在北京工业大学一间实验室里，一束激光安静地照射在水面上。光斑随液面细微波动而扭曲、反射，最终在远处的光屏上投射出不断变幻的复杂图案。乍看之下，这像是一场墙上的光影实验——但在科研人员眼中，这些图案其实是液体黏度、表面张力与波动频率构成的“摩斯密码”。

破译这些“密码”，过去曾是令科研人员头疼不已的繁琐工作。正如北京工业大学苗扬副教授所言，传统方法往往需要研究者建立复杂方程，反复推导、实验并验证，过程漫长且低效。而如今，这一流程发生了根本性变革——他们将核心的试错过程交给了AI系统。这种方式并非替代人的智慧，而是替人承担最繁重、最耗时的环节，就像为科研工作装上了一双“天眼”。

科研“天眼”：从“人工试错”迈向“机器寻优”

苗扬用一个生动的比喻来形容这一转变：这带来的变化远不止于“发论文更快”那么简单，更像是显微镜问世后给整个观察世界带来的一场革命性变革。从“周级”到“小时级”的效率跃升，让研究人员不再局限于有限的经验方案，而是有机会在庞大的参数空间中寻找那个“更接近最优”的答案。

在实验室中，研究生史冰冰正在调试一套液体表面波可视化系统。这套系统由波源、光学、监测和液体四大子系统组成，核心难点在于如何从光屏上杂乱的图像数据中，反推出液面的精确形貌。“过去我们得凭经验去猜测模型结构、调整参数，”史冰冰说，“现在，我们把问题拆解成目标、变量和评价标准，交给系统自动搜索最优解。”AI承担了重复的搜索与试错，而人则专注于定义问题和判断科学价值——这种分工让研究效率实现了质的飞跃。

这种“天眼”能力，在解决国家重大需求的复杂工程中尤为珍贵。以空间站空气监测项目为例，为了给航天员营造健康的“太空之家”，团队需要设计微型的气相色谱柱。这几乎就是在“螺蛳壳里做道场”：体积要小（以节省空间站上的宝贵资源），分离效率却要高。苗扬回忆说：“最初没有其他办法，我们只能靠试错。”而引入AI系统后，方案在72小时内就生成了全新设计，最终让色谱柱体积缩小了40%，分离效率提升3倍，同时保持了低压降。

“从‘周级’到‘小时级’，变化的不只是时间，”苗扬感慨道，“科研人员不再只是在有限选项里挑选一个相对较好的，而是有机会在更大空间中寻找‘更接近最优’的结果。”

扎根实验室：让“看不见”的故障无处遁形

这种能力在PEM电解槽制氢系统的故障诊断实验中体现得更加直观。课题组学生贾鑫珂介绍：“氢能安全是一项重大挑战，‘能不能用’和‘能不能安全用’是两回事。”PEM电解槽涉及电、热、流体等多物理场，是一个高度复杂的系统。真实设备不可能反复人为制造故障来收集数据，导致故障样本少、变量多，传统方法的改进空间极其有限。

过去，依靠人工经验设计的CNN与Transformer融合模型，准确率达到92.26%的高位后就很难再提升。贾鑫珂形容，从“好的”变成“更好的”是一个非常困难的过程。但借助AI系统，团队对这些设计进行了大幅优化，模型测试准确率被提升到了95.04%。更重要的是，整个科研探索周期从“周级”缩短到了“小时级”。苗扬补充说：“理想情况下，这可以节省约70%至80%的维修等待时间。这不仅是为了省钱，更是为了解决燃眉之急。”

技术底座：如何让AI听懂“人话”？

那么，这套系统究竟是如何工作的？百度伐谋产品团队成员在现场演示中揭示了答案：“伐谋并不是一个单纯的像我们常用的豆包或DeepSeek那样的大模型交互平台。”它更像是一个“科研助手”，核心在于“意图理解”和“算法演化”。

科研人员只需把任务定义清楚：输入原始代码、设定好评价指标（比如准确率要高、参数量要少）、修改相关配置。剩下的，就是让AI在后台进行“暴力美学”式的自动搜索。简而言之，人类负责定义问题，AI则负责承担大量的重复搜索和试错。通过统一的自演化智能体框架，系统能够有效应对科研中的高难度算法任务，显著降低算法优化的门槛。

至于外界普遍关心的AI“幻觉”问题，学生陈科宇从实操层面给出了解答：“伐谋是根据分数进行进化的，而不是根据给出的答案进行进化的。”这意味着，只要评价指标设置得当，AI就会沿着正确的方向“进化”，而不是生成一堆看似合理但实际错误的答案。