在北京工业大学的一间实验室里，苗扬副教授团队正借助百度研发的AI工具“伐谋”，在多个科研领域掀起一场变革。6月3日，百度“谋定行”探访活动走进这支团队，现场展示的案例覆盖空间站空气监测、PEM制氢安全、液体表面波可视化等方向，揭示了AI如何推动科研从“人工试错”转向“系统寻优”的新模式。
“这不仅是几个独立的技术突破，更代表科研范式的转变。”苗扬在接受采访时强调。传统科研中，研究者往往依赖个人经验，在有限方案中反复调试，而AI的介入让问题被拆解为目标、变量和评价标准，系统得以在更广阔的参数空间中持续搜索最优解。他以显微镜的发明类比：“就像显微镜让人类观察到微观世界，AI正在重塑我们探索复杂问题的方式。”
在氢能安全领域，这一转变尤为关键。PEM电解槽制氢系统涉及电、热、流体、压力等多环节耦合，一个微小故障可能引发连锁反应。然而，真实设备无法通过反复制造故障来收集数据，导致样本稀缺、变量复杂成为研究瓶颈。苗扬团队成员分享了一个典型案例：在既有CNN与Transformer模型基础上，伐谋帮助团队将模型测试准确率从92.26%提升至95.04%，科研周期从“周级”压缩至“小时级”。“在普通场景中，3个百分点的提升可能微不足道，但在氢能安全领域，这意味着更早发现风险、减少停机时间、降低运维成本。”苗扬解释道。据测算，面向海外设备运维时，提前预判故障可节省70%至80%的维修等待时间。
空间站空气监测项目则展现了AI在极端条件下的优化能力。长期在轨运行的空间站需持续监测微量有害气体，但传统气相色谱仪体积庞大，与空间站对重量和空间的严苛要求相矛盾。微型化色谱柱的设计成为核心挑战——柱内形状、排布、间距的微小差异，都会影响气体流速均匀性、滞留区形成和压降控制。过去，研究人员只能基于经验设计少数方案，再通过仿真软件验证，效率低下且难以确保全局最优。“人工试错能找到可行方案，但未必是最优解。”苗扬以“几个人中的最好”与“全国最好”的对比，点明传统方法的局限。
引入伐谋后，团队将色谱柱结构的几何参数交给系统搜索，以仿真结果为评价依据。数据显示，AI在72小时内生成的新方案，在保持低压降的同时，将归一化误差降低8.17%，体积缩小40%，分离效率提升3倍。这一突破直接回应了空间站对设备轻量化的需求，为长期在轨安全监测提供了技术支撑。
百度伐谋产品团队成员强调，这一工具并非简单的“智能助手”，而是需要研究者明确问题定义、提供数据基础、设定评价标准。“人始终是科研的主导者。”该成员比喻道，“没有清晰目标，系统不知搜索方向；没有可靠标准，系统无法判断优劣。AI承担的是重复搜索和试错，而人类决定什么值得探索、什么结果可信。”这种“人机协同”的模式，正在重新定义科研的边界与效率。
