在南京溧水林场，无人机（885564）缓缓升空，镜头掠过层层叠叠的松林。在肉眼看来，这片林海郁郁葱葱，生机盎然。但在AI的“视觉前”系统里，一场无声的战役早已打响。
屏幕上，一棵看似健康的松树被悄然标记为“早期异常”。它尚未变色，针叶依旧翠绿，但多光谱影像已经捕捉到了它内部生理状态的微妙变化——这是“松树癌症”松材线虫病入侵的早期信号。在染病后的第14天，传染性尚未形成前，AI已经发出了预警。
“以前我们只能在人工巡查时发现树叶变黄了，才知道它病了。那时候，一切可能都晚了。”溧水区林场的工作人员感慨道。如今，借助南京林业（884004）大学与百度（BIDU）伐谋联合发布的全国首个“AI+早期松材线虫病防治一体化平台”，这场与时间的赛跑，人类抢在了病魔前面。
这不仅是林业（884004）防治的一次技术升级，更是AI for Science(AI4S，科学智能)从概念走向现实的一个生动切片。8月12日，在南京举行的百度（BIDU）AI Day伐谋专场上，百度（BIDU）伐谋正式发布AI4S“1+10+N”战略，集中展示十大跨学科科研标杆成果，启动面向100位各领域学者的AI4S科学家计划，并联合南京林业（884004）大学上线全国首个“AI+早期松材线虫病防治一体化平台”。
深入林场：一场与“松树癌症”的AI攻防战
为了更直观地感受AI如何进入科研现场，扬子晚报/紫牛新闻记者来到南京溧水林场，实地探访AI早筛松树虫害的全过程。
林场站长窦浩向我们描绘了传统防治工作的痛点：“防治松材线虫病占了我们很大一部分工作精力。最大的问题是漏查，有些树被灌木挡住，或者地形复杂人到不了，可能就漏掉了。等到发现死树再去伐除，成本非常高，而且效果并不好。”
南京林业（884004）大学林海峰教授团队的研究，正是为了解决这一难题。林教授介绍，松材线虫病在染病初期(前14天)没有传染性，是救治的黄金窗口期。但此时树木外表无任何变化，传统的人工巡查和可见光影像都束手无策。
“我们的技术核心是‘视觉前’识别。”林教授解释道。团队利用无人机（885564）搭载多光谱相机，捕捉树木在Blue、Red、Red-Edge、NIR等不同波段的光谱信息。健康的树和染病的树，其叶绿素、水分含量等生理指标不同，反映在光谱上就是不同的“指纹”。
真正的挑战在于从海量数据（603138）中找到那根“针”。林教授团队构建了一个包含107个候选特征的“特征池”，这些特征由不同光谱波段、植被指数及其组合构成。依靠人工经验去逐一组合、筛选、验证，是一个耗时数月且极易受主观限制的“黑箱”过程。
“这就是我们引入伐谋的原因。”林教授说。在与百度（BIDU）伐谋的合作中，南林团队负责提出科研问题、确定评价标准(如准确率、召回率、误报率)，并结合林业（884004）知识判断结果；伐谋则在固定模型和评价标准下，自动生成、测试和比较不同的特征组合，帮助团队优先找到更值得进入后续实验的方案。
在现场的演示平台上，记者看到了这一过程的成果。无人机（885564）巡检的画面实时回传，系统自动标定出异常目标。在可见光影像上毫无异样的树木，在多光谱分析下被清晰地标记为“早期异常”。
一组数据也揭示了AI带来的颠覆性改变：从107个候选特征中筛选出约5个关键特征，前期实验筛选时间压缩约80%；早期病树检出率从89.1%提升至98.0%；在干旱、枯草等复杂背景下，误报率从13.6%降至5.1%……
“这相当于给林场装上了一双‘智慧之眼’。”窦站长说。目前，南林大的技术已在江苏、辽宁、安徽等省份推广超200万亩，为国家节约防治成本约7亿元。引入伐谋后，预计可进一步支撑50万至100万亩重点风险松林的早期预警，再节约成本3000万至5000万元。
从“妙手偶得”到“规模化创新”：AI重塑科研范式
“AI正在改变科研、教学、生产和生活的很多方式。”百度（BIDU）集团执行副总裁、百度（BIDU）智能云事业群总裁沈抖在大会上表示，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。他大胆预测，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。
“擅长解决创新和优化类问题”的自我演化智能体的核心工作方式是“人类定义标准、AI持续寻优”。比如，科研人员负责提出问题、设置目标、定义评价标准和边界条件，伐谋则根据这些要求，在巨大的解空间里持续生成、筛选、验证和改进方案，探索过去人工难以抵达的新解法。
百度（BIDU）伐谋产品总经理李安南将这一过程比作科研范式的超级进化。他将科研发展分为三个阶段：一是信息平权时代(2000年代)，以搜索引擎为代表，解决了信息获取的效率问题；二是效率提升时代(2023年后)，以大模型为代表，能辅助写代码、写论文，提升了科研效率；三是范式变革时代(未来)，以Research Agent为代表，AI不再仅仅是工具，而是成为科研的“合伙人”，能够自主进行假设、搜索和验证，将人类从重复试错的闭环中解放出来，专注于更高层的目标设定和成果设计。
“我们的目标是让科学发现从‘妙手偶得’走向‘规模化创新’。”李安南说，智能体创新内核是“Learning决定下限，Search决定上限”。学习能力保证了它能解决已知问题，而搜索能力则让它有能力探索未知，突破创新的天花板。
从林海到芯片：AI如何“智胜”复杂世界
溧水林场的案例，只是冰山一角。在此次南京举办的AI Day上，集中亮相的十大跨学科科研成果，生动诠释了AI智能体（886099）如何帮助科研人员在各自领域“看得更远、摸得更高”的情况。
在基础材料与生命科学领域，它不仅帮助清华大学的研究者，将电磁学原理融入模型，自主设计出更优的神经网络结构来预测电磁材料特性；还能在复杂的fMRI脑部影像数据中，为研究者找到新的多模态融合机制，将抑郁症的判别准确率提升了5%；在前沿科技与工业制造领域，面对光电芯片设计中牵一发而动全身的复杂工艺，伐谋仅用4小时就完成了资深工程师需要一到两周才能完成的参数寻优，在阿尔特（300825）汽车的研发中，它将单次汽车风阻仿真时间从24小时骤降至10分钟，让美学设计师能即时获得反馈，极大提升了设计迭代效率；而在智力博弈与金融市场这些充满不确定性的领域，伐谋更是化身“探索未知”的先锋。在噪声极高的A股日内交易数据中，它经过28天的持续搜索，挖掘出顶尖量化机构水平的交易策略；甚至在严谨的数学证明领域，它与清华大学联合研发的智能体，也首次实现了对12道高难证明题的全部求解。
这些成果共同指向一个核心：AI智能体（886099）正围绕科研中普遍存在的“变量多、组合复杂、试错成本高”等痛点，提供一套系统性的解决方案，让科学发现从“妙手偶得”走向“规模化创新”。
人机协同：定义未来的科研新范式
在百度（BIDU）伐谋算法实习生张恩泽的分享中，我们看到了未来科研实验室的模样。他以一个A股日内预测比赛为例，展示了如何在AI智能体（886099）的指导下，一个科研“小萌新”在12天内完成了通常需要数月的工作量，并在150多支来自顶尖高校和机构的队伍中排名第七。“AI负责规模化的探索，人类负责解释边界、承担责任。”张恩泽总结道。这种明确的分工，正是AI4S时代人机协同的核心。
光本位联合创始人及董事长熊胤江对此也深有体会。他所处的光计算芯片行业，研发壁垒极高，底层光器件的结构调整涉及海量且相互影响的参数，“牵一发而动全身”。过去，这只能依赖资深工程师凭经验“一点点磨”，耗时耗力。“在芯片研发这个赛道上，‘一步快，步步快’。”熊胤江表示，引入AI智能体（886099）后，流程彻底改变。工程师只需定义好目标，剩下的就交给伐谋自动迭代。在1×16多端口光器件的工艺寻优中，伐谋仅用4到5个小时就跑出了比工程师花一周时间更优的结果，综合得分提升了11%。
“我们最顶尖的工程师，终于可以从这种繁杂但重要的任务中释放出来了，他们可以去喝杯咖啡，去思考更宏大、更有创造力的芯片架构设计。”熊胤江形象地比喻道，这标志着他们的研发模式正从“人工炼丹”真正走向“智能研发”。
【多说一句】
从帮助林场守护绿水青山，到助力芯片设计突破物理极限，再到探索宇宙的数学真理，AI的触角正在伸向科学发现的深水区，成为能够拓展人类认知边界的“科研合伙人”。正如沈抖所言，AI为中国科技创新提供了一个新的起点。当AI开始帮助科学家“发现规律、加速计算、搜索方案、动态决策”，我们有理由相信，在AI的助力下，中国科研将能“看得更远、摸得更高”。
扬子晚报/紫牛新闻记者徐晓风
