AI落地深水区：空间站空气监测设备如何实现“减重增效”？

当AI从实验室真正走向工程化应用，它在科研创新领域到底能释放多大价值？北京工业大学苗扬团队用一组扎实的数据给出了有力答案——借助AI算法优化，他们将空间站空气监测设备的体积缩小了40%，分离效率提升至原来的3倍，同时检测精度不降反升。这听起来像科幻场景，但本质上反映的是AI正在深度重塑传统科研研发范式。

更直观地看，设备更小，意味着空间站能够搭载更多有效载荷——可以是更多航天员、更多补给物资，也可以是更多科研仪器。苗扬直言：“在航天总预算不变的情况下，研发上多花一分，航天员身上的投入就少一分。AI的意义，就是把钱花在刀刃上。”

北京工业大学副教授、扶摇实验室负责人苗扬回答记者提问。罗亦丹/摄

先来看这个项目为什么如此关键。空间站需要长期在轨稳定运行，人体代谢、设备老化以及食品释气等因素，都会持续产生微量有害气体，舱内空气质量直接关系到航天员的生命健康与任务安全。核心检测部件是色谱柱，它决定混合气体能否被高效、精准地分离。传统色谱柱体积较大，类似早期的电脑主机，“把它变小同时保持性能不降”，苗扬形容这是一项“巨大挑战”。

在传统研发模式下，这类技术攻关往往异常艰难。从最初借鉴国外技术路线，到后来自主研发、完全自力更生，每一步都离不开反复试错，而试错背后就是高昂成本。在航天总预算这一硬约束下，研发投入增加了，其他关键环节就必须相应压缩。

AI的引入，彻底改变了这套研发逻辑。具体怎么实现的？苗扬团队把色谱柱构型优化抽象为数学优化问题，围绕形状、排列、密度等关键变量，利用AI开展演化搜索。过去依赖人工经验，可能只能尝试几个有限方案；现在，AI可以围绕既定目标持续生成并评估成千上万个候选方案。最终，新方案在保持低压降的同时，归一化误差降低8.17%，设备体积缩小40%，分离效率提升3倍。气体分子的运动路径更加统一，流场均匀性显著增强——这正是性能提升的关键。

值得注意的是，科研人员使用AI的方式，与普通用户使用大语言模型并不相同。苗扬团队采用的AI工具，是百度推出的“伐谋”智能体，主要面向企业与高校科研场景。团队成员陈科宇介绍了具体流程：先上传项目文件夹，其中包含两大核心模块——一个是由人工手动标注代码并配套专属注释的优化算法模块，另一个是团队自主搭建的评估器模块。该评估器会选取响应速度、模型准确率等单项指标，并通过加权运算形成综合评分标准。

这种模式跳出了传统科研容易陷入的“局部最优”困境。以往的做法往往是：如果更换技术路线后综合评分下降，研发人员通常会直接放弃，最后集中在看似成功率最高的单一路径上。而“伐谋”通过多条路线并行、自动化迭代优化，让研究更有机会找到全局最优解。正是这种选优机制的变化，让小型化、高精度的空间站空气监测设备距离工程化落地又近了一步。

科研门槛持续降低，AI工具重塑研究范式

AI对科研的影响，远不止体现在单个项目的突破上。苗扬回忆，他父亲读研究生时还没有电脑，做科研只能去图书馆查资料、翻文献，“想搞定一个课题大概要半年到一年，需要阅读大量文献、积累大量笔记。”到了苗扬自己求学时，已经可以借助计算机阅读论文、整理笔记，3到4天就能读完并总结一篇论文。而现在，在AI工具辅助下，科研效率又迈上了新台阶——真正的挑战，变成了如何把海量信息提炼成自己的知识体系。

更关键的是，学习和使用AI的门槛正在持续下降。苗扬团队里，很多熟练使用AI工具的同学甚至并非计算机专业出身。苗扬回忆自己最早接触人工智能时，是用Matlab跑基础算法，“疯狂啃书，求助师兄师姐，但师兄师姐也不懂，又联系研究生会，向计算机学院的师姐请教，那个年代学习AI的门槛非常高。”而现在，团队成员能够更快上手各类AI工具，并高效跑出想要的结果，所需的时间、精力和学习难度都明显降低。

从这个角度看，整个科研研究范式确实已经发生深刻变化。面对全球科研竞争，真正需要的未必只是弯道超车，更是“换道超车”——借助AI这样的新型科研工具，切换到新的技术赛道实现突破。这也是推动科技自立自强、加快构建现代化产业体系的重要路径。