一场聚焦AI赋能科研的探访活动近日在北京工业大学展开，百度旗下智能工具“伐谋”的“谋定行”活动走进苗扬副教授团队，现场呈现了多个跨领域科研成果，涵盖空间站空气监测、PEM制氢安全及液体表面波可视化等方向。与会专家指出，AI技术正推动科研模式从“人工试错”向“系统寻优”转型，通过拆解问题目标、变量与评价标准，在更大参数空间中寻找最优解。
苗扬团队在PEM电解槽制氢系统故障诊断中的实践印证了这一变革。氢能作为未来能源体系的关键方向，其大规模应用受制于制取、储运环节的安全挑战。制氢系统涉及电、热、流体、压力等多维度耦合，单个故障可能引发连锁反应，而真实设备无法通过反复制造故障获取数据，导致样本稀缺、变量复杂成为行业共性难题。传统方法依赖研究人员查阅文献、搭建模型、反复调参，当模型准确率达到92%后，每提升1个百分点都需付出巨大努力。
引入百度伐谋后，团队在既有CNN与Transformer模型基础上优化结构，将测试准确率提升至95.04%，科研周期从“周级”压缩至“小时级”。苗扬强调，在氢能安全场景中，3个百分点的提升意味着更早识别风险、减少设备停机、降低运维成本。据测算，海外设备运维场景中，该技术可节省70%-80%的维修等待时间。这种效率跃升被苗扬比作“显微镜引发的观察革命”，认为其代表科研方法的根本性转变。
在空间站空气监测领域，团队针对微型气相色谱柱的研发需求，展现了AI优化复杂结构的独特优势。长期在轨运行的空间站需持续监测微量有害气体，传统气相色谱仪因体积重量过大难以适配。研发微型化设备的关键在于色谱柱结构设计，其内部形状、排布、间距直接影响气体流速均匀性、滞留区形成及压降控制。过去，研究人员需基于经验设计有限方案，通过仿真软件迭代验证，耗时费力且难以确保全局最优。
借助伐谋系统，团队将色谱柱结构参数转化为可搜索变量，以仿真结果为评价标准，在72小时内生成新方案。数据显示，新设计在保持低压降的同时，归一化误差降低8.17%，体积缩小40%，分离效率提升至原有3倍。苗扬指出，人工试错虽能获得可行方案，但AI的介入突破了经验局限，在更大参数空间中探索出更优解。
百度伐谋产品团队进一步阐释了技术逻辑：该工具并非简单对话机器人，而是需要用户明确定义问题边界、提供基础数据、设定评价标准。系统据此生成候选方案并进行测试，保留性能更优的方向持续迭代。研发人员强调，人类始终主导问题定义与结果判断——缺乏清晰目标会导致搜索方向偏离，没有可靠标准则无法评估方案优劣。AI的核心价值在于承担重复性试错工作，而科研人员则聚焦于决策“什么值得探索”与“如何应用结果”。
