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天文领域大模型泸深投，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科技日报记者采访时说，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。
天文研究迎来范式革命
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泸深投，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。
发展应用面临多重挑战
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。罗阿理解释说泸深投，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。
构建智能科研生态系统
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，构建协同生态，首先需要打造全球一体化的感知与数据体系。在观测设施建设上，应推动国际合作共建天地一体化的具身智能望远镜网络，整合地面观测站与空间探测设备的资源优势，实现对宇宙的全方位、全天候监测。依托AI大模型与观测智能体，可对全球观测设施进行统一调度，根据科研需求动态分配观测资源；同时建立开放共享的数据平台，打破国家与机构间的数据壁垒，推动多波段、多维度的多源异构天文数据互联互通，为AI模型提供高质量、全覆盖的训练素材。
“在核心科研流程中，需构建AI驱动的闭环创新体系，将AI大模型作为科研‘大脑’，使其深度参与从数据分析到实验观测验证的全流程。”中国科学院国家天文台研究员李楠建议，可通过对海量数据的智能解读生成科学假设，结合历史数据预测高价值观测目标，调度观测设施进行智能化观测，再将新的观测结果反馈至模型进行迭代优化，形成“假设生成—观测处理—推理验证”的自动循环。这种闭环模式能将科学家从繁琐的数据处理中彻底解放出来，使其专注于理论构建等高层级科学思考，大幅提升研究效率。
突破资源与人才瓶颈，同样需要强化跨领域、跨国界的合作与共享。罗阿理认为，在资源配置上，应推动专业天文机构与顶尖科技企业、多学科科研院所建立利益共享机制，通过联合研发、资源共建等方式破解算力难题；同时加快天文AI模型的开源进程，打造全球共享的模型社区，降低中小机构的参与门槛。在人才培养方面，需构建跨学科教育体系，在高校开设天文与AI交叉专业，培养兼具专业素养与技术能力的复合型人才；通过国际学术交流、联合攻关等方式，促进全球人才资源的流动与协作。
（华凌）
来源：科技日报泸深投
嘉多网提示：文章来自网络，不代表本站观点。
