「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

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？

1、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。

2、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。

3、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。