一句话看懂：百度推出的科研智能体“伐谋”被用于松材线虫病防治研究，能以自然语言描述目标、自主生成与迭代实验方案，将此前耗费学生大量人力的光谱参数试错成本降低约80%。这件事值得关注，因为它展示了通用编程Agent之外，大模型在垂直科研场景中的另一种落地路径。
事件核心：发生了什么
在百度出品的视频播客《深度进化》首期节目中，南京林业大学团队分享了利用AI智能体“伐谋”对抗松材线虫病（业内称“松树癌症”）的研究经历。公开资料显示，松材线虫病曾给国内造成每年约3500亿元的经济损失，染病松树约40天即枯死。此前，该团队20多名学生中超过一半人力用于手动试错光谱信号的排列组合，这一环节被形容为“搬砖式体力活”。
引入“伐谋”后，研究人员只需将数据定义与评价标准输入系统，该Agent即可自动生成方案、自主测试并迭代打分，持续逼近最优解。据节目嘉宾林教授反馈，这一过程在搜寻最优解环节的“能力”已“远超一个博士生水平”，且成本降低80%以上。
从产品形态看，“伐谋”属于专啃难任务的科研导向Agent，与Codex、Claude Code等通用编程助手思路不同。它包含“演化面板”，可回溯AI的每一步推演并支持在任意节点人工介入改道，兼顾可追溯、可干预与可复现，适应论文撰写对实验证据链的要求；同时支持自然语言交互，用户无需掌握运筹学或进化算法即可运作。数据安全方面，它提供本地评估模式，数据不出本地，仅上传脱敏后的评估分数。
为什么重要
目前公开信息显示，该案例的价值不在于替代通用Agent，而在于验证了大模型在闭环科学发现流程中的可行性。不同于代码生成或文本处理这类通用任务，“伐谋”呈现的是从目标定义到方案搜索、执行、打分、再迭代的全自动科研链路——“让AI自己与自己卷”。这不仅缓解了垂直领域人力密集的试错瓶颈，也为“AI for Science”提供了比传统深度学习建模更接地气的应用范式。
对行业格局而言，百度以“垂直任务Agent+科研数据安全”的组合切入，与OpenAI、Anthropic旗下通用型Agent形成错位竞争。若该产品能在更多学科复制，可能改变科研团队采购AI工具的标准：不再只看模型参数量或代码生成能力，而是考察其对专业评价体系的理解与长周期自主决策能力。
对用户/开发者/创作者的影响
科研人员与实验室团队：涉及大量参数搜索、组合优化或实验调优的研究方向（如光谱分析、材料配方、生物信息学）可以重点关注这类“策略搜索型”Agent。用它处理脏活累活，可把人力释放到假设提出与结果解释上。需注意，此类工具当前更适合“带明确难题来”的专业用户，简单任务反而无法发挥它的全部能力。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
开发者与AI产品经理：伐谋的“演化面板”设计提供了Agent可解释性的一种样本——可视化每一步决策路径、支持回溯干预，这对构建高风险场景（如科研、医疗、工业仿真）的AI工具极具参考价值。自然语言定义优化目标，也降低了用户使用进化算法等传统优化方法的门槛。
对关注数据合规的用户：本地评估模式适合涉密或未公开数据的研究场景，避免全部数据上传云端，这将是科研AI产品能否进入核心课题组的关键卖点。目前该产品在科研方向免费开放，但免费期长短尚不明确。
值得关注的后续
第一，科研方向免费政策能维持多久，一旦商业化定价是否超出高校课题组预算；第二，“伐谋”是否支持更多学科的自定义评估函数，能否从光谱信号优化拓展到药物分子筛选、蛋白质设计等更复杂任务；第三，Codex、Claude Code等通用Agent是否会借鉴“演化面板”的可干预式回溯功能，抬高下一代Agent在可解释性上的竞争门槛。
来源：@yaohui12138
