「核心提示」

AI 的下一场竞赛，早已不是语音对答，而是深度协同，成为每一个产业可调用、可生长的超级大脑。

作者 |  詹方歌

编辑  |  刘杨

在亚洲最大的独立汽车设计研发公司阿尔特，一场有关 " 风阻 " 的研发变革正在发生。

12 月 25 日，在百度 AI Day 活动现场，阿尔特公布的一组数据引发关注——汽车风阻验证时长，从传统的 10 小时缩短到 1 分钟，预测误差控制在 5% 以内。这一突破，得益于百度伐谋超级智能体的自我演化能力。

众所周知，风阻大小直接影响汽车的续航和能耗，是汽车设计中的核心环节。以往，行业普遍依赖仿真软件，通过求解 N-S 方程来进行风阻预测，这一过程不仅复杂还极为耗时。阿尔特携手百度伐谋推出的御风智能预测系统，让风阻预测效率实现了质的跃升。

御风系统如同一位自驱型的优秀学生，能够利用大量工程数据，迅速掌握空气动力学规律。它几分钟内就能输出可视化的压力云图和风阻系数，且预测精度接近真实物理仿真，还能够跨车型优化，真正实现举一反三。

事实上，效率的提升只是伐谋带来的直观变化，更本质的意义在于系统性优化。正如其名字 " 上兵伐谋 " 的寓意：用智慧和谋略解决核心问题，而不仅仅依赖资源或算力的堆积。这也是 AI 进化的方向。

从汽车风阻到空间站设备，再到金融风控和港口调度，伐谋正在将顶尖专家的 " 最优解探索 " 能力，转化为每一家企业都能调用的智能底座。

实现 AI 从 " 技术展示 " 到 " 产业内化 " 的飞跃，并非易事。百度为何能率先跨过这道门槛？这背后的底气是什么？

把人从 " 试错 " 中解放出来

‍‍

发布一个月以来，百度伐谋已有超 2000 家企业申请试用，覆盖物流、制造、AI4S 等领域。这些企业都在寻找同一个答案：如何让 AI 帮他们找到 " 全局最优解 "。

御风智能系统的突破，正是这个答案的生动注解。从 10 小时到 1 分钟，它针对效率的优化并不局限在 " 快 "，而是改变了传统风阻预测中 " 设计→验证→再修改 " 的模式。围绕 " 试错 " 形成的测试闭环，也就此打破。

以往，汽车设计师无法在草图阶段就获得风阻的实时反馈；风阻工程师的验证过程也像 " 开盲盒 "，二者无法直接建立沟通。现在，御风系统将气动验证前置到草图阶段，在设计初期就能实现风阻系数的快速预测，还能利用逆向求解与重构，生成多组 " 既达标又有差异 " 的汽车轮廓线方案，辅助设计师做出最佳选择，实现了 " 边设计、边验证、边优化 " 的高效研发模式。

作为御风系统的大脑，百度伐谋不同于其他的智能体，不满足于一次性开发，而是通过 " 冷启动 - 演化迭代 " 机制，在几天甚至几小时内，依靠大规模分布式的算力不断重复试错，并在试错中总结经验，自主寻找最优算法。其过程与自然界亿万年的进化有异曲同工之妙。

更广阔的视野、更高维的思考方式、更快的试错速度，让伐谋在面对复杂的产业问题时，不会像人类专家一样陷入 " 局部最优 " 的瓶颈，而是在现实情况动态变化的过程中，利用自适应能力动态调优，找到不同条件下的 " 最优解 "。

距离地球 400 多公里的高空，百度伐谋强大的自我演化能力同样在发挥作用。

每 90 分钟左右，中国空间站会绕地球飞行一周。按照科学家的设计，它将在轨运行 10 年以上，舱内需要不断监测由人体和材料释放的有害气体。传统空气监控设备体积和重量巨大，急需研发质量轻、精度高的微型监测设备。

以往，科研人员在研发核心部件 " 微型气相色谱柱 " 时主要依赖人工经验，手动设定形状、密度等几何模型，反复进行数值仿真，效率较低。现在，北京工业大学与百度伐谋深度合作，利用伐谋进行自动化寻优，科研团队成功演化出了体积更小、排布更紧密的构型设计和排布方式，大幅提升了气体分离效率，设备也更轻更小。" 微型电子鼻 " 就这样横空出世。

除了航天系统，北京工业大学还将伐谋应用到旋转机械系统、直升机动力系统等多个复杂系统故障检测试验中，真正实现了人类专家提出问题、设定标准，伐谋自动完成代码演化、自我改进和最优解输出的过程。

伐谋的应用，让原本以 " 周 " 为单位的科研探索开始缩短至 " 小时级 "，科研团队无需具备深厚的 AI 大模型知识也能够上手使用，真正将人从繁重的试错中解放出来。更重要的是，伐谋自主演化出的创新融合方式，也在不断为科研提供新的灵感。

从 " 辅助工具 " 到 " 原生生产力 "，伐谋不同于一般智能体，更像是人类的超级助手。它具备较快的学习能力，能够适应不同行业需求，并为企业应用带来新的可能性，对传统模式也有了积极的改进。

伐谋的底气和视野

用 AI 来试错，而不是用人试错，无疑能大幅降低成本和提升效率，这是显而易见的优势。但要让伐谋这样能够解决极其复杂问题的智能体真正落地，其背后所需的技术能力和长期投入，远超想象。

为什么率先推出这种先进生产力的是百度？最核心的原因，在于百度坚持全栈自研的技术路线。公开资料显示，全球范围内能够实现 " 芯片—框架—模型—应用 " 全链路自研的，只有谷歌和百度。

与其他公司在各环节采购拼装、难以高效协同不同，百度的全栈布局让技术各层无缝配合，能够快速响应和优化。这不仅保证了体系的稳定可靠，更为伐谋这样对性能要求极高的智能体提供了理想的 " 孕育土壤 "。

自 2010 年启动昆仑芯片研发，到飞桨深度学习框架、文心大模型，再到各种行业应用，百度已建立起从底层算力到顶层算法的坚实支撑。只有当技术链条完全自控、上下游紧密打通，才能支持自我演化的智能体实现高速成长与持续优化。

如果说全栈布局是伐谋诞生的基础，那么百度对中国复杂产业需求的敏锐洞察，就是让伐谋真正落地开花的 " 养分 "。

全球 AI 发展中，有一个关键的悖论——模型能力高歌猛进，但其对经济增长的贡献目前来看还十分有限。这也就是为什么李彦宏会在多个场合不断呼吁，" 机会最大的是在应用层 "" 应用才是真正创造价值的地方 "。

他指出，中国制造业密度高、应用场景复杂、对成本和效率极度敏感，如果能用先进技术大幅提升这些场景的效率，对经济增长的贡献将显而易见。

目前，百度已经积累了丰富的应用落地实践：慧播星数字人技术在 2025 年双 11 中 GMV 同比提升 91%，并正式宣布面向全行业开放，成为企业降本增效的新型生产力工具；秒哒上线 8 个月以来，平台已累计生成超 50 万个商业应用，日新增应用涨幅超 150%，覆盖教育、商业、内容创作、企业服务等 200 余个场景。

这些落地实践不但证实了 AI 在驱动商业增长和生产效率提升方面的巨大潜力，也为伐谋等 AI 智能体 " 后来者 " 的落地积累出了可复制的经验，形成了巨大业务价值。

让 AI 内化于 " 千行百业 "

作为市面上最适合解决复杂问题的智能体之一，伐谋的意义并不在于写代码，而在于将高级决策逻辑转化为每一家企业都能即刻调用的基础设施，让 AI 能力渗透到产线的每一个环节，让产业升级来得再快一点。

为了进一步降低使用门槛，百度伐谋在 12 月 25 日的 AI Day 上宣布进行三大能力升级：在通用性方面，全新发布 Web 端、CLI 及 IDE 插件等多种形态，支持对话式澄清需求，让不懂代码的业务人员也能轻松接入；在生产级方面，推出本地评估方案，企业无需上传敏感数据即可享受伐谋的演化能力；在持续性方面，升级全局搜索和动态调优能力，实现持续的价值创造。

同时，百度伐谋正式发布 " 同舟生态伙伴计划 "，面向高校实验室、行业软件企业开放核心能力，对高质量伙伴的科研创新或产业实践项目提供全面免费支持。

以金融业为例，风险控制是金融业的最重要场景，是数字银行的核心 " 护城河 "。以往，风控需要依赖专业化的人才进行复杂数据工程。中信百信银行在与伐谋合作后，情况开始发生变化：在专业的风控专家的训练指导下，伐谋利用自身在高维数据感知、复杂数理推导等方面的特殊能力，不间断地在海量数据中进行风险特征挖掘，在短时间内快速达到了专业数据挖掘工程师的水平。

同样能体现伐谋优势的还有港口场景。港口的运输、装卸等环节高度复杂、相互耦合，传统人工调度难以高效评估多种协同方案，常常无法实现资源与能耗的最佳平衡。通过算法，伐谋对船舶靠泊、岸桥作业、集卡运输与场桥调度等环节进行全局优化。系统经过多轮演化计算，在保障作业效率的前提下，为港航物流作业领域带来了显著的节能降耗效果。

当行业多数精力仍聚焦于对话和内容生成时，百度伐谋展现了另一个维度的价值：将大模型等全栈能力导向产业深水区，追求 AI 技术在实际生产中发挥更大作用，解决产业中那些 " 评估容易、求解极难 " 的问题。

从这个意义上看，伐谋并不是一次单点突破，而是一种方法论的外化。它所代表的，不是把模型做得更大，而是把 AI 能力内化、压实，实到能够被真实业务调用、被一线流程消化、被结果反复验证。

也正是在这条路径上，百度逐渐勾勒出一条清晰的 AI 路线：从让人人都能成为开发者的 " 秒哒 "，到让人人皆可开播的 " 慧播星数字人 "，再到直指产业核心难题的 " 伐谋 "，其核心从未改变——立足应用驱动，将原本只属于少数人的智能，真正内化为多数行业可以长期使用、持续创造价值的通用生产力。

你觉得 AI 应该往哪些方向发展？

亲爱的读者，由于公众号规则的变化，不标星《豹变》公众号，无法收到最新推送，星标方法如下图。

更多精彩