AI颠覆科研，真不是闹着玩的！
短短两个月，Claude、ChatGPT接连杀入数学最前沿。
从雅可比猜想、十大菲尔兹奖级难题，到黎曼猜想，一路闯进人类尚未攻克的未知区。
产业界另一边，AlphaFold拿下诺奖不到两年，DeepMind明星团队重新洗牌。
核心成员转战Gemini、AI编程和其他科学项目，Hassabis则转向一个更大的目标：
用AI重构药物研发，最终消除人类疾病。
谷歌并未放弃AI4S，反而将目标拔到了更高的维度。
AI过去学的是人类已经知道的知识；现在，它开始搜索人类还没有找到的解。
这条路线正在全球升温，中国玩家已经把它开进了林场、码头和生产线。
AI不学习，AI搜索
这并不是说，AI不再需要训练。
变化在于，AI4S最值钱的能力，正从记住多少知识转向能在多大的空间里找到新解。
AlphaFold代表了上一阶段的高光：从海量蛋白质数据中学习规律，再预测蛋白质的三维结构。
问题明确、数据充足，专用模型就能把一道题做到极致。
但科研中，更多问题根本没有现成答案。
研究者可能同时面对上百个变量、数亿种组合、彼此冲突的约束。真正费时间的，往往是决定下一步算什么。
谷歌祭出的AI Co-Scientist和AlphaEvolve，瞄准的正是这里。
前者帮助科学家提出可以验证的假设，后者则让算法在反馈中持续进化。它们不再只是回答问题，而是参与问题的拆解、搜索和验证。
于是，AI4S的主角，正从一个模型走向一套系统——
模型理解问题，工具执行任务，搜索算法不断试错，把结果一步步推向更优。
百度伐谋走的也是这条路线。
只不过，它找到的第一批问题，不只在实验室里。
松树还没变色，AI先把病找出来了
在南京紫金山，一场打了四十多年的仗刚刚收尾。
1982年，这里发现了国内首个松材线虫病疫点。
这种病被叫作松树癌症，传播快、致死率高、几乎没有特效药。一片林子从零星发病到成规模枯死，有时只需要两三年。
破解这一难题真正关键的是，在树木变黄之前，把异常信号找出来。
南京林业大学团队，一直在做的就是这件事。
这种病的麻烦之处在于，它最该被发现的时候，恰恰是最看不出来的时候。
等松针发黄、树冠成片褪色，站在山下用肉眼就能点出来，可到那时候，病程往往已经走到中后期。
于是，科研人员利用多光谱遥感技术，从蓝光、红光、红边和近红外等波段中捕捉松树的细微变化。
这些信号能够反映叶绿素、冠层结构和水分状态的变化，让病害识别从看见症状提前到看见变化。
相关技术已经推广超过200万亩，节约成本约7亿元。
看见之后，有一个问题出现了——复杂林区背景干扰。
在自然林区中，存在大量极易混淆的伪病害特征。
团队积累了107个候选特征，如果最终只挑选其中5个，仅组合数量就超过1.06亿种。
不同特征之间还会相互影响，今天有效的组合，换一片林区、一个季节或者一种气候条件，效果可能就变了。
比如阔叶树的纹理和染病初期的松树几乎一模一样，光谱信号却截然不同；干旱胁迫下的针叶，光谱和早期病害很接近，纹理又有明显区别。裸露的地块和中晚期病株一样破碎稀疏，光照和阴影则会直接改变反射率。
因此，只认一种信息，就会认错。
过去，这类工作主要依赖专家经验。
研究人员先凭经验选择一组特征，再训练模型、查看结果，然后重新调整。每一次尝试都有意义，但搜索速度很难跟上组合空间的膨胀。
伐谋接手的，正是这段最费时间的工作。
它没有推翻南京林业大学已有的识别模型，而是把现有模型作为进化起点，在107个候选特征中持续搜索更合适的组合。
科学家负责定义目标、边界和评价标准，伐谋负责生成方案、验证效果，再根据反馈继续进化。
最终，它用56分钟将107个候选特征压缩到约5个，预计可以节省80%的筛选时间。
提升最明显的，是早期识别。
早期病害检出率从89.1%升至98.0%，模型对早期病害这一类的专项识别精度从78.5%升至88.7%；综合检测精度提高到90.8%，误报率则从13.6%降至5.1%。
这不是单纯把模型再训练一遍。
模型结构没有大改，真正发生变化的是AI在替科学家扩大试错范围。过去依赖人工逐个尝试的组合，现在可以被系统性地生成、评估和淘汰。
基于这套方案，平台预计可以支持50万至100万亩森林的病害预警，并有望节约3000万至5000万元防治成本。
松树还没有变色，AI已经开始寻找病因。
这就是搜索未知解落到现实里的样子。
十个学科，用的是同一种解法
松材线虫病只是其中一个案例。
在AI DAY上，百度正式发布AI4S1+10+N战略。
1是伐谋自我演化智能体，10是覆盖不同学科的十项成果，N则是面向更多科学家的长期共创计划。
百度沈抖认为，AI正在改变科研、教学、生产和生活的很多方式。
对于已经定义清楚的问题，AI可以帮助人们更快验证和找到更优解；对于尚未完全定义清楚的问题，AI则可以帮助科研人员提出新假设、发现新路径。
十个学科看起来相距很远，背后遇到的却是同一类问题：变量太多，约束太复杂，靠人工很难穷举。
数学证明，就是一个典型场景。
一道高难度定理证明，最怕的是推导进行到一半，逻辑链条突然断掉。
伐谋与形式化证明系统Lean结合后，形成了Famou-Lean。在FATE-H高难度测试中，它完成了12道题的全解，可闭合的证明步骤数量提高了210%。
同样的搜索能力放进空中博弈，反馈就从证明是否成立变成了对抗能否获胜。
南开大学团队让智能体在不断交手中调整策略。面对2025年冠军智能体，4对4场景的胜率从0提高到80%。它并不是背下一套固定战术，而是在对手和环境变化之后，重新寻找更合适的动作组合。
到了能源系统，问题又换成了另一副面孔。
零碳园区需要同时处理制氢、储氢、用氢、设备状态和能源价格等条件。过去需要2小时完成的调度规划，伐谋可以压缩到10秒，同时满足全部约束。
清华大学团队则把它用在电磁材料研究中。相关成果已经被IEEE ECCE 2026接收。
更贴近普通人的是抑郁症研究。fMRI把大脑切成不同脑区，脑区两两关联，特征空间轻松上到十万量级。伐谋在这里同时搜特征和搜网络结构，最后落到一组说得出医学道理的连接特征上，做出临床诊断。
数学、空战、能源和材料当然不是同一门学科。
但对伐谋来说，它们都可以被转化成一个共同结构：先明确目标，再生成候选方案，用可验证的结果提供反馈，最后在搜索中持续逼近更优解。
只要问题能够评价，进化就可以继续。
从林场走向码头
科研问题和生产问题，其实没有想象中那么远。
自动化码头，就是一个典型例子。船期、岸桥、场桥、集卡、堆场和作业顺序彼此牵动，任何局部变化，都可能影响整条作业链。
青岛港A-TOS系统接入伐谋后，AI并没有一开始就超过原有方案。在原型演示中，前248轮进化，它先追平人工长期优化形成的基准；到第398轮，搜索结果突破原有上限，核心指标提升10.21%。
这恰恰说明了伐谋的价值：它不会凭空生成一个聪明答案，而在持续验证中，寻找人类尚未尝试过的更优组合。
类似的效果，也在交通和金融场景中显现。
伊金霍洛旗原有AI信号控制已将车辆延误降低13%，伐谋接入后又进一步优化5%，高峰期通行时间下降超过50%；百信银行将其用于特征挖掘后，效率提升100%，风险区分度提升约2.4%。
如果把视线继续往产业内部推进，伐谋重点落向生产排程、物流规划和工艺优化三类场景。
工厂里的订单、设备、人员、库存、交期和能耗，物流网络里的运力、路径、时效和作业均衡，本质上都是每天重复发生的复杂决策。
过去这些环节高度依赖经验，AI如果能持续生成、比较和优化方案，价值就不只是算得更快，而是让同样的时间、设备和资源被更有效地组织起来。
目前，已有超3000家企业试用伐谋。这也是百度将其重点放在产业场景中的原因。
中国拥有41个工业大类、207个工业中类和666个工业小类，排产调度、资源优化、路径规划、交易决策中，遍布大量难以穷举的组合问题。
一个问题快一点，看起来不算什么。
但当成千上万个这样的小优化同时发生，AI才真正从一个技术变量，变成生产力变量。
这也呼应了李彦宏的判断：最完整的产业链，意味着处处都需要找到更优的解决方案；AI对国民经济的拉动，正要从这样的微观环节里长出来。
宏观经济的效率增量，不会凭空来自一个模型，而是来自研发周期缩短、排产等待减少、物流路径优化、能源调度提速、风险识别改善等大量生产环节的叠加。
每个环节只前进一点，进入足够多的企业和行业后，就可能汇成更大的产业增量。
从这个角度看，伐谋真正要放大的，是一种可复制的持续找更优解能力。
不调参，让炼丹变成进化
伐谋的名字，取自《孙子兵法》的上兵伐谋。
它的背后原理，并不神秘。
一个自我演化的智能体，借鉴了生物进化的原理：自然选择下的遗传变异，让物种一代代逼近对环境的最优适配。
而伐谋把几亿年的进化过程，压缩到几天甚至几小时。
在实践中，算法工程师常常自嘲是炼丹师。
不容易调出来的最优解，外部条件一变就失效，只能从头再炼一遍，既耗时又高度依赖主观经验。
伐谋要做的，是把这种一次性的炼丹，变成持续的、可复现的自我演化——
条件改变之后，系统不必彻底从头开始。它可以重新抽象问题，更新候选方案，再根据新的评价结果继续搜索。
AI不再只学习人类总结好的经验，它开始进入人类来不及穷举的空间。
未来90%的生产生活任务都可能有AI深度参与，而智能体将成为AI进入真实任务的主要载体，正如沈抖所说。智能体这种载体正让AI的应用场景正在不断扩大边界。
伐谋在科研领域的应用是一个例证，证明的正是技术工具可以用更高效的方式，拓宽人类提升生产效率与探索原理边界。
而这恐怕正是百度智能云在AI智能体方面的探索方向。
搜索未知解的能力，交给科学家
如果说1和10是已经交卷的部分，那N才是这套战略留给未来的变量。
百度同步启动AI4S科学家计划，包括面向青年学者的支持计划，以及R&D Pioneer二期。首批计划将联合100位不同领域的科学家，把伐谋带入更多真实科研问题。
这不是简单地给科学家增加一个AI工具。
它更像是把一套大规模试错能力交到研究者手里。科学家仍然决定研究什么、什么结果有意义，以及哪些边界不能突破。AI则承担那些耗时、重复，却又决定结果上限的搜索工作。
AlphaFold的故事说明，AI4S的上半场属于实验室里的明星模型。
一个模型解决一道世界级难题，就足以改写一门学科。
但下半场已经开始。
AI正在从预测器变成搜索者，从交付一个答案，走向持续寻找更好的答案。它的主战场也会从论文和榜单，进入林场、码头、园区和生产线。
当搜索未知解变成稳定、可验证、每天都在使用的生产力，诺奖之后的AI4S，才算真正开场。
京公网安备 11011402013531号