“智能钥匙”开启宇宙探秘新空间.docxVIP

“智能钥匙”开启宇宙探秘新空间

人工智能（AI）正成为人类破解宇宙奥秘的“智慧伙伴”。日前，在瑞士日内瓦举办的2025年人工智能向善全球峰会上，之江实验室联合中国科学院国家天文台研发的OneAstronomy天文领域大模型，成功入选“人工智能向善创新实践案例集”。

在“AI+天文”的探索征程中，中国既收获了亮眼成果，也直面发展瓶颈，更在谋划着数据、算法与实验协同的未来路径。中国科学院国家天文台研究员罗阿理近日接受笔者采访时说，要推动AI深度赋能天文研究，需进一步加强国际合作，共建天文大模型社区和遍布全球的观测设施，共享天文数据和基础设施，共同发展基于AI的天文教育和公众天文学。

现代天文观测已进入“大数据时代”，传统研究模式面临严峻挑战。大型巡天望远镜每年产生的拍字节（PB）级数据，若依靠人工分析，即便耗费数年也难以完成筛选与解读。AI为天文研究带来了全方位“智能革命”，“智能钥匙”正在打开宇宙探秘新空间。

“AI对天文研究的赋能，首先体现在高效处理海量数据方面。”罗阿理说，面对复杂的宇宙数据，AI算法如同不知疲倦的“筛选员”，能快速完成搜索、分类与异常检测等基础工作。无论是从繁杂数据中精准识别黑洞、中子星等特定天体，还是捕捉脉冲星、快速射电暴等罕见的宇宙信号，或是从海量观测数据中回归物理参量，AI的处理效率都远超人类，能为科学家节省大量时间。在提高观测效率层面，AI的优势同样突出。它好比一位“智能调度员”，能实时整合天气状况、科学目标优先级等多维度信息，动态调整望远镜的观测计划，让昂贵的观测设备始终聚焦于价值较高的研究目标，最大化实现科学产出。

“在规律发现与理论分析领域，AI也大有可为。”罗阿理举例说，无监督学习算法能挖掘人类难以察觉的数据关联，通过综合分析恒星光变曲线与多波段数据，精准预测超新星爆发等瞬变现象。在宇宙学模拟中，AI可大幅加速复杂模型的运算过程，降低计算成本，同时从模拟数据中提取深层信息，为检验宇宙起源、星系演化等理论模型提供有力支撑。

目前，我国在“AI+天文”领域的成果已实现多维度覆盖。罗阿理介绍，在复杂天文问题的推理能力方面，OneAstronomy大语言模型超过通用大模型；中国科学院国家天文台联合阿里云开发的全球首个太阳模型“金乌”专注于太阳活动预报；由中国科学院自动化研究所与中国科学院国家天文台联合研发的FLARE模型，通过整合恒星的物理属性和历史耀发记录，提升了从光变曲线中提取特征的能力，预测准确率超过70%，显著优于其他传统模型。

尽管AI为天文研究带来革命性突破，但这条探索之路并非坦途。“从数据处理到人才培养，从算法优化到资源配置，多重挑战交织，限制着天文AI技术进一步发展与应用。”罗阿理说。

来自数据层面的挑战尤为突出。随着下一代大型观测设备如SKA（平方千米阵列射电望远镜）、LSST（大口径全景巡天望远镜）的陆续建成，宇宙数据将从PB级迈入艾字节（EB）级时代，这对数据的存储、传输、处理与融合能力提出前所未有的要求。更严峻的是，AI模型本身的训练与迭代需要消耗巨量计算资源，数据规模的扩张与计算需求的增长形成双重压力，让科研机构面临沉重的资源负担。

算法与模型的可解释性困境，成为阻碍AI深度应用的核心障碍。罗阿理解释说，天文学作为以发现物理规律为目标的基础学科，不仅需要知道“是什么”，更需要明确“为什么”。但当前主流的端到端深度学习模型常被视为“黑箱”，当AI发现奇特天体或异常现象时，科学家往往难以追溯其判断依据。更关键的是，模型输出的结果可能违背能量守恒等基本物理定律，若无法将物理先验知识有效嵌入模型，结果的科学性与可信度将大打折扣，难以转化为公认的科学理论。

基础设施与资源的失衡则进一步加剧了发展鸿沟。训练前沿天文AI大模型需要庞大的GPU（图文处理器）集群支撑，前期投入与维护成本高达数亿元，这对多数中小科研机构而言难以承受。同时，部分天文模型的非开源模式，限制了技术共享与协同创新，使有限的资源难以形成研究合力，阻碍了行业整体发展。

罗阿理说，人才短板与范式冲突构成了更深层次的挑战。同时精通天文学与AI的复合型人才极度稀缺，天文学家往往缺乏编程与机器学习能力，AI专家则大多欠缺天体物理专业知识，跨学科协作常常陷入“鸡同鸭讲”的困境。此外，传统天文学研究基于“假设—观测—建模—验证”的范式，而AI采用“数据驱动”的探索模式，这种范式差异导致部分学者对AI结果持怀疑态度，难以形成行业共识。同时，当前学术评价体系对天文AI基础研究的价值认可度不足，相关研究成果的学术权重往往难以与传统论文等同，这在一定程度上削弱了科研人员投身此类基础工作的积极性。

在罗阿理看来，破解AI赋能天文研究的多重困境，核心在于推动数据、算法、模型、观测的深度协同，构建动态闭环、自我优化的智能科研生态系统。

罗阿理说，