AI 颠覆科研已成现实。短短两月，Claude、ChatGPT 相继攻克雅可比猜想、黎曼猜想等数学前沿难题。产业界方面，AlphaFold 获诺奖后，DeepMind 核心团队转向 Gemini 及更宏大的目标：利用 AI 重构药物研发，旨在消除人类疾病。
谷歌并未放弃 AI for Science (AI4S)，而是将维度提升至新高度：从学习已知知识，转向搜索人类尚未发现的解。这一趋势在全球升温，中国科技企业已将其应用于林场、码头及生产线等实际场景。
AI 不学习，AI 搜索
AI4S 的核心能力正从“记忆知识”转向“在广阔空间中寻找新解”。AlphaFold 代表了上一阶段的高光：基于海量数据预测蛋白质结构，适用于问题明确、数据充足的场景。
然而，科研中更多问题缺乏现成答案，往往涉及上百个变量和数亿种组合。谷歌推出的 AI Co-Scientist 和 AlphaEvolve 正是为此而生：前者辅助提出可验证假设，后者让算法在反馈中持续进化。AI4S 的主角已从单一模型演变为“模型理解 + 工具执行 + 搜索试错”的系统化方案。
百度“伐谋”智能体同样遵循此路线，并将首批应用场景锁定在实验室之外的真实世界。
松树未变色，AI 先识病
南京紫金山松材线虫病防治战已持续四十余年。该病被称为“松树癌症”，致死率高且传播快。防治的关键在于树木变黄前捕捉异常信号。
南京林业大学团队利用多光谱遥感技术，通过捕捉叶绿素、冠层结构等细微变化，将病害识别从“看见症状”提前至“看见变化”，相关技术推广超 200 万亩，节约成本约 7 亿元。
然而，复杂林区背景存在大量干扰特征。从 107 个候选特征中筛选最优组合，其排列组合数量超过 1.06 亿种，且受季节、气候影响巨大。传统依赖专家经验的试错方式难以应对如此庞大的搜索空间。
百度“伐谋”接手了这一高难度搜索任务。它以现有模型为起点，在 107 个特征中自动搜索最优组合。科学家定义目标与边界，AI 负责生成方案并验证反馈。最终，伐谋仅用 56 分钟便将特征压缩至约 5 个，预计节省 80% 筛选时间。
效果显著：早期病害检出率从 89.1% 升至 98.0%，综合检测精度提至 90.8%，误报率降至 5.1%。这套方案预计可支持百万亩森林预警，节约防治成本数千万元。这是“搜索未知解”在现实中的生动实践。
十学科共用一种解法
在百度 AI DAY 上，正式发布了 AI4S"1+10+N"战略："1"为伐谋自我演化智能体，"10"为覆盖十大学科的科研成果，"N"为面向科学家的长期共创计划。
无论是数学证明、空中博弈还是能源调度，这些看似迥异的学科背后，面临着共同的痛点：变量过多、约束复杂，人工难以穷举。伐谋提供了一套通用解法：明确目标、生成候选、验证反馈、持续逼近更优解。
- 数学证明：伐谋与形式化证明系统 Lean 结合形成 Famou-Lean，在高难度测试中完成全解，可闭合证明步骤提升 210%。
- 空中博弈：南开大学团队利用智能体在对抗中调整策略，面对冠军智能体，4 对 4 场景胜率从 0 提升至 80%。
- 能源系统：零碳园区调度规划时间从 2 小时压缩至 10 秒，同时满足多重约束。
- 医疗诊断：在抑郁症研究中，伐谋同时搜索脑区特征与网络结构，辅助临床诊断。
只要问题可评价，进化即可继续。这种能力正从科研走向产业深处。
从林场走向码头
自动化码头是典型的生产决策场景。青岛港接入伐谋后，AI 经过数百轮进化，核心指标提升 10.21%，突破了人工优化的上限。在交通信号控制和金融风控场景中，伐谋也分别实现了通行效率大幅提升和风险区分度优化。
目前，已有超 3000 家企业试用伐谋，重点聚焦生产排程、物流规划和工艺优化。在中国庞大的工业体系中，成千上万个微观环节的“小优化”叠加，正在将 AI 从技术变量转化为真正的生产力变量。
拒绝“炼丹”，迈向进化
“伐谋”之名取自《孙子兵法》。其核心原理借鉴生物进化论，将数亿年的自然选择过程压缩至数小时。传统算法工程师依赖主观经验“炼丹”，条件一变便需重来；而伐谋实现了持续的自我演化。
当外部条件改变，系统无需从头开始，而是重新抽象问题并更新方案。正如百度高管所言，未来 90% 的生产生活任务将有 AI 深度参与，智能体将成为主要载体。
将搜索能力交给科学家
百度同步启动 AI4S 科学家计划，联合百位科学家将伐谋带入更多真实科研问题。这并非简单增加工具，而是将大规模试错能力赋予研究者。科学家决定方向与边界，AI 承担耗时重复的搜索工作。
AI4S 的上半场属于实验室里的明星模型，下半场则属于走进生产线的搜索者。当“搜索未知解”成为稳定、可验证的生产力，AI 对国民经济的拉动将从微观环节中真正涌现。
编辑：桃子 摩西