8月12日，百度伐谋发布 AI4S“1+10+N”战略、AI4S科学家计划，并与南京林业大学上线松材线虫病早期防治一体化平台。它试图回答一个更难的问题：当变量无法穷举、答案必须验证时，AI能否参与方案搜索与持续优化？
过去的大模型擅长回答问题、写代码和生成内容，但科研、制造与产业决策面对的往往不是一道有标准答案的题。材料参数怎样组合、港口资源怎样调度、林木病害如何提前识别，都需要在巨大的候选空间中反复验证。
百度伐谋想做的，是把搜索过程交给 AI。
定位为可商用的自我演化决策智能体，将大语言模型的推理能力与大规模进化搜索结合，用于复杂约束下的方案探索。
能力继续向机器学习工程任务延伸，随后从算法优化扩大到生产排程、物流规划与工艺优化。
企业业务专家无需提前把全部规则整理成完整模型，可以通过持续反馈方案效果，让系统逐步理解业务逻辑。
发布自演化智能体核心底座、十大跨学科科研成果方向和 AI4S 科学家计划，同时上线松材线虫病防治一体化平台。
注：时间线按报道披露的产品与战略节点整理；“登顶”与各项成果的适用范围，仍需结合具体测试环境阅读。
这套系统与普通问答式 AI 的差别，不在于输出更长的答案，而在于工作方式发生了变化：专家提出目标、约束和评价标准，AI负责生成候选、运行评估并不断迭代。
专家提出假设，人工逐项调整参数，再通过实验、仿真或实际运行验证。变量越多，能够覆盖的可能性越有限。
把专家知识变成目标与约束，让 AI 在更大方案空间中持续探索、比较和筛选，并将反馈纳入下一轮搜索。
在数学方向，Famou-Lean 数学证明智能体在 FATE-H 测试中实现12道高难证明题全部求解；在具身智能方向，运动控制、灵巧手和经典控制任务分别披露了 289%、150%和73% 的阶段性提升。
注：以上为不同任务中的结果，不能简单横向相加；报道未统一披露所有基线、测试规模与复现实验条件，百分比应视作场景化指标。
如果只看“搜索与优化”几个字，能力仍然抽象。真正有信息量的，是它是否能进入已有流程，在可验证的任务里改变结果。
注：案例中的提升幅度均为各项目披露的场景结果，测试口径、基线方案和实际运行周期并不完全一致。
很多 AI4S 项目停留在论文或实验室环境里，而松材线虫病防治同时面对光谱信息、环境变化、树木状态和复杂背景，最终还要服务于真实林场的早期预警。
早期病树往往还没有明显外观变化，人工巡查很难及时发现风险。研究团队先建立多光谱波段、植被指数与时序差分特征池，再以自建深度学习模型作为固定评价器，由伐谋搜索更有效的特征组合。
注：三条横向条以107个候选特征为100%缩放，便于观察筛选幅度，不代表模型权重或贡献度。
注：指标条按百分比数值展示，误报率越低越好；初筛耗时约56分钟，预计节省约80%的前期实验筛选时间。
这个案例的另一层价值，在于结果并非完全不可解释：红边特征对应叶绿素变化与植被活力，近红外及水分指数反映冠层结构和含水状态，时序差分则帮助判断异常是否持续。
按目前测算，平台预计进一步节约核查、防控和模型迭代成本约3000万至5000万元，并有望支撑约50万至100万亩重点风险松林的早期预警能力提升。
注：成本节约与覆盖面积属于后续测算或预期，不是已经确认的实际收益。
百度伐谋的叙事很清晰：用自演化搜索扩大人工探索范围，再把搜索能力放进科研、生产和经营决策。但判断它是否真正成立，至少要把“已验证结果”“阶段性展示”和“未来测算”分开。
数学证明、松林识别、风阻预测等案例给出了任务对象、前后指标或时间变化，具备一定可读性。
不同案例的基线、样本规模、环境条件和运行周期各不相同，不能把所有提升幅度拼成一个总成绩。
系统能否处理异常、迁移到新业务、稳定降低成本，以及企业是否愿意持续反馈，决定最终回报。
换句话说，伐谋最有价值的部分，不是“AI替专家做决定”，而是让专家可以把更多候选方案交给系统筛选，再把时间集中到目标设定、机制判断和最终验证上。
但是，搜索空间变大，不等于答案天然正确。
百度伐谋真正要证明的，不是 AI 能否再生成一份报告，而是它能否在真实约束、真实反馈和真实成本下，持续找到人工经验长期遗漏的改进方案。
当前披露的案例已经展示了“搜索—评估—优化”的方法价值，但从原型结果走向跨行业、可复用的生产力，还需要更长周期的公开验证。目前公开信息未披露面向普通用户的统一体验地址。科研团队可关注 AI4S 科学家计划及后续合作信息；企业则可从生产排程、研发设计、物流运输、能源管理和金融风控等具体问题切入评估。