百度伐谋助力科研分工：体力活交给AI，脑力活留给科学家

财闻 顾群生 发自南京

2026年入秋不久，南京溧水的林场中，一架无人机正松林上空掠过。镜头下，那些绿意盎然的松树已在多光谱影像里亮起了“红灯”——它们感染了松材线虫病，这是一种被称为“松树癌症”的致命病害。

过去，研究人员要靠经验从上百个光谱、纹理特征里大海捞针，找出真正能早期预警的关键指标。但换一片林子、换一个季节，这套方法是否还管用？

南京林业大学团队手里攒了107个待验证的候选特征。在引入百度伐谋后，AI基于任务目标与评价标准，帮他们把候选特征压缩到了29个。

在这个垂直的专业领域，AI无需“懂”病害机理，它只负责把科学家从重复试错的体力活中解放出来。这正是百度AI4S“1+10+N”战略计划的核心愿景。

8月12日，百度（BIDU.US）在南京发布了该计划。其中，“1”是核心平台伐谋，“10”是十项跨学科成果，“N”则是面向100位学者的支持计划。这一战略为传统科研工作带来了新的分工方式。

除了林业应用，此次百度展示的案例还涉及汽车仿真、能源调度、数学证明、机器人控制和量化研究等领域。场景虽不同，但表现出来的问题有共性：变量多、搜索空间巨大，依靠人工很难在有限时间内穷尽大量方案。

百度将伐谋定位为自演化智能体。其工作方式可简单理解为：人先定义目标、约束条件和评价方法，AI再不断生成候选方案，运行、评分、筛选，并进入下一轮迭代。这种模式目前更适合目标和评价标准相对明确的任务，光芯片设计便是此次公布的典型案例之一。

光本位科技在设计1×16 MMI功分器时，需同时调整多个几何参数，兼顾插损、通道均匀度、透射率和制造工艺等要求。每改变一组参数，都要重新进行物理仿真。

光本位科技联合创始人兼董事长熊胤江介绍，过去完成这类优化通常需资深工程师一至两周。引入伐谋后，系统经过120次自动迭代，约4小时便得到一组新参数配置。现场披露数据显示，通道不均匀度改善55%，综合评分提高6.5%。

不过，基于评价指标的参数搜索，本质上仍属于“工程优化”范畴，并不意味AI已能独立完成开放式的“科学发现”。

这套方法存在一个关键前提：结果必须“可被评价”。芯片设计可通过仿真判断性能，量化比赛有明确指标，形式化数学证明也存在验证体系。评价方法越清晰，AI筛选效率越高。

但科研中许多问题并不具备这种条件。有的实验验证周期长，有的甚至连明确的评价标准都尚未建立。即便AI能生成大量候选方案，最终判断结果是否成立，仍离不开真实实验和科研人员的进一步验证。

百度伐谋产品总经理李安南也对“最优”作了严谨界定。他表示，该结果并非数学意义上已证明的“全局最优解”，而是在设定的迭代轮次（如100轮或500轮）内搜索到的当前最佳方案。随着搜索继续或约束条件改变，仍可能发现更优配置。

这也意味着，我们需区分“工程优化”与“科学发现”。将一项需一周的参数优化压缩到数小时，其价值易于衡量；但找到一组更好的参数，与发现新的科学规律，并非同一回事。

从此次公布案例看，科研智能体正更多进入搜索、计算和优化这些耗时环节。至于这一能力能否进一步延伸至更开放的科学问题，以及在不同场景下结果能否稳定复现，仍待更多实践验证。

AI目前还不能替代科学家，但科研过程中人与机器的分工，已经开始发生变化。