剛剛，中國AI交卷！40年難題56分鐘破局，AI不再「學習」

新智元報道

AI顛覆科研，真不是鬧著玩的！

短短兩個月，Claude、ChatGPT接連殺入數學最前沿。

從雅可比猜想、十大菲爾茲獎級難題，到黎曼猜想，一路闖進人類尚未攻克的未知區。

產業界另一邊，AlphaFold拿下諾獎不到兩年，DeepMind「明星團隊」重新洗牌。

核心成員轉戰Gemini、AI編程和其他科學項目，Hassabis則轉向一個更大的目標：

用AI重構藥物研發，最終消除人類疾病。

谷歌并未放棄AI4S，反而將目標拔到了更高的維度。

AI過去學的是人類已經知道的知識；現在，它開始搜索人類還沒有找到的解。

這條路線正在全球升溫，中國玩家已經把它開進了林場、碼頭和生產線。

AI不學習，AI搜索

這并不是說，AI不再需要訓練。

變化在于，AI4S最值錢的能力，正從「記住多少知識」轉向「能在多大的空間里找到新解」。

AlphaFold代表了上一階段的高光：從海量蛋白質數據中學習規律，再預測蛋白質的三維結構。

問題明確、數據充足，專用模型就能把一道題做到極致。

但科研中，更多問題根本沒有現成答案。

研究者可能同時面對上百個變量、數億種組合、彼此沖突的約束。真正費時間的，往往是決定下一步算什么。

谷歌祭出的AI Co-Scientist和AlphaEvolve，瞄準的正是這里。

前者幫助科學家提出可以驗證的假設，后者則讓算法在反饋中持續進化。它們不再只是回答問題，而是參與問題的拆解、搜索和驗證。

于是，AI4S的主角，正從「一個模型」走向「一套系統」——

模型理解問題，工具執行任務，搜索算法不斷試錯，把結果一步步推向更優。

百度「伐謀」走的也是這條路線。

只不過，它找到的第一批問題，不只在實驗室里。

松樹還沒變色，AI先把病找出來了

在南京紫金山，一場打了四十多年的仗剛剛收尾。

1982年，這里發現了國內首個松材線蟲病疫點。

這種病被叫作「松樹癌癥」，傳播快、致死率高、幾乎沒有特效藥。一片林子從零星發病到成規模枯死，有時只需要兩三年。

破解這一難題真正關鍵的是，在樹木變黃之前，把異常信號找出來。

南京林業大學團隊，一直在做的就是這件事。

這種病的麻煩之處在于，它最該被發現的時候，恰恰是最看不出來的時候。

等松針發黃、樹冠成片褪色，站在山下用肉眼就能點出來，可到那時候，病程往往已經走到中后期。

于是，科研人員利用多光譜遙感技術，從藍光、紅光、紅邊和近紅外等波段中捕捉松樹的細微變化。

這些信號能夠反映葉綠素、冠層結構和水分狀態的變化，讓病害識別從「看見癥狀」提前到「看見變化」。

相關技術已經推廣超過200萬畝，節約成本約7億元。

看見之后，有一個問題出現了——復雜林區背景干擾。

在自然林區中，存在大量極易混淆的「偽病害」特征。

團隊積累了107個候選特征，如果最終只挑選其中5個，僅組合數量就超過1.06億種。

不同特征之間還會相互影響，今天有效的組合，換一片林區、一個季節或者一種氣候條件，效果可能就變了。

比如闊葉樹的紋理和染病初期的松樹幾乎一模一樣，光譜信號卻截然不同；干旱脅迫下的針葉，光譜和早期病害很接近，紋理又有明顯區別。裸露的地塊和中晚期病株一樣破碎稀疏，光照和陰影則會直接改變反射率。

因此，只認一種信息，就會認錯。

過去，這類工作主要依賴專家經驗。

研究人員先憑經驗選擇一組特征，再訓練模型、查看結果，然后重新調整。每一次嘗試都有意義，但搜索速度很難跟上組合空間的膨脹。

伐謀接手的，正是這段最費時間的工作。

它沒有推翻南京林業大學已有的識別模型，而是把現有模型作為進化起點，在107個候選特征中持續搜索更合適的組合。

科學家負責定義目標、邊界和評價標準，伐謀負責生成方案、驗證效果，再根據反饋繼續進化。

最終，它用56分鐘將107個候選特征壓縮到約5個，預計可以節省80%的篩選時間。

提升最明顯的，是早期識別。

早期病害檢出率從89.1%升至98.0%，模型對「早期病害」這一類的專項識別精度從78.5%升至88.7%；綜合檢測精度提高到90.8%，誤報率則從13.6%降至5.1%。

這不是單純把模型再訓練一遍。

模型結構沒有大改，真正發生變化的是AI在替科學家擴大試錯范圍。過去依賴人工逐個嘗試的組合，現在可以被系統性地生成、評估和淘汰。

基于這套方案，平臺預計可以支持50萬至100萬畝森林的病害預警，并有望節約3000萬至5000萬元防治成本。

松樹還沒有變色，AI已經開始尋找病因。

這就是「搜索未知解」落到現實里的樣子。

十個學科，用的是同一種解法

松材線蟲病只是其中一個案例。

在AI DAY上，百度正式發布AI4S「1+10+N」戰略。

「1」是伐謀自我演化智能體，「10」是覆蓋不同學科的十項成果，「N」則是面向更多科學家的長期共創計劃。

百度沈抖認為，AI正在改變科研、教學、生產和生活的很多方式。

對于已經定義清楚的問題，AI可以幫助人們更快驗證和找到更優解；對于尚未完全定義清楚的問題，AI則可以幫助科研人員提出新假設、發現新路徑。

十個學科看起來相距很遠，背后遇到的卻是同一類問題：變量太多，約束太復雜，靠人工很難窮舉。

數學證明，就是一個典型場景。

一道高難度定理證明，最怕的是推導進行到一半，邏輯鏈條突然斷掉。

伐謀與形式化證明系統Lean結合后，形成了Famou-Lean。在FATE-H高難度測試中，它完成了12道題的全解，可閉合的證明步驟數量提高了210%。

同樣的搜索能力放進空中博弈，反饋就從「證明是否成立」變成了「對抗能否獲勝」。

南開大學團隊讓智能體在不斷交手中調整策略。面對2025年冠軍智能體，4對4場景的勝率從0提高到80%。它并不是背下一套固定戰術，而是在對手和環境變化之后，重新尋找更合適的動作組合。

到了能源系統，問題又換成了另一副面孔。

零碳園區需要同時處理制氫、儲氫、用氫、設備狀態和能源價格等條件。過去需要2小時完成的調度規劃，伐謀可以壓縮到10秒，同時滿足全部約束。

清華大學團隊則把它用在電磁材料研究中。相關成果已經被IEEE ECCE 2026接收。

更貼近普通人的是抑郁癥研究。fMRI把大腦切成不同腦區，腦區兩兩關聯，特征空間輕松上到十萬量級。伐謀在這里同時搜特征和搜網絡結構，最后落到一組說得出醫學道理的連接特征上，做出臨床診斷。

數學、空戰、能源和材料當然不是同一門學科。

但對伐謀來說，它們都可以被轉化成一個共同結構：先明確目標，再生成候選方案，用可驗證的結果提供反饋，最后在搜索中持續逼近更優解。

只要問題能夠評價，進化就可以繼續。

從林場走向碼頭

科研問題和生產問題，其實沒有想象中那么遠。

自動化碼頭，就是一個典型例子。船期、岸橋、場橋、集卡、堆場和作業順序彼此牽動，任何局部變化，都可能影響整條作業鏈。

青島港A-TOS系統接入伐謀后，AI并沒有一開始就超過原有方案。在原型演示中，前248輪進化，它先追平人工長期優化形成的基準；到第398輪，搜索結果突破原有上限，核心指標提升10.21%。

這恰恰說明了伐謀的價值：它不會憑空生成一個「聰明答案」，而在持續驗證中，尋找人類尚未嘗試過的更優組合。

類似的效果，也在交通和金融場景中顯現。

伊金霍洛旗原有AI信號控制已將車輛延誤降低13%，伐謀接入后又進一步優化5%，高峰期通行時間下降超過50%；百信銀行將其用于特征挖掘后，效率提升100%，風險區分度提升約2.4%。

如果把視線繼續往產業內部推進，伐謀重點落向生產排程、物流規劃和工藝優化三類場景。

工廠里的訂單、設備、人員、庫存、交期和能耗，物流網絡里的運力、路徑、時效和作業均衡，本質上都是每天重復發生的復雜決策。

過去這些環節高度依賴經驗，AI如果能持續生成、比較和優化方案，價值就不只是「算得更快」，而是讓同樣的時間、設備和資源被更有效地組織起來。

目前，已有超3000家企業試用伐謀。這也是百度將其重點放在產業場景中的原因。

中國擁有41個工業大類、207個工業中類和666個工業小類，排產調度、資源優化、路徑規劃、交易決策中，遍布大量難以窮舉的組合問題。

一個問題快一點，看起來不算什么。

但當成千上萬個這樣的「小優化」同時發生，AI才真正從一個技術變量，變成生產力變量。

這也呼應了李彥宏的判斷：最完整的產業鏈，意味著處處都需要找到更優的解決方案；AI對國民經濟的拉動，正要從這樣的微觀環節里長出來。

宏觀經濟的效率增量，不會憑空來自一個模型，而是來自研發周期縮短、排產等待減少、物流路徑優化、能源調度提速、風險識別改善等大量生產環節的疊加。

每個環節只前進一點，進入足夠多的企業和行業后，就可能匯成更大的產業增量。

從這個角度看，伐謀真正要放大的，是一種可復制的「持續找更優解」能力。

不調參，讓「煉丹」變成進化

伐謀的名字，取自《孫子兵法》的「上兵伐謀」。

它的背后原理，并不神秘。

一個自我演化的智能體，借鑒了生物進化的原理：自然選擇下的遺傳變異，讓物種一代代逼近對環境的最優適配。

而伐謀把幾億年的進化過程，壓縮到幾天甚至幾小時。

在實踐中，算法工程師常常自嘲是「煉丹師」。

不容易調出來的最優解，外部條件一變就失效，只能從頭再煉一遍，既耗時又高度依賴主觀經驗。

伐謀要做的，是把這種一次性的「煉丹」，變成持續的、可復現的自我演化——

條件改變之后，系統不必徹底從頭開始。它可以重新抽象問題，更新候選方案，再根據新的評價結果繼續搜索。

AI不再只學習人類總結好的經驗，它開始進入人類來不及窮舉的空間。

「未來90%的生產生活任務都可能有AI深度參與，而智能體將成為AI進入真實任務的主要載體」，正如沈抖所說。智能體這種載體正讓AI的應用場景正在不斷擴大邊界。

伐謀在科研領域的應用是一個例證，證明的正是技術工具可以用更高效的方式，拓寬人類提升生產效率與探索原理邊界。

而這恐怕正是百度智能云在AI智能體方面的探索方向。

搜索未知解的能力，交給科學家

如果說「1」和「10」是已經交卷的部分，那「N」才是這套戰略留給未來的變量。

百度同步啟動AI4S科學家計劃，包括面向青年學者的支持計劃，以及R&D Pioneer二期。首批計劃將聯合100位不同領域的科學家，把伐謀帶入更多真實科研問題。

這不是簡單地給科學家增加一個AI工具。

它更像是把一套大規模試錯能力交到研究者手里。科學家仍然決定研究什么、什么結果有意義，以及哪些邊界不能突破。AI則承擔那些耗時、重復，卻又決定結果上限的搜索工作。

AlphaFold的故事說明，AI4S的上半場屬于實驗室里的明星模型。

一個模型解決一道世界級難題，就足以改寫一門學科。

但下半場已經開始。

AI正在從預測器變成搜索者，從交付一個答案，走向持續尋找更好的答案。它的主戰場也會從論文和榜單，進入林場、碼頭、園區和生產線。

當「搜索未知解」變成穩定、可驗證、每天都在使用的生產力，諾獎之后的AI4S，才算真正開場。

編輯：桃子 摩西