上证报中国证券网讯（记者 刘暄 实习生 郭伊玳）6月3日，百度伐谋“谋定行”探访活动走进北京工业大学副教授苗扬团队。现场展示的案例横跨空间站空气监测、PEM制氢安全、液体表面波可视化等方向。与会专业人士表示，AI正在让科研从“人工试错”迈入“系统寻优”。 “表面看，这是几个不同领域的应用案例；更深一层看，它们指向同一个变化：科研不再只依赖人工经验在少数方案中反复试，而是把问题拆成目标、变量和评价标准，让系统在更大的空间里持续寻找更优方案。”苗扬对上海证券报记者表示。 在苗扬看来，百度伐谋带来的变化，不是简单让论文写得更快。“我觉得这不单单是发论文快这么简单，更像显微镜出现以后带来的观察世界革命性的变革。”在他看来，这是一种科研方法的改变。 苗扬介绍，在PEM电解槽制氢系统故障诊断中，团队要解决的不是“如何多制氢”，而是如何更早发现故障、更准确判断故障原因。 苗扬进一步介绍，氢能被视为未来能源体系的重要方向，在交通、工业和储能等场景中都有应用潜力，但制取、储存、运输和使用过程中的安全问题，也决定了它能否真正大规模落地。制氢系统内部涉及电、热、流体、压力等多个环节，一个小故障可能牵动整个系统。真实设备又不能为了收集数据而反复制造故障，样本少、变量多，是这类研究的普遍难题。 在传统方法下，研究人员需要查文献、搭模型、调参数，再根据结果继续修改。尤其当原有模型准确率已经较高时，再提升一点都很难。对此，苗扬团队成员在分享中表示，伐谋参与后，团队在既有CNN与Transformer模型基础上继续寻找更优结构，模型测试准确率由92.26%提升至95.04%，科研探索周期从“周级”缩短至“小时级”。 他分析，在普通场景里，几个百分点的准确率提升或许不显眼。但在氢能安全这样的场景中，准确率每往前一步，都可能意味着更早发现风险、更少停机等待、更低运维成本。现场还提到，在面向海外设备运维的场景中，如果能提前判断问题并准备备件，理想情况下可节省约70%至80%的维修等待时间。 与此同时，在空间站空气监测案例中，团队研究的是微型气相色谱柱。空间站长期在轨运行，人体代谢、舱体材料、食品和货物都可能释放微量有害气体。气相色谱仪可以理解为一种“电子鼻”，用来分离和识别舱内气体成分。 问题在于，传统设备体积和重量较大，而空间站里的每一克重量、每一点空间都很宝贵。要把设备做小，核心难点落在色谱柱结构上。柱内的形状、排布、间距，会影响气体流速是否均匀、是否存在滞留区、压降是否可控。 过去，研究人员往往依靠经验设计几个方案，再放入仿真软件测试，效果不好就重来。苗扬现场解释，这种方式时间长、成本高，而且很难判断是不是全局最优。“它只是这几个人里面最好的，但不一定是全中国最好的。”在苗扬看来，这个比喻背后，是复杂科研中常见的困境：人工试错能够找到可用方案，但不一定能找到更优方案。 引入伐谋后，团队把柱内结构的形状、排布、间距等变量交给系统搜索，再用仿真结果作为评价依据。数据显示，伐谋在72小时内生成的新方案，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3倍。 百度伐谋产品团队成员对上证报记者表示，伐谋不是一个普通聊天工具。用户需要先说明要解决什么问题、提供哪些数据、怎样判断结果好坏；系统再围绕这些条件生成方案、测试方案，并保留表现更好的方向。 “也就是说，人仍然在定义问题。”该团队成员称，没有清晰目标，系统不知道往哪里搜；没有可靠标准，系统也无法判断哪个结果更好。AI承担的是大量重复搜索和试错，人负责决定什么值得搜索、什么结果可信、下一步该往哪里走。

上证报中国证券网讯（记者 刘暄 实习生 郭伊玳）6月3日，百度伐谋“谋定行”探访活动走进北京工业大学副教授苗扬团队。现场展示的案例横跨空间站空气监测、PEM制氢安全、液体表面波可视化等方向。与会专业人士表示，AI正在让科研从“人工试错”迈入“系统寻优”。

“表面看，这是几个不同领域的应用案例；更深一层看，它们指向同一个变化：科研不再只依赖人工经验在少数方案中反复试，而是把问题拆成目标、变量和评价标准，让系统在更大的空间里持续寻找更优方案。”苗扬对上海证券报记者表示。

在苗扬看来，百度伐谋带来的变化，不是简单让论文写得更快。“我觉得这不单单是发论文快这么简单，更像显微镜出现以后带来的观察世界革命性的变革。”在他看来，这是一种科研方法的改变。

苗扬介绍，在PEM电解槽制氢系统故障诊断中，团队要解决的不是“如何多制氢”，而是如何更早发现故障、更准确判断故障原因。

苗扬进一步介绍，氢能被视为未来能源体系的重要方向，在交通、工业和储能等场景中都有应用潜力，但制取、储存、运输和使用过程中的安全问题，也决定了它能否真正大规模落地。制氢系统内部涉及电、热、流体、压力等多个环节，一个小故障可能牵动整个系统。真实设备又不能为了收集数据而反复制造故障，样本少、变量多，是这类研究的普遍难题。

在传统方法下，研究人员需要查文献、搭模型、调参数，再根据结果继续修改。尤其当原有模型准确率已经较高时，再提升一点都很难。对此，苗扬团队成员在分享中表示，伐谋参与后，团队在既有CNN与Transformer模型基础上继续寻找更优结构，模型测试准确率由92.26%提升至95.04%，科研探索周期从“周级”缩短至“小时级”。

他分析，在普通场景里，几个百分点的准确率提升或许不显眼。但在氢能安全这样的场景中，准确率每往前一步，都可能意味着更早发现风险、更少停机等待、更低运维成本。现场还提到，在面向海外设备运维的场景中，如果能提前判断问题并准备备件，理想情况下可节省约70%至80%的维修等待时间。

与此同时，在空间站空气监测案例中，团队研究的是微型气相色谱柱。空间站长期在轨运行，人体代谢、舱体材料、食品和货物都可能释放微量有害气体。气相色谱仪可以理解为一种“电子鼻”，用来分离和识别舱内气体成分。

问题在于，传统设备体积和重量较大，而空间站里的每一克重量、每一点空间都很宝贵。要把设备做小，核心难点落在色谱柱结构上。柱内的形状、排布、间距，会影响气体流速是否均匀、是否存在滞留区、压降是否可控。

过去，研究人员往往依靠经验设计几个方案，再放入仿真软件测试，效果不好就重来。苗扬现场解释，这种方式时间长、成本高，而且很难判断是不是全局最优。“它只是这几个人里面最好的，但不一定是全中国最好的。”在苗扬看来，这个比喻背后，是复杂科研中常见的困境：人工试错能够找到可用方案，但不一定能找到更优方案。

引入伐谋后，团队把柱内结构的形状、排布、间距等变量交给系统搜索，再用仿真结果作为评价依据。数据显示，伐谋在72小时内生成的新方案，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3倍。

百度伐谋产品团队成员对上证报记者表示，伐谋不是一个普通聊天工具。用户需要先说明要解决什么问题、提供哪些数据、怎样判断结果好坏；系统再围绕这些条件生成方案、测试方案，并保留表现更好的方向。

“也就是说，人仍然在定义问题。”该团队成员称，没有清晰目标，系统不知道往哪里搜；没有可靠标准，系统也无法判断哪个结果更好。AI承担的是大量重复搜索和试错，人负责决定什么值得搜索、什么结果可信、下一步该往哪里走。