“智能鑰匙”開啟宇宙探秘新空間

人工智能（AI）正成為人類破解宇宙奧秘的“智慧伙伴”。日前，在瑞士日內瓦舉辦的2025年人工智能向善全球峰會上，之江實驗室聯合中國科學院國家天文臺研發的OneAstronomy天文領域大模型，成功入選“人工智能向善創新實踐案例集”。

在“AI+天文”的探索征程中，中國既收獲了亮眼成果，也直面發展瓶頸，更在謀劃著數據、算法與實驗協同的未來路徑。中國科學院國家天文臺研究員羅阿理近日接受筆者采訪時說，要推動AI深度賦能天文研究，需進一步加強國際合作，共建天文大模型社區和遍布全球的觀測設施，共享天文數據和基礎設施，共同發展基于AI的天文教育和公眾天文學。

天文研究迎來范式革命

現代天文觀測已進入“大數據時代”，傳統研究模式面臨嚴峻挑戰。大型巡天望遠鏡每年產生的拍字節（PB）級數據，若依靠人工分析，即便耗費數年也難以完成篩選與解讀。AI為天文研究帶來了全方位“智能革命”，“智能鑰匙”正在打開宇宙探秘新空間。

“AI對天文研究的賦能，首先體現在高效處理海量數據方面。”羅阿理說，面對復雜的宇宙數據，AI算法如同不知疲倦的“篩選員”，能快速完成搜索、分類與異常檢測等基礎工作。無論是從繁雜數據中精準識別黑洞、中子星等特定天體，還是捕捉脈沖星、快速射電暴等罕見的宇宙信號，或是從海量觀測數據中回歸物理參量，AI的處理效率都遠超人類，能為科學家節省大量時間。在提高觀測效率層面，AI的優勢同樣突出。它好比一位“智能調度員”，能實時整合天氣狀況、科學目標優先級等多維度信息，動態調整望遠鏡的觀測計劃，讓昂貴的觀測設備始終聚焦于價值較高的研究目標，最大化實現科學產出。

“在規律發現與理論分析領域，AI也大有可為。”羅阿理舉例說，無監督學習算法能挖掘人類難以察覺的數據關聯，通過綜合分析恒星光變曲線與多波段數據，精準預測超新星爆發等瞬變現象。在宇宙學模擬中，AI可大幅加速復雜模型的運算過程，降低計算成本，同時從模擬數據中提取深層信息，為檢驗宇宙起源、星系演化等理論模型提供有力支撐。

目前，我國在“AI+天文”領域的成果已實現多維度覆蓋。羅阿理介紹，在復雜天文問題的推理能力方面，OneAstronomy大語言模型超過通用大模型；中國科學院國家天文臺聯合阿里云開發的全球首個太陽模型“金烏”專注于太陽活動預報；由中國科學院自動化研究所與中國科學院國家天文臺聯合研發的FLARE模型，通過整合恒星的物理屬性和歷史耀發記錄，提升了從光變曲線中提取特征的能力，預測準確率超過70%，顯著優于其他傳統模型。

發展應用面臨多重挑戰

盡管AI為天文研究帶來革命性突破，但這條探索之路并非坦途。“從數據處理到人才培養，從算法優化到資源配置，多重挑戰交織，限制著天文AI技術進一步發展與應用。”羅阿理說。

來自數據層面的挑戰尤為突出。隨著下一代大型觀測設備如SKA（平方千米陣列射電望遠鏡）、LSST（大口徑全景巡天望遠鏡）的陸續建成，宇宙數據將從PB級邁入艾字節（EB）級時代，這對數據的存儲、傳輸、處理與融合能力提出前所未有的要求。更嚴峻的是，AI模型本身的訓練與迭代需要消耗巨量計算資源，數據規模的擴張與計算需求的增長形成雙重壓力，讓科研機構面臨沉重的資源負擔。

算法與模型的可解釋性困境，成為阻礙AI深度應用的核心障礙。羅阿理解釋說，天文學作為以發現物理規律為目標的基礎學科，不僅需要知道“是什么”，更需要明確“為什么”。但當前主流的端到端深度學習模型常被視為“黑箱”，當AI發現奇特天體或異常現象時，科學家往往難以追溯其判斷依據。更關鍵的是，模型輸出的結果可能違背能量守恒等基本物理定律，若無法將物理先驗知識有效嵌入模型，結果的科學性與可信度將大打折扣，難以轉化為公認的科學理論。

基礎設施與資源的失衡則進一步加劇了發展鴻溝。訓練前沿天文AI大模型需要龐大的GPU（圖文處理器）集群支撐，前期投入與維護成本高達數億元，這對多數中小科研機構而言難以承受。同時，部分天文模型的非開源模式，限制了技術共享與協同創新，使有限的資源難以形成研究合力，阻礙了行業整體發展。

羅阿理說，人才短板與范式沖突構成了更深層次的挑戰。同時精通天文學與AI的復合型人才極度稀缺，天文學家往往缺乏編程與機器學習能力，AI專家則大多欠缺天體物理專業知識，跨學科協作常常陷入“雞同鴨講”的困境。此外，傳統天文學研究基于“假設—觀測—建模—驗證”的范式，而AI采用“數據驅動”的探索模式，這種范式差異導致部分學者對AI結果持懷疑態度，難以形成行業共識。同時，當前學術評價體系對天文AI基礎研究的價值認可度不足，相關研究成果的學術權重往往難以與傳統論文等同，這在一定程度上削弱了科研人員投身此類基礎工作的積極性。

構建智能科研生態系統

在羅阿理看來，破解AI賦能天文研究的多重困境，核心在于推動數據、算法、模型、觀測的深度協同，構建動態閉環、自我優化的智能科研生態系統。

羅阿理說，構建協同生態，首先需要打造全球一體化的感知與數據體系。在觀測設施建設上，應推動國際合作共建天地一體化的具身智能望遠鏡網絡，整合地面觀測站與空間探測設備的資源優勢，實現對宇宙的全方位、全天候監測。依托AI大模型與觀測智能體，可對全球觀測設施進行統一調度，根據科研需求動態分配觀測資源；同時建立開放共享的數據平臺，打破國家與機構間的數據壁壘，推動多波段、多維度的多源異構天文數據互聯互通，為AI模型提供高質量、全覆蓋的訓練素材。

“在核心科研流程中，需構建AI驅動的閉環創新體系，將AI大模型作為科研‘大腦’，使其深度參與從數據分析到實驗觀測驗證的全流程。”中國科學院國家天文臺研究員李楠建議，可通過對海量數據的智能解讀生成科學假設，結合歷史數據預測高價值觀測目標，調度觀測設施進行智能化觀測，再將新的觀測結果反饋至模型進行迭代優化，形成“假設生成—觀測處理—推理驗證”的自動循環。這種閉環模式能將科學家從繁瑣的數據處理中徹底解放出來，使其專注于理論構建等高層級科學思考，大幅提升研究效率。

突破資源與人才瓶頸，同樣需要強化跨領域、跨國界的合作與共享。羅阿理認為，在資源配置上，應推動專業天文機構與頂尖科技企業、多學科科研院所建立利益共享機制，通過聯合研發、資源共建等方式破解算力難題；同時加快天文AI模型的開源進程，打造全球共享的模型社區，降低中小機構的參與門檻。在人才培養方面，需構建跨學科教育體系，在高校開設天文與AI交叉專業，培養兼具專業素養與技術能力的復合型人才；通過國際學術交流、聯合攻關等方式，促進全球人才資源的流動與協作。