國這樣擁有完整產業體系的經濟體而言，國民經濟的提升並不只來自新增產能，也來自對已有生產體系的持續優化。

當AI能夠進入製造、能源、物流等關鍵環節，幫助企業在成熟系統中找到更優方案，其價值也將從單個企業流程改進，進一步延伸到產業運行效率提升。而百度伐謀，正沿著這條路線持續迭代升級。對於大量經過多年優化的工業系統而言，哪怕幾個百分點的提升，都會帶來巨大的經濟價值，青島港就是其中一個代表案例。港口調度是典型的複雜優化問題，一艘船什麼時候靠泊、多少設備參與作業、集裝箱如何搬運，都需要在有限資源下尋找最優組合。青島港A-TOS是全球首套碼頭智能管控系統，已經連續13次刷新世界紀錄。

伐謀與青島港團隊合作，對原有系統進行優化探索，通過數百輪輪迭代與演化，成功突破原有方案，最終在原型演示中，核心指標整體提升10%以上。除了生產調度，伐謀也開始進入企業研發設計環節。在光電芯片研發中，器件結構、工藝參數和多端口配置等因素相互影響，需要在大量候選方案中持續比較和優化。百度伐謀助力光本位研究員開展光電芯片工藝尋優設計，圍繞硅光器件工藝方案進行搜索和優化，伐謀通過多目標自動搜索完成多輪迭代，關鍵性能指標提升11%，器件均勻度改善55%，綜合評分提升6.5%。在汽車研發領域，伐謀則幫助企業優化已有流程。

汽車風阻仿真涉及車身結構、壓力場和空氣動力學等複雜因素，傳統仿真一次通常需要數小時甚至更久。阿爾特汽車引入伐謀後，風阻預測準確率達到95%，單次仿真時間從24小時縮短至10分鐘。類似能力也正在進入能源、金融、城市交通等領域：在零碳工業園區綜合氫能電力系統中，伐謀協調電解槽、儲能裝置、燃料電池、熱泵等多類設備，實現系統約束滿足率100%，響應時間從2小時下降至10秒。在金融領域，中信百信銀行AlphaMo智能風控項目通過7×24小時持續挖掘風險特徵，短時間內達到專業數據挖掘工程師水平，特徵挖掘效率提升320%，風險區分度提升10%。

從生產調度到研發設計，從能源管理到金融風控，這些案例展現了伐謀在不同業務場景中的適應能力：其能夠進入研發、生產和經營決策流程，通過持續搜索、評估和優化，幫助企業在複雜約束下尋找更優方案。四、松林裡的AI實驗：南林平臺驗證伐謀如何創造真實價值 很多AI4S項目停留在論文裡，價值難以驗證，而松材線蟲病防治，是伐謀把科研能力和真實應用連起來的完整樣本。與企業生產不同，生態治理面對的是更加開放、複雜的自然環境。病害發生不僅受到樹木狀態影響，還與季節、環境、光照、區域差異等因素相關，需要從大量變量中找到早期異常信號。

松材線蟲病被稱為“松樹癌症”，南京紫金山是我國松材線蟲病首發地，1982年發現，經43年治理於2026年撤銷疫點；但目前全國仍有620個疫區，覆蓋18個省級行政區。防治關鍵在於早發現、早判斷、早處置。然而，在病害早期，樹木往往尚未出現明顯外觀變化，傳統人工巡查很難及時發現風險。真正困難的是在大量光譜信息、植被指標和環境變量中，找到最有效的特徵組合。南京林業大學長期深耕林業病蟲害智能監測，形成了自主可控的“視覺前”早期識別與空地協同智能監測技術體系，可以在肉眼觀察到變色前識別病害風險。過去，研究團隊需要人工篩選光譜波段、植被指數及組合，再通過實驗逐項驗證。

這一過程通常持續數月，而且候選組合數量巨大，容易受到研究者經驗限制。此外，真實林場環境還進一步增加了難度，闊葉樹、裸地、光照變化、陰影遮擋等複雜背景，都可能影響模型判斷。伐謀參與後，研究團隊將多光譜波段、植被指數和時序差分特徵構建候選特徵池，以自建深度學習模型作為固定評價器，由伐謀完成大量特徵組合搜索。最終，107個候選特徵被篩選至約5個，相比原始29個寬基線特徵壓縮約82.8%，初篩耗時約56分鐘，預計節省約80%的前期實驗篩選時間。識別效果方面，早期病樹檢出率從89.1%提升至98.0%，[email protected]從86.4%提升至90.8%，針對乾旱脅迫、枯草等複雜背景的誤報率從13.6%降至5.

1%。更重要的是，AI找到的特徵並不是一個無法解釋的結果。例如，紅邊特徵反映葉綠素變化和植被活力，近紅外及水分相關指數反映冠層結構和含水狀態，時序差分特徵反映樹木是否持續異常變化。這意味著伐謀不僅可以找到更優方案，還能提供背後的變化原理。實際應用上，按目前測算，平臺預計進一步節約核查、防控和模型迭代成本約3000萬至5000萬元；後續隨系統推廣，有望支撐約50萬至100萬畝重點風險松林的早期預警能力提升。

松林案例體現了伐謀在釋放科研能力上的價值，它沒有改變原有研究路徑，在已有技術體系之上，通過更大規模的搜索和優化能力，幫助科研人員突破人工探索效率的限制，加速複雜科研問題的求解過程，讓科研成果更快付諸實踐。結語：AI的價值所在，最終要落到具體問題 從科研研發、生產製造到生態治理，AI創造價值的地方，不是多了一個新工具，而是進入原有流程，參與解決那些過去靠經驗和反覆試錯才能推進的問題。百度伐謀想探索的，正是讓AI在明確目標和約束的前提下，幫人類在更大的方案空間中，找到過去難以發現的可能性，把模型能力逐步轉化為科研效率提升、生產流程優化和產業價值創造。

正如李彥宏所說，AI的價值最終要體現在真實經濟活動中。當AI進入科研創新、生產製造和產業決策等核心環節，其帶來的也不只是科研效率提升、生產流程優化、決策成本下降，更是推動整個研發環節從依賴經驗和積累，逐步走向更智能的探索與優化。