孙凤梧：AI算法打破深空数据洪流瓶颈并重塑天文望远镜研发

硅谷101

面对每天数以TB计的数据海啸与全球仅3万名科研人员的人力极限，天文学必须全面由AI接管信号筛查与望远镜控制，同时商业化敏捷制造正在取代耗资百亿美元的国家级研发模式。

AI-assisted summary of 天文学的AI革命：在海量数据中寻找新天体，让微弱的宇宙信号被看见｜硅谷101年度线下大会 — original source. Check the original for full context.

Source published: 2026-10-28

Key ideas

新一代观测设施带来数据洪流：鲁宾天文台全速运转后每晚将产生10至20TB数据并推送高达700万条警报，远超全球约3万名天文学家的人工处理极限，AI已成为不可或缺的核心工具。 (12:33)
清华大学团队开发的自监督学习模型通过挖掘噪声的时间微观波动，将JWST图像探测极限提升2.5倍，使6.5米口径望远镜的暗弱信号捕捉能力等效于一台约20米口径的巨型空间望远镜。 (17:15)
由埃里克·施密特出资的Lazuli等项目采用成熟商业货架产品（COTS）与保密开发机制，将传统耗时数十年的国家工程转变为2至3年迭代周期的私营敏捷建造模式。 (18:41)
天文学提供了完全向全人类开放、无标签且来自地球之外的全新非合成数据，有望成为验证自监督学习和大模型、避免AI自噬崩溃的理想试验场。 (21:04)

Detailed notes

## Background 本内容由科技频道《硅谷101》于2026年10月28日发布在YouTube平台，记录了西湖大学助理教授孙凤梧在“硅谷101 Alignment 2026大会”上的主题演讲。演讲探讨了在天文观测数据呈爆炸式增长的背景下，AI如何帮助科学家降低图像噪声、识别微弱信号与引力透镜，并重塑望远镜自主控制与未来宇宙探索的范式。

## TL;DR 随着罗曼空间望远镜与鲁宾天文台等新一代观测设施投入运行，天文学正面临每天数TB至数PB的数据洪流，远远超出了全球约3万名天文学家的人工处理极限。西湖大学助理教授孙凤梧结合自身在韦布望远镜（JWST）科学团队的经历，展示了自监督学习如何将望远镜的极限探测能力提升至相当于20米口径的效果，以及机器学习在批量筛选引力透镜和调度望远镜闭环控制中的关键作用。同时，空间望远镜的建造模式正借鉴硅谷创投思维，从耗时数十年的国家工程走向采用商用现成元器件（COTS）与批量星座部署的敏捷研发。面对AI模型因递归使用合成数据而可能导致的“模型崩溃”，天文学凭借其纯净无标签且完全开放的深空原始数据，正成为AI算法绝佳的前沿试验场。

## Atmosphere & style 整场演讲充满前沿科技的硬核严谨与仰望星空的浪漫诗意，孙凤梧以生动平易的比喻将极端复杂的深空观测物理原理解释得引人入胜。台上发言既有严密翔实的跨学科数据论证，也穿插着关于天文学家“起名随意”与论文大量使用LLM却极少声明的幽默洞察，现场氛围轻松且发人深省。随着叙述从早期宇宙微弱的氧元素信号延伸至商业航天颠覆传统天文设施建造，最后向全场AI开发者抛出“宇宙级邀请”，整体情绪层层推进，传递出人类借助算法拓展认知边界的宏大与激昂。

## Bulletin - [12:33](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=753s) 新一代观测设施带来数据洪流：鲁宾天文台全速运转后每晚将产生10至20TB数据并推送高达700万条警报，远超全球约3万名天文学家的人工处理极限，AI已成为不可或缺的核心工具。 - [17:15](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=1035s) 清华大学团队开发的自监督学习模型通过挖掘噪声的时间微观波动，将JWST图像探测极限提升2.5倍，使6.5米口径望远镜的暗弱信号捕捉能力等效于一台约20米口径的巨型空间望远镜。 - [18:41](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=1121s) 由埃里克·施密特出资的Lazuli等项目采用成熟商业货架产品（COTS）与保密开发机制，将传统耗时数十年的国家工程转变为2至3年迭代周期的私营敏捷建造模式。 - [21:04](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=1264s) 天文学提供了完全向全人类开放、无标签且来自地球之外的全新非合成数据，有望成为验证自监督学习和大模型、避免AI自噬崩溃的理想试验场。

## Key takeaways - [01:57](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=117s) JWST需要运行在距离地球150万公里的第二拉格朗日点（L2）并极端冷却，以避开地球300K黑体辐射的红外强背景噪声，从而穿透尘埃并观测早期宇宙红移信号。 - [04:48](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=288s) JWST深场观测在大爆炸后仅3亿年的早期星系中检测到了氧元素，证明第一代恒星在宇宙襁褓期就已具备极高的演化效率。 - [07:18](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=438s) 早期深场图像中发现的高能量“小红点”致密天体，很可能是早期超大质量黑洞疯狂吸积气体并将引力势能转化为耀眼辐射的结果。 - [09:14](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=554s) NASA罗曼望远镜搭载18块4K×4K传感器芯片，每日下传约1.4TB数据（约为JWST的20倍），推动天文学从二维静态拍照跨入四维时空巡天的“拍电影”时代。 - [12:33](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=753s) 时域天文学带来严峻的数据瓶颈：鲁宾天文台每晚数百万条警报与未来SKA射电望远镜每日约2PB的数据产出，迫使天文学家必须依赖AI辅助过滤与决策。 - [15:17](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=917s) AI机器学习算法能够单次从海量巡天底片中筛出约400个强引力透镜候选体，彻底改变了过去博士生耗费数年仅能手工识别个位数量级引力透镜的研究范式。 - [16:10](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=970s) 大语言模型不仅帮助科学家编写代码实现冷门几何观测模式的调用，还开始取代延续400年的人工值守模式，实现望远镜秒级响应与自主调度控制。 - [18:08](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=1088s) 文献计量显示近两年超过半数天文学论文具有LLM生成痕迹，但声明比例不足1%，反映出AI工具在科研领域的迅猛渗透与学术规范滞后之间的张力。 - [18:41](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=1121s) 商业资本与重型火箭（如SpaceX星舰）正在颠覆巨型望远镜孤品建造逻辑，通过模块化阵列与批量制造大幅压缩单台设备的研发边际成本。 - [21:04](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=1264s) 天文学数据的彻底无门槛开放性与天然无监督特性，为AI前沿算法提供了无地缘利益冲突且能防止模型崩溃的真实物理数据测试平台。

## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=0s) 当AI开始帮助人类探索宇宙

人类正在迈入一个全新的宇宙观测与探索时代。新一代天文观测设施正在以史无前例的惊人速度从深空收集海量数据，然而伴随而来的巨大挑战是每天产生的数TB乃至数十TB观测信号与图像，已经彻底碾压了科学家手工分析的生理极限。在这一严峻的数据洪流背景下，人工智能（AI）正迅速由辅助计算工具转变为天文学家不可或缺的核心利器，重构着人类认知深空奥秘的方式。

在硅谷101 Alignment 2026大会现场，主持人正式引出本场分享的主角——西湖大学助理教授孙凤梧（Fengwu Sun），带领观众系统回顾人类顶尖空间望远镜的发展脉络，并展示前沿AI技术如何赋能天体物理学，去辨识那些过去在噪声与海量信号中被淹没的宇宙真相。

[00:39](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=39s) 嘉宾开场：从韦布望远镜到AI天文学

孙凤梧首先介绍了自己的学术履历。他目前在杭州西湖大学担任助理教授，他幽默地提到杭州如今不仅历史悠久，也是一座以AI盛名于世的科技之城。在此之前，他在哈佛大学从事博士后研究，并以科学团队成员的身份深度参与了詹姆斯·韦布空间望远镜（JWST）近红外相机（NIRCam）的项目研发。作为人类迄今发射到太空口径最大的空间望远镜，JWST的核心科学探测正是由NIRCam作为主力传感器完成的，公众所熟知的那些惊艳宇宙图像大多出自该载荷。

孙凤梧指出，今天的分享不仅在于展示深空图像的美学震撼，更关键在于呈现AI如何重塑天文学研究的范式——教天文学家如何给动态的宇宙“拍电影”，以及如何使用全新算法来审视和挖掘自己手中的观测数据。

[01:57](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=117s) 韦布望远镜：为什么要把它送上太空？

JWST首批科学图像由美国总统拜登在白宫亲自发布，正值疫情时期，这成为了那一年全球科学界少有的振奋人心的好消息。在那张经典深场图像中，画面里几乎每一个光斑都代表着一个距离地球数十亿光年的独立星系，而每个星系又蕴含着数十亿颗恒星。然而，这台口径达到6.5米、体积比普通校车还要庞大的超级仪器，其研发历程异常漫长：从1996年立项设计，历时近25年完成建造与极为严苛的地表测试，直到2021年12月25日才由阿丽亚娜5型（Ariane 5）火箭在法属圭亚那的库鲁航天发射中心发射升空，飞向距离地球150万公里的第二拉格朗日点（L2点）。

面对外界关于“NASA为何要斥资100亿美元把它送入太空”的疑问，孙凤梧打了一个生动形象的比方：河外星系天文学家的日常工作，本质上就像置身于热火朝天的炼铁厂里的工人，手中握着一块微弱发光但正在熔化的金属，而身后的高炉却散发着极其庞大的热浪与背景强光。孙凤梧解释道：“地球本身就是一个300开尔文（约27°C）的黑体，如果你想在红外波段观测东西，背景就会非常亮。只有把背景降温，把望远镜发射到远离太阳和地球的地方，避开太阳和地球的光，你才能从更暗的背景里认出目标，这就是‘冷’的力量。”

这种极端低温与红外观测能力的结合，带来了超越传统可见光观测（如哈勃望远镜）的颠覆性视野。在著名的“宇宙悬崖”与“创生之柱”对比中，哈勃拍摄到的密布尘埃往往挡住了新生恒星的可见光，但在JWST的红外视场下，红外波段的光不仅能轻松穿透尘埃介质，尘埃本身也开始发光，将恒星风向前沿由氢分子与尘埃颗粒相互作用聚合演化的全貌纤毫毕现地呈现在人类眼前。

```mermaid flowchart TD accTitle: JWST红外观测降噪原理 accDescr: 展示为何JWST需要6.5米口径并在极低温L2点观测红外信号

subgraph Ground["地球地面观测局限"] A["地球辐射<br/>(300K黑体热辐射)"] --> B["超强红外背景噪声"] B --> C["微弱深空信号被淹没"] end

subgraph DeepSpace["第二拉格朗日点 (L2) 方案"] D["遮阳帆遮蔽太阳与地球光辐射"] --> E["极度冷却环境 (接近绝对零度)"] F["6.5米超大口径主镜"] --> G["收集极限微弱光子"] E & G --> H["NIRCam红外成像"] end

H --> I["穿透宇宙尘埃遮挡"] H --> J["捕捉红移极高的远古天体"] ```

[04:48](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=288s) 深场观测：寻找宇宙的“第一缕光”

孙凤梧在JWST合作团队中的核心科学任务是深场观测，其终极科学目标是寻找宇宙中的“第一缕光”——即探索宇宙诞生之后最早形成的天体究竟是何形态、位于何处以及如何诞生。在观测实践中，天文学家主要依靠两种策略： 1. **长时间凝视曝光法**：将望远镜主镜精准对准天空中完全没有任何明亮恒星干扰的极暗天区，进行极限时长的死磕式曝光拍摄。 2. **引力透镜放大法**：利用爱因斯坦广义相对论预言的引力透镜效应，将视线对准质量巨大的星系团。星系团庞大的引力势场会弯曲时空，充当一个天然的宇宙“超级放大镜”，再叠加上JWST自身的聚光能力，去搜寻背后极端暗弱的古老天体。

凭借这一方法，研究团队在看似虚无的宇宙深黑背景中捕捉到了一个微小的红点。经过精细的波长色散与光谱分析，团队确认该天体存在于大爆炸后仅仅3亿年的早期宇宙阶段。孙凤梧强调，当前宇宙的年龄约为138亿年，在大爆炸后3亿年时，宇宙的年龄仅仅相当于现在的2%到3%，正是宇宙鸿蒙初开的襁褓时期。

令研究团队感到极为震惊的是，在这个极其原始的星系光谱中，科学家居然明确探测到了氧元素的存在。孙凤梧动情地感慨：“想想看，这个星系已经在制造氧了，靠的是当时爆炸的恒星，制造了我们今天在这个房间里呼吸的氧，从大爆炸后3亿年起就开始了。”尽管天文学界后续确认了距离更远的目标，但这颗创纪录的天体依然向人类揭示了第一代恒星极为高效的演化速度。

[07:18](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=438s) 神秘“小红点”：早期宇宙的黑洞线索

伴随第一批深场数据的发布，另一项令天文学界费解的现象浮出水面。在白宫发布的深场图像特定天区内，出现了一类体积极其紧凑的红色天体。孙凤梧打趣称天文学家一贯在起名上缺乏文学修饰，“天文学家特别不会起名字，所以我们就叫它‘小红点’，因为它小、它红、看起来又是个点。”

这批被统称为“小红点”的奇异天体呈现出类似恒星的致密特征，但由于其距离地球极端遥远，如果仅靠恒星辐射，其呈现出的能量输出在物理上完全无法解释。天文学家推断，这些小红点的核心动力源于早期超大质量黑洞的吸积过程——黑洞正在疯狂“吞噬”外围气体，气体在急剧落入黑洞引力深渊的过程中将引力势能高效率地转化为耀眼的辐射光芒。

孙凤梧随后将视线拉回邻近宇宙与太阳系，对比展示了恒星死亡遗迹的演变。在近邻星系的JWST成像中，布满了由数亿年前超新星爆发向外吹出的宏大气体“气泡”，这些爆发过程喷射出了构成地球所有生命形式的基础物质——氧和碳。而在太阳系内部，JWST展现出了无与伦比的行星解析能力，其拍摄的木星红外照片不仅清晰呈现出大红斑的涡流构造，更在星球的南北两极拍出了层层叠叠的壮观极光。

[09:14](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=554s) 给宇宙“拍电影”：罗曼望远镜与超新星

从静态的二维平面跳脱出来，真实的物理宇宙具有三维空间结构与一维时间轴，本质上是一个不断演进的四维时空。现代天文学正在竭尽全力尝试给整个动态宇宙拍摄一部连贯的“四维电影”。目前科学家借助JWST在连续两年的时间间隔内重访同一天区，通过比较图像中光点的骤亮与熄灭，来锁定那些走到生命尽头爆发的超新星。超新星不仅是恒星死亡的壮烈仪式，更是天文学中测量宇宙距离的标准烛光，对绘制高精度宇宙膨胀地图起着决定性作用。

为了实现系统化巡天并给宇宙“拍电影”，NASA发射了南希·格雷斯·罗曼空间望远镜（Nancy Grace Roman Space Telescope）。尽管罗曼望远镜的主镜口径仅为2.4米（与哈勃相当，小于JWST的6.5米），但其真正核心优势在于焦平面上搭载的18块超大尺寸探测芯片。

孙凤梧指出，罗曼望远镜每天产生约1.4TB的数据量，是在距离地球150万公里的深空轨道生成并压缩下传的，其单日数据产出达到JWST的20倍左右。借助这种超大视场的扫描能力，罗曼有望在大尺度空间中一次性捕获数以万计的早期星系网络与超新星瞬变事件，将天文学彻底推向数据密集型时代。

[12:33](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=753s) 鲁宾天文台：海量数据与百万条警报

除了空间望远镜，地基天文台的数据增长同样令人咋舌。位于智利高山上的薇拉·鲁宾天文台（Vera C. Rubin Observatory）即将全面开启其标志性的时空遗产巡天（LSST）项目。作为一台口径达到8.4米的地面巨型巡天望远镜，鲁宾天文台搭载了人类迄今制造过的尺寸最大的一台数码相机——像素高达32亿，其单张照片的像素是罗曼望远镜的整整10倍，体积更是需要整组工程团队合力维护与安装。

鲁宾天文台目前每晚巡天产生的数据量高达10到20TB。其核心观测逻辑被称为时域天文学（Time Domain Astronomy），即高频次拍摄同一片天空并进行差分对比，迅速识别人眼极难察觉的微小动态变化，比如从恒星背景中呼啸掠过的小行星或各类瞬变爆炸天体。

孙凤梧给出了一个极其严峻的数字反差： - **警报规模**：鲁宾天文台在试运行阶段每晚向全球天文界推送约100万条突发天象警报，而在全速运转后，每晚警报将暴增至惊人的700万条。 - **人力瓶颈**：全球专业天文学家总人数仅有约3万人左右。如果完全依赖传统的人工筛查，平摊下来全球每位天文学家每晚都要处理并回复超过200封警报邮件。

孙凤梧总结道：“2025年以后，数据量像洪水一样涌来，因为罗曼和鲁宾的加入。如果SKA（平方公里阵列）射电望远镜在2030年前后在地面建成，它每天会产出大约2PB的数据。基本上，没有哪个天文学家能分析所有这些数据，所以我们这个领域正在经历巨大的数据洪流，我们必须依靠AI，因为我们的注意力已经不够了。”

[15:17](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=917s) 用AI寻找引力透镜

AI在天体物理中的深度渗透，首先体现在模式识别与特征分类任务上，最具代表性的应用即是寻找“强引力透镜”。当背景星系发出的微弱光线途经前景巨大星系团时，引力场会使得光线路径发生强烈偏折，在视场中形成极其精巧但非常暗弱的弧形甚至圆环结构。

孙凤梧回顾了这一领域科研模式的沧桑巨变：在十年前，一名博士研究生如果能在一批海量巡天数据中人工肉眼找出一到两个高置信度的引力透镜系统，就能顺利发表高质量学术论文，找到两三个甚至足以作为博士论文的核心成果顺利毕业。但在当下数据体量下，人工筛查早已失效，天文学家必须依赖机器学习架构对浩如烟海的历史巡天底片进行全面扫描，单次模型推理就能一口气筛选公布约400个优质引力透镜候选体，为测量宇宙各时期的膨胀率提供了坚实的统计学基石。

[16:10](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=970s) 从开发观测模式到操作望远镜

除了图像识别，以LLM与代码模型为代表的新型AI技术正在重塑天文学家的科研工作流程。孙凤梧分享了自己在实际科研中频繁借助Codex和Claude等工具的经历。在一项探索性课题中，他试图调用JWST某种冷门且此前极少被启用的复杂观测模式，该模式对光谱在传感器焦平面探测器上的色散投影位置有极其苛刻的几何标定要求。孙凤梧通过将复杂的仪器原始校准数据与物理几何参数喂给AI，由AI精确推演并定位色散光线落于芯片的精确坐标，成功为JWST定制开发出了一套全新的观测方案。

与此同时，AI正在从根本上接管昂贵望远镜的物理控制闭环。孙凤梧指出，在人类拥有天文望远镜的400年历史中，整个决策链条完全由人工主导： 1. 人类天文学家挑选观测目标并手动调整望远镜指向； 2. 当夜空中突然有云层遮挡视线时，观测员手动将镜筒偏转至开阔天区或关闭天文台圆顶防风避雨； 3. 当接收到超新星等瞬变源警报时，观测人员人工中断正在执行的计划，手动调整坐标对准爆发源抢救观测。

如今，这套延续了400年的“人眼盯盘与手动控制”链路正在被自主AI系统全面替换，AI能够以秒级响应根据实时气象、天象警报及望远镜运转工况，自主完成观测队列调度、姿态转向与闭环控制。

[17:15](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=1035s) 自监督学习：发现更微弱的天体信号

在传统成像处理中，为了在强背景噪声中提取极微弱的天体信号，标准做法是将针对同一天区连续拍摄的多张曝光底片进行简单的数字叠加平均，以此平抑随机噪声。然而，来自清华大学孙凤梧学术同行的一项创新研究表明，单纯的空间叠加丢失了大量时序信息。

该团队构建了一个先进的自监督深度学习模型，不仅关注静态像素叠加，而且深入挖掘图像噪声在时间维度上的微观波动统计特征。通过自监督神经网络的动态降噪学习，该算法成功将JWST图像的有效极限探测深度提升至传统算法的约2.5倍。孙凤梧惊叹地表示，这在物理意义上极为震撼——这意味着通过先进AI算法赋能后，天文学家手中这台口径6.5米的JWST，其对暗弱极限信号的捕捉能力直接等效于一台口径达到20米左右的超级巨型太空望远镜，而在现存的人类火箭运载能力与工程结构制约下，一台口径20米级别的空间望远镜在短期内根本不可能发射升空。

[18:08](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=1088s) 大语言模型正在改变天文学论文

大语言模型（LLM）的狂飙突进也深深震荡了天文学的文献写作格局。孙凤梧提到近期一项针对天文学术文献的文献计量学调研，该研究发现最近两年内发表的天文学论文中，有超过一半的篇目显现出深度使用大语言模型辅助起草与润色的痕迹。

然而该论文摘要中揭示的一项对比极具反讽意味：“最近一半以上的论文都带有大语言模型的痕迹，但只有0.8%在论文里声明了这一点。”孙凤梧微笑着向观众解释，这并不意味着天文学家群体正在蓄意互相欺瞒或学术不端，而是说明这项前沿技术对科研生态的重塑来得实在过于迅猛与剧烈，导致包括学术界在内的所有人都还没有想好应当以怎样的规范、伦理框架和披露机制去适应与拥抱它。

[18:41](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=1121s) 造望远镜，也开始像创业公司

现代天文学的基础设施建造模式，正在悄然发生类似AI创业公司的范式裂变。孙凤梧对比了计算机行业与传统空间天文学的演进节奏：过去60年里，以半导体和计算架构为代表的计算机软硬件经历了指数级狂飙；然而大型科学观测设施的建造周期却极其沉重缓慢。哈勃空间望远镜始于1970年代的概念设计，1990年代方才发射入轨，直到今天全球天文学家依然在绞尽脑汁提交观测提案抢夺它的机时，甚至NASA还在论证发射专项太空任务对其轨道进行维修延寿，确保其服役至2030年以后。

当前，一股由硅谷科技资本与创投思维主导的“私营天文革命”正在重塑这一传统国家级项目流程： - **Lazuli 私人空间天文台**：由Google前CEO埃里克·施密特（Eric Schmidt）出资成立，并联合2011年诺贝尔物理学奖得主索尔·珀尔马特（Saul Perlmutter）及亚利桑那大学学者共同打造。作为人类首台完全由私人资金打造发射的空间天文台，它计划仅用两到三年时间即发射升空。其制造逻辑颠覆了传统航空航天耗时数十年的专有定制流程，望远镜内部绝大多数零部件全部直接选用成熟的商业货架产品（COTS）。项目团队全体签署了严格保密协议（NDA），运作模式几乎同OpenAI等闭源AI创业公司如出一辙。 - **Nautilus（鹦鹉螺）空间阵列构想**：亚利桑那大学学者提出的颠覆性方案，试图利用SpaceX的Starship（星舰）超大载荷舱，将10面口径达到6.5米的折叠轻量化镜面一次性送入太空并在轨展开。

孙凤梧分析称，一次性批量建造并发射10台标准化中型望远镜（从早期的50厘米口径试验模型逐步放大迭代），其单台平摊研发与制造边际成本将远远低于传统国家耗时三十年倾注数百亿美元只打磨一台望远镜的模式，空间天文设备正向着敏捷迭代、高频试错与规模型制造全面转型。

```mermaid flowchart TD accTitle: 天文观测设施建设模式对比 accDescr: 对比传统国家航天机构模式与现代商业私营/模块化星座模式的演化路径

subgraph Traditional["传统国家科研模式 (如哈勃 / JWST)"] T1["论证与定制研发 (耗时20-30年)"] --> T2["极度依赖顶级专有宇航级元器件"] T2 --> T3["耗资百亿美元，孤品发射不允许失败"] T3 --> T4["漫长服役与人工机时争夺"] end

subgraph Modern["创投 / 敏捷太空模式 (如Lazuli / Nautilus)"] M1["私人资本介入 (施密特基金会等)"] --> M2["大量采用商业成熟货架产品 (COTS)"] M2 --> M3["2-3年极速迭代周期 + 商业闭源运作"] M3 --> M4["重型运载火箭批量发射 (如Starship星舰)"] M4 --> M5["多镜面/多望远镜星座阵列 (大幅平摊边际成本)"] end ```

[21:04](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=1264s) 天文学：AI的开放数据试验场

在演讲的收尾部分，孙凤梧向全场的AI学者、工程师和科技领袖表达了深切期许。作为一名天文学家，他直言整个学科已经全面依赖AI来抵御即将来袭的万亿字节数据海啸，传统人力分析在庞大的宇宙信号面前彻底无能为力。

孙凤梧向现场所有AI研究者抛出了一份诱人的“宇宙级邀请”，归纳了天文学数据赋能AI算法的独特价值： 1. **天然的无监督/自监督圣地**：来自深空的原始信号纯净但没有任何预置的人工标签，是验证前沿自监督学习（Self-Supervised Learning）与大世界模型的绝佳测试平台。 2. **终极彻底的开放科学（Open Science）**：孙凤梧坚定地指出，如果全人类所有科学门类中只有一门真正意义上毫无保留的开放科学，那必定是天文学。因为天文学永远仰望星空、向外探索，它不研究地球内部的任何地缘利益，天文学家捕获到的每一个来自深空的光子，都毫无门槛地免费向全人类公开。 3. **破除AI模型“自噬崩溃”的数据解药**：当前AI学术界普遍担忧若模型长期使用自身递归生成的合成数据训练，终将引发模型崩溃（Model Collapse）。孙凤梧对此自信地表示：“如果你相信‘模型用递归生成的数据训练会崩溃’，那我想告诉你，天文学家每天都在从地球之外收集全新的数据。”

孙凤梧最后总结道，现代天文学走过400余年历程，人类从最初借助粗糙的透镜辨认光点，发展到今天利用顶尖物理仪器观测宏伟宇宙；而如今AI正在成为人类全新的感官，协助科学家穿透认知的极限，去看见那些以往彻底超出人类想象的宇宙图景。

## Notable quotes > [21:04](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=1264s) 如果你相信‘模型用递归生成的数据训练会崩溃’，那我想告诉你，天文学家每天都在从地球之外收集全新的数据。 — 孙凤梧

> [01:57](https://www.youtube.com/watch?v=hrQBNhpIFlc&t=117s) 只有把背景降温，把望远镜发射到远离太阳和地球的地方，避开太阳和地球的光，你才能从更暗的背景里认出目标，这就是‘冷’的力量。 — 孙凤梧

## Mentioned 孙凤梧, 西湖大学, 哈佛大学, 詹姆斯·韦布空间望远镜 (JWST), 近红外相机 (NIRCam), 阿丽亚娜5型火箭, 第二拉格朗日点 (L2), 哈勃空间望远镜, 南希·格雷斯·罗曼空间望远镜 (Roman), 薇拉·鲁宾天文台 (Rubin Observatory), 时空遗产巡天 (LSST), 平方公里阵列 (SKA), 清华大学, Codex, Claude, 埃里克·施密特 (Eric Schmidt), 索尔·珀尔马特 (Saul Perlmutter), 亚利桑那大学, Lazuli, Nautilus, SpaceX, Starship (星舰), OpenAI, 硅谷101

## Video description 人类正在迎来一个全新的宇宙探索时代。新一代观测设施正以前所未有的速度，收集来自宇宙深处的数据。每天数TB甚至数十TB的图像和观测信号，远远超出了科学家人工分析的能力，AI正在成为天文学家探索宇宙的新工具。在硅谷101 Alignment 2026大会上，西湖大学助理教授Fengwu Sun介绍了AI如何帮助科学家识别引力透镜、寻找超新星，以及降低图像噪声，让微弱的天体信号更容易被发现。他也展望了AI参与望远镜自主观测和任务规划的可能性。当AI开始帮助人类探索宇宙，我们又将发现哪些过去难以看见的秘密？这期，让我们回到Alignment 2026大会现场，听听Fengwu Sun的分享。

大会嘉宾： Fengwu Sun，西湖大学助理教授

时间轴： 00:00 当AI开始帮助人类探索宇宙 00:39 嘉宾开场：从韦布望远镜到AI天文学 01:57 韦布望远镜：为什么要把它送上太空？ 04:48 深场观测：寻找宇宙的“第一缕光” 07:18 神秘“小红点”：早期宇宙的黑洞线索 09:14 给宇宙“拍电影”：罗曼望远镜与超新星 12:33 鲁宾天文台：海量数据与百万条警报 15:17 用AI寻找引力透镜 16:10 从开发观测模式到操作望远镜 17:15 自监督学习：发现更微弱的天体信号 18:08 大语言模型正在改变天文学论文 18:41 造望远镜，也开始像创业公司 21:04 天文学：AI的开放数据试验场

【延伸观看】

AI正在为科学研究带来新的可能。除了探索宇宙，这次硅谷101年度科技大会还讨论了AI如何推动新材料与半导体技术的发展。想了解更多AI for Science的前沿探索，以及今年大会的精彩内容，可以接着看看👇

https://youtu.be/cmhym0OcoS8?si=Fi0iWaAG6C8IvcXN

https://youtu.be/0FCDUfQvN2c?si=y2fWjukVV5l6yd7y

【欢迎加入硅谷101 Discord讨论群】 👉https://discord.gg/PACWRvyfCm

【往期精彩视频】 https://www.youtube.com/watch?v=pC3QbOu7_s4

https://youtu.be/nuD-P-AFjG0?si=3ubP0fN-cy27-Vij

https://youtu.be/BmcoQDwdkeM?si=WrLn-34Kv-O6a5Q2

https://youtu.be/2pZ9Gl7qVUo?si=01gRD4_4pEC5qU-3

https://www.youtube.com/watch?v=nilNLfW7izg

https://www.youtube.com/watch?v=tzEWYNQmnmc

https://www.youtube.com/watch?v=89ThCi5qq-A&t=6s

https://youtu.be/x2meJPOn9ws?si=p4voD9TJW9-M44hm

https://youtu.be/svNElhOYajQ?si=vFKE_9M_Onr7yUOf

https://youtu.be/cB_X6AImPjQ?si=b5jpZegDdrzAfk9N

https://youtu.be/H35nVgNGyo8?si=d4SAJHw4JmfBTPYb

https://youtu.be/G-1qbtXJKyQ?si=qiVXq7JGKkDZIQAT

https://youtu.be/i0t3RyLILnw?si=RTAcHEoVXsGKd5j7

https://www.youtube.com/watch?v=ARocqV7DtC8

https://youtu.be/--ePbkaRwl4?si=2Xf_675LCex1rs6c

[Source](https://www.youtube.com/watch?v=hrQBNhpIFlc)

中文简报

孙凤梧：AI算法打破深空数据洪流瓶颈并重塑天文望远镜研发面对每天数以TB计的数据海啸与全球仅3万名科研人员的人力极限，天文学必须全面由AI接管信号筛查与望远镜控制，同时商业化敏捷制造正在取代耗资百亿美元的国家级研发模式。随着罗曼空间望远镜与鲁宾天文台等新一代观测设施投入运行，天文学正面临每天数TB至数PB的数据洪流，远远超出了全球约3万名天文学家的人工处理极限。西湖大学助理教授孙凤梧结合自身在韦布望远镜（JWST）科学团队的经历，展示了自监督学习如何将望远镜的极限探测能力提升至相当于20米口径的效果，以及机器学习在批量筛选引力透镜和调度望远镜闭环控制中的关键作用。同时，空间望远镜的建造模式正借鉴硅谷创投思维，从耗时数十年的国家工程走向采用商用现成元器件（COTS）与批量星座部署的敏捷研发。面对AI模型因递归使用合成数据而可能导致的“模型崩溃”，天文学凭借其纯净无标签且完全开放的深空原始数据，正成为AI算法绝佳的前沿试验场。新一代观测设施带来数据洪流：鲁宾天文台全速运转后每晚将产生10至20TB数据并推送高达700万条警报，远超全球约3万名天文学家的人工处理极限，AI已成为不可或缺的核心工具。 (12:33) 清华大学团队开发的自监督学习模型通过挖掘噪声的时间微观波动，将JWST图像探测极限提升2.5倍，使6.5米口径望远镜的暗弱信号捕捉能力等效于一台约20米口径的巨型空间望远镜。 (17:15) 由埃里克·施密特出资的Lazuli等项目采用成熟商业货架产品（COTS）与保密开发机制，将传统耗时数十年的国家工程转变为2至3年迭代周期的私营敏捷建造模式。 (18:41) 天文学提供了完全向全人类开放、无标签且来自地球之外的全新非合成数据，有望成为验证自监督学习和大模型、避免AI自噬崩溃的理想试验场。 (21:04)

Reading summary

西湖大学助理教授孙凤梧在硅谷101年度线下大会上指出，随着新一代空间与地面望远镜投入使用，天文学正面临前所未有的数据海啸；人工智能已从辅助计算工具转变为核心科研基础设施，正在重构数据挖掘、望远镜控制乃至观测设备的建造模式。从极冷深空到数据密集型时域巡天 (1:57) 深空观测依赖极限环境与硬件突破。詹姆斯·韦布空间望远镜（JWST）凭借6.5米主镜与第二拉格朗日点（L2）的深冷环境，成功规避了地球约300K的热辐射背景，利用近红外相机（NIRCam）穿透尘埃，并在大爆炸后仅3亿年的早期宇宙星系中探测到了氧元素，同时捕获了由早期超大质量黑洞吸积驱动的“小红点”。然而，天文观测正从静态凝视转向给宇宙“拍电影”的动态巡天，数据产出随之呈现爆发式增长。罗曼空间望远镜（Roman）搭载18块4K×4K芯片，日均下传数据约1.4TB，约为JWST的20倍；智利薇拉·鲁宾天文台搭载32亿像素相机，每晚产生10至20TB数据。鲁宾天文台全速运转后每晚将推送约700万条突发天象警报，而全球天文学家仅约3万人，传统人工筛查完全失效；预计2030年前后建成的平方公里阵列（SKA）日数据量更将达2PB，迫使天文学全面转向算法驱动。 AI算法穿透噪声并重塑科研流程 (15:17) 面对海量观测底片，机器学习彻底改变了特征识别效率。过去博士生需数年人工筛查才能确认少数强引力透镜，如今模型单次推理即可筛选约400个候选体，为宇宙膨胀率测量提供统计基础。在图像处理层面，清华大学团队利用自监督深度学习模型挖掘噪声在时间维度上的波动统计特征，将JWST的有效探测深度提升至传统帧叠加算法的2.5倍，在信噪比效果上相当于将6.5米主镜等效提升至20米口径的太空望远镜。在日常科研与设备操作中，代码生成模型正被用于推演复杂的冷门仪器几何校准。同时，延续400年的人工选源、摇镜筒、应对天气及响应警报的手动操作链路，正被秒级响应的自主AI控制系统取代。此外，调研显示近两年超半数天文学论文带有大语言模型润色痕迹，但声明比例仅0.8%，反映出科研规范与伦理框架滞后于技术应用的现状。敏捷造镜模式与天文学的开放数据价值 (18:41) 受创投思维与AI产业影响，空间基础设施的建设模式正从周期长达数十年的国家工程向敏捷制造转变。由埃里克·施密特资助的Lazuli私人空间天文台大量采用成熟商业货架产品（COTS），以闭源初创公司机制运作，计划两至三年内发射；亚利桑那大学提出的Nautilus阵列则设想通过SpaceX星舰批量发射10面6.5米折叠镜面，大幅摊薄边际建造成本。孙凤梧向AI研究界指出，天文学能够为基础算法提供独特反哺。深空原始信号纯净且天然缺乏人工标签，是检验自监督学习与世界模型的理想场景；同时天文学数据完全向全球公开，不涉及地缘利益冲突。针对学术界对递归使用合成数据导致“模型崩溃”的担忧，持续从地球之外涌入的真实物理观测数据，可为AI模型训练提供不可替代的全新外部数据源。从最初粗糙的手工镜头到自主闭环的算法巡天，AI正在演化为天文学家探索宇宙的新感官；但面对2025年后的万亿字节数据洪流，学术界在观测规范、模型伦理以及新型太空资产的协同机制上仍需持续探索。

Source quotes

[21:04] 孙凤梧: 如果你相信‘模型用递归生成的数据训练会崩溃’，那我想告诉你，天文学家每天都在从地球之外收集全新的数据。 [1:57] 孙凤梧: 只有把背景降温，把望远镜发射到远离太阳和地球的地方，避开太阳和地球的光，你才能从更暗的背景里认出目标，这就是‘冷’的力量。

Original transcript

[0:00] 人类正在迎来一个全新的宇宙探索时代 [0:04] 新一代观测设施正在以前所未有的速度 [0:07] 收集来自宇宙深处的数据 [0:10] 但一个新的问题也随之出现 [0:12] 这些望远镜每天可能产生数TB甚至数十TB的数据 [0:17] 它们远远超出了科学家人工分析的能力 [0:20] 而AI正在成为天文学家探索宇宙的新工具 [0:24] 当AI开始帮助人类探索宇宙 [0:27] 我们又将发现哪些过去无法看到的秘密 [0:30] 接下来就让我们回到ALIGNMENT 2026大会现场 [0:34] 来看看这场精彩的演讲 [0:39] 我叫孙凤梧 [0:40] 现在是杭州西湖大学的助理教授 [0:45] 杭州现在也是一座以AI出名的城市 [0:47] 在此之前我在哈佛大学做博士后 [0:51] 也是JWST的NIRCam科学团队成员 [0:55] JWST是詹姆斯·韦布空间望远镜的简称 [0:59] 是人类发射到太空的最大望远镜 [1:03] NIRCam（近红外相机）是JWST的主力仪器 [1:07] 它拍摄了刚才展示的那些美丽图像 [1:10] 今天我想介绍我们领域的一些进展 [1:14] 包括我们的图像有多美 [1:17] 以及AI正在怎样改变我们这个领域 [1:20] 教我们给宇宙“拍电影” [1:23] 教我们怎么看自己的数据 [1:27] 我相信大多数人都看过这张图 [1:31] 这是JWST最早发布的图像之一 [1:34] 而且是拜登总统在白宫亲自发布的 [1:38] 当时还在疫情期间 [1:39] 这是那一整年里为数不多的好消息之一 [1:43] 大家可以看到 [1:44] 图里几乎每一个光点都是一个星系 [1:47] 它们离我们几十亿光年 [1:53] 每个星系又有数十亿颗恒星 [1:57] 这台望远镜早在1996年就开始设计 [2:01] 花了将近25年才完成建造和测试 [2:07] 用Ariane 5火箭从库鲁发射 [2:11] 这是我们最后一眼看到它的样子 [2:15] 随后它飞向第二拉格朗日点 [2:17] 随后它飞向第二拉格朗日点 [2:19] 那是12月25日 [2:20] 大家可能会好奇 [2:22] NASA为什么要花100亿美元造它 [2:25] 这台口径6.5米的望远镜 [2:26] 比校车还大还要把它送上太空 [2:30] 我来简单介绍一下 [2:32] 我们这些研究河外星系的天文学家 [2:34] 每天是怎么工作的 [2:35] 基本上我们就像炼铁厂里的这位工人 [2:39] 你看他手里拿着一小块熔化的金属 [2:46] 但他身后的背景（炉子）本身温度就非常高 [2:48] 想一想地球本身 [2:50] 就是一个300开尔文（约27°C）的黑体 [2:52] 如果你想在红外波段观测东西 [2:55] 背景就会非常亮 [2:57] 只有把背景降温 [3:01] 把望远镜发射到远离太阳和地球的地方 [3:05] 避开太阳和地球的光 [3:08] 你才能从更暗的背景里认出目标 [3:11] 这就是“冷”的力量 [3:13] JWST的整体设计思路就是 [3:17] 用一面大镜子收集更多的光 [3:19] 再把它冷却下来压低背景噪声 [3:22] 这就是JWST [3:25] 这可以说是最美的图像之一 [3:28] 是大家从JWST看到的 [3:31] 我们叫它“宇宙悬崖” [3:34] 因为你能清楚地看到 [3:35] 恒星风形成的前沿 [3:40] 恒星是由氢气组成的 [3:44] 而要形成氢分子 [3:45] 就要借助太空中的尘埃颗粒 [3:48] 让氢原子聚集并发生反应 [3:52] 在这片星云的一侧还有大量尘埃 [3:57] 那里正在形成恒星 [4:00] 而在另一侧年轻的恒星已经形成 [4:03] 它们从这道前沿把气体吹散 [4:07] 类似地如果比较哈勃和JWST [4:13] 对银河系恒星形成区的拍摄 [4:16] 就会看到截然不同的景象 [4:18] 左边是非常经典的画面 [4:20] 我们叫它“创生之柱” [4:22] 那里的尘埃 [4:28] 挡住了恒星形成区发出的光 [4:31] 但在右边JWST拍的画面里 [4:34] 你确实能看到大部分恒星 [4:36] 因为到了红外波段 [4:37] 光更容易穿透尘埃 [4:41] 而且你看到的尘埃是在发光 [4:43] 而不再是在挡光 [4:45] 这就是红外的力量 [4:48] 再多讲一点我自己的研究 [4:51] 我主要做的是深场观测 [4:53] 我们合作团队的主要科学目标 [4:57] 是寻找宇宙中的“第一缕光” [4:59] 宇宙中最早形成的天体是什么 [5:02] 在哪里能找到它们 [5:04] 它们长什么样 [5:06] 通常我们有两种做法 [5:08] 第一种是把望远镜对准没有亮星的天区 [5:13] 尽可能长时间地曝光就盯着它拍 [5:17] 拍出来就是右边这张图 [5:19] 还有一种稍微聪明一点的办法 [5:21] 就是对准星系团这样的结构 [5:25] 根据爱因斯坦的广义相对论 [5:29] 星系团的引力势 [5:32] 会形成一个类似放大镜的东西 [5:35] 用JWST这面放大镜 [5:38] 对准星系团这面放大镜 [5:41] 去找那些非常暗、非常远的天体 [5:45] 它们来自宇宙最初期 [5:48] 我们用JWST做得相当成功 [5:50] 这正是当初建造JWST的目的 [5:53] 这是我们团队拿到的最深的图像之一 [5:59] 就在一片空无一物的地方 [6:01] 我们发现了一个小红点 [6:05] 我们把它的光按不同波长分开 [6:08] 确认它存在于大爆炸后3亿年 [6:13] 现在宇宙的年龄大约是138亿年 [6:18] 当时的年龄只有现在的2%到3% [6:22] 那时宇宙刚刚形成 [6:26] 最惊人的是如果在其他波长观测它 [6:31] 你能在光谱里探测到氧 [6:34] 想想看这个星系已经在制造氧了 [6:38] 靠的是当时爆炸的恒星 [6:41] 制造了我们今天在这个房间里呼吸的氧 [6:46] 从大爆炸后3亿年起就开始了 [6:50] 我们发现这个天体的时候 [6:55] 它是我们当时知道的最远的星系 [6:57] 现在已经确认的最远天体 [7:00] 比它还要远一点 [7:02] 同样是在浩瀚宇宙的漆黑背景中 [7:07] 你要逐个检查天体 [7:10] 测量它们各自的距离 [7:11] 最终从海量数据中找到一个目标 [7:18] 另一件有意思的事情 [7:19] 最近引起了天文学家的关注 [7:22] 再看白宫发布的那第一张图 [7:26] 在这个区域里 [7:27] 有一个小小的、红色的致密天体 [7:32] 我们很好奇那是什么 [7:33] 当时数据刚刚发布 [7:35] 后来天文学家给它起了个名字 [7:39] 大家可能知道 [7:40] 天文学家特别不会起名字 [7:43] 所以我们就叫它“小红点” [7:46] 因为它小、它红、看起来又是个点 [7:49] 这是JWST发现的一类新天体 [7:53] 它们看起来像恒星 [7:54] 几乎所有特征都和恒星一模一样 [7:57] 但我们认为 [7:58] 因为它们离得那么远又那么亮 [8:00] 其实是由黑洞供能的 [8:02] 也就是黑洞在吸积气体 [8:04] 就是在“吃”气体 [8:06] 气体掉进黑洞的过程中会发光 [8:09] 把引力势能转化成光 [8:15] 如果回到离我们近的地方 [8:18] 就会看到像这样美丽的星系 [8:20] 你能看到非常多的“气泡” [8:21] 每个气泡都是超新星爆发吹出来的 [8:24] 也就是一颗恒星死亡并爆炸 [8:25] 可能发生在几亿年前 [8:29] 这些爆炸也制造了氧和碳 [8:31] 它们构成了这颗星球上的所有生命 [8:36] 再说说我最喜欢的一张图这是木星 [8:41] 早在1609年 [8:44] 天文学家伽利略把望远镜对准天空 [8:48] 木星就是他最早观测的天体之一 [8:50] 从那以后每台望远镜都观测过木星 [8:53] 这是我见过的最好的一张木星照片 [8:56] 这是大红斑 [8:58] 顶部和底部其实是极光 [9:01] 所以如果你那时站在木星上 [9:05] 就能看到头顶的极光 [9:08] 这是土星 [9:11] 你能看到它的光环和光环之间的缝隙 [9:14] 我给大家看了很多图像 [9:16] 这些都是二维图像 [9:18] 但我们知道宇宙是四维的 [9:22] 空间有三个维度 [9:23] 而且它还会随着时间变化 [9:25] 所以宇宙是四维的 [9:27] 天文学家正在非常努力地 [9:31] 尝试给整个宇宙拍一部电影 [9:34] 或许能启发刚才讨论的世界模型 [9:39] 想想看我们其实已经在做这件事了 [9:43] 用的就是JWST [9:46] 连续两年观测同一片天区 [9:50] 就能找到一些光点 [9:52] 某一年突然亮起来 [9:54] 另一年又暗下去 [9:56] 我们把它叫作超新星 [9:58] 也就是走到生命尽头的恒星 [10:00] NASA刚发射了一台新的空间望远镜 [10:05] 是8月30日发射的 [10:09] 叫南希·格雷斯·罗曼空间望远镜 [10:11] 罗曼望远镜的主要目标之一 [10:14] 就是寻找超新星给宇宙“拍电影” [10:18] 找到超新星之后 [10:19] 我们知道它们就像蜡烛 [10:22] 你可以把蜡烛放在不同的地方 [10:24] 就可以测量它们的距离 [10:25] 所以它能帮我们绘制宇宙地图 [10:28] 这是罗曼望远镜的艺术想象图 [10:31] 它没有JWST那么大 [10:33] 口径只有2.4米 [10:36] 但罗曼的厉害之处 [10:40] 在于它有非常棒的探测器 [10:42] 这是我们说的焦平面 [10:45] 上面有18块探测器 [10:46] 基本上和你们手机里用的探测器差不多 [10:50] 每块都是4K×4K像素 [10:53] 18块芯片合在一起 [10:56] 一次就能拍3亿像素 [10:59] 想想看如果它不停地观测天空 [11:02] 每天产生的数据大约是1.4TB [11:07] 大约是JWST数据产出的20倍 [11:10] 而且要记住 [11:11] 这些数据不是在地面上产生的 [11:13] 而是在L2点产生 [11:14] 距离地球150万公里 [11:18] 你得把这些数据从深空传回地面 [11:21] 它现在已经在采集数据了 [11:23] 这是望远镜还没对好焦时拍的数据 [11:25] 你在这里看到的每个图像都是一颗恒星 [11:30] 只是还没对上焦 [11:31] 团队正在非常努力地 [11:33] 给望远镜对焦拍摄真正的数据 [11:35] 确保望远镜正常工作 [11:37] 我们这些寻找宇宙第一缕光的人 [11:40] 我们关心的是罗曼怎么看宇宙最早期 [11:46] 这里我给大家看的是 [11:48] 天文学家做的一个数值模拟 [11:50] 背景里的都是当时的气体也就是氢 [11:56] 大家知道星系就像地图上的城市 [12:00] 它们并非随机分布而是形成结构 [12:06] 这里的每个圆圈代表一个星系 [12:10] 应该能被罗曼探测到 [12:13] 想想看这是刚才那第一张图 [12:15] 就是JWST拍的那张 [12:17] JWST只能观测这么一小块天空 [12:21] 但罗曼能拍到非常大的视野 [12:25] 这说明了天文数据量的爆发式增长 [12:29] 正在发生也将持续到未来几年 [12:33] 天文学另一项重要的基础设施 [12:35] 叫鲁宾天文台 [12:38] 它正在开展一项巡天观测 [12:39] 叫LSST（时空遗产巡天） [12:42] 这台望远镜在智利的山上 [12:44] 它是地面望远镜不在太空 [12:47] 它现在每天晚上都在巡天 [12:51] 这台望远镜特别的地方 [12:54] 它的相机是人类造过的最大的相机 [12:57] 有32亿像素是罗曼的10倍 [13:03] 现在每天产生10到20TB数据 [13:08] 望远镜口径8.4米 [13:11] 是地面上最大的望远镜之一 [13:15] 大家看看这台望远镜的镜子 [13:17] 再看看这台相机有多大 [13:18] 这是相机和工程团队的对比 [13:24] 天文台一直在观测 [13:26] 这是去年拍的数据 [13:28] 这是它发布的第一张图像 [13:32] 你能看到这些美丽的星系和星系团 [13:35] 每个光点都是一个星系 [13:37] 每个星系都有十亿颗恒星 [13:39] 分布在不同的距离上 [13:41] 鲁宾的一种观测方式 [13:45] 我们叫它time domain（时域） [13:47] 就是比较图像之间的差别 [13:50] 大家看这里 [13:51] 有些移动的天体从画面里划过 [13:53] 我们把它们叫作小行星 [13:55] 天文学的一个关键工作 [13:56] 就是找出天上会动的东西 [13:58] 因为大多数天体看起来都不动 [14:01] 鲁宾就这样从首批数据中找到小行星 [14:06] 鲁宾目前大约产生100万条警报 [14:12] 每晚都有这么多事件 [14:14] 等鲁宾全速运行时 [14:17] 每晚会产生700万条警报 [14:20] 但想想看全世界 [14:22] 只有大约3万名天文学家 [14:25] 如果我们所有人都来处理这些数据 [14:27] 每晚得回复200封警报邮件 [14:31] 这显然是不可持续的 [14:33] 我这里展示的是 [14:35] 主要地面和空间望远镜的数据率 [14:40] 随时间的变化 [14:41] 2025年以后 [14:43] 数据量像洪水一样涌来 [14:46] 因为罗曼和鲁宾的加入 [14:49] 如果SKA（平方公里阵列）射电望远镜 [14:53] 在2030年前后在地面建成 [14:56] 它每天会产出大约2PB的数据 [15:02] 基本上没有哪个天文学家 [15:03] 能分析所有这些数据 [15:07] 所以我们这个领域 [15:09] 正在经历巨大的数据洪流 [15:11] 我们必须依靠AI [15:13] 因为我们的注意力已经不够了 [15:17] 下面我举几个例子 [15:19] 说说我们现在在领域里怎么用AI [15:23] 第一个例子是引力透镜 [15:26] 就是你们看到的第一张图里的那种 [15:27] 星系团弯曲了背景星系的光 [15:31] 弯成了这样漂亮的弧 [15:35] 大概十年前 [15:36] 一个博士生能找出 [15:38] 数据中的一两个这样的系统 [15:40] 然后发一篇论文 [15:41] 发两篇论文就能拿到博士学位 [15:43] 但现在因为数据量这么大 [15:48] 你必须依靠机器学习 [15:51] 把大家拍过的所有数据过一遍 [15:53] 一次公布约400个引力透镜候选体 [15:59] 找到这些引力透镜 [16:00] 就能测量星系的距离 [16:03] 这非常有助于理解 [16:06] 宇宙如何随时间膨胀 [16:10] 我最近也经常用Codex和Claude [16:16] 这是我的一项研究 [16:19] 我用了JWST一种很少用的观测模式 [16:24] 把这些观测数据全部喂给AI [16:27] 让AI告诉我光谱的位置 [16:31] 也就是色散开的光 [16:32] 落在探测器的哪里 [16:33] 帮我开发出一种新的观测模式 [16:36] 一种用JWST观测宇宙的新方法 [16:41] 人们也在用AI来操作望远镜 [16:45] 这些工作一直都是人来做的 [16:49] 在过去400年里 [16:51] 你要选好目标再把望远镜对准它 [16:56] 然后如果来了一片云 [16:58] 你得把望远镜转到别的地方 [17:00] 或者关上圆顶 [17:03] 如果发现有什么天体突然爆发 [17:05] 比如超新星 [17:05] 就把望远镜精确对准那个位置 [17:08] 这整条决策链一直都是人在做 [17:11] 但现在你可以用AI来做 [17:15] 这是我在清华的朋友们做的工作 [17:17] 他们开发了一个自监督模型 [17:22] 把望远镜对准某一片天区时 [17:29] 我们会把多次拍摄的数据叠加起来 [17:32] 得到一张深度很高的二维图像 [17:35] 但如果你去看噪声随时间怎么变化 [17:42] 就会发现整个噪声都在波动 [17:45] 你就能得到更深的数据 [17:47] 比传统方法得到的更深 [17:50] 他们用这个方法 [17:53] 将探测深度提升到原来的约2.5倍 [17:58] 这意味着你用JWST时 [18:00] 不只是用一台6.5米的望远镜 [18:02] 而是相当于用一台20米左右的望远镜 [18:04] 而这样的望远镜现在根本发射不到太空 [18:08] 我们这个领域也深受大语言模型的影响 [18:12] 就在过去两年左右 [18:15] 最近有篇论文说 [18:16] 最近一半以上的天文学论文 [18:18] 都是借助大语言模型写的 [18:20] 摘要里有句很有意思的话 [18:23] 最近一半以上的论文 [18:26] 都带有大语言模型的痕迹 [18:28] 但只有0.8%在论文里声明了这一点 [18:31] 我不是说天文学家现在在互相欺骗 [18:36] 而是这个领域变化得太快了 [18:38] 我们还不知道该怎么做最好 [18:41] 还有件有意思的事 [18:43] 我一直在讲数据 [18:44] 再说说产生数据的地方也就是望远镜 [18:48] 现在天文学家造望远镜 [18:50] 开始有点像AI创业公司了 [18:52] 这很有意思想跟大家分享一下 [18:54] 说到计算机它们发展得非常快 [18:58] 在过去60年里 [19:00] 但说到观测 [19:02] 拿哈勃空间望远镜来说 [19:04] 它在1970年代设计 [19:06] 1990年代发射升空 [19:08] 我们现在还在写观测申请 [19:10] 去争取使用它的时间 [19:12] 它至少要到2030年才会退役 [19:15] NASA还在考虑 [19:16] 发起一次任务去“拯救”哈勃 [19:18] 让它运行得更久 [19:21] 现在私人资金开始进入望远镜建设了 [19:25] 这是埃里克·施密特资助的项目 [19:28] 他是Google前CEO [19:30] 叫Lazuli [19:31] 这将是首台私人空间天文台 [19:34] 将被发射到太空 [19:35] 他们与索尔·珀尔马特等人合作 [19:38] 他是2011年诺贝尔奖得主 [19:42] 也与亚利桑那大学的研究者合作 [19:45] 打造整台望远镜 [19:47] 计划两三年后发射 [19:49] 望远镜上几乎所有部件 [19:51] 都可以作为商业产品直接买到 [19:54] 项目全体成员都签了保密协议 [19:57] 在向公众公布望远镜方案之前 [20:00] 我们对这台望远镜了解得很少 [20:02] 它大概是一台“闭源”的望远镜 [20:05] 就像OpenAI或Claude那样 [20:08] 但我们相信这台望远镜会有巨大影响 [20:11] 会影响我们的天体物理研究 [20:14] 另一个思路是一个任务构想 [20:18] 叫Nautilus（鹦鹉螺）空间天文台 [20:21] 来自亚利桑那大学的一位教授 [20:24] 想象一下Starship [20:25] 把十面镜子折叠起来 [20:28] 每面6.5米装进Starship [20:31] 发射升空之后 [20:32] 每面镜子都会在太空中展开 [20:35] 基本上就是一次发射十台望远镜 [20:37] 就像一次发射十台JWST [20:41] 当你一次造十台望远镜 [20:43] 就能更快地迭代 [20:45] 这几年人们开始造50厘米口径的望远镜 [20:50] 做这类实验 [20:52] 如果这样一次建造并发射十台 [20:56] 平均每台的价格会比只造一台便宜得多 [21:02] 大家可以想象 [21:04] 这是我的最后一页幻灯片 [21:07] 我很高兴能向大家汇报 [21:08] 天文学领域的一些最新进展 [21:12] 想对在座的AI研究者 [21:15] 以及领导者们说几句 [21:16] 首先作为天文学家 [21:19] 我相信我们绝对需要AI [21:20] 来应对正在到来的数据洪流 [21:23] 数据的规模已经大到 [21:24] 没有任何一个天文团队能够处理 [21:27] 我们需要AI来帮助发现和突破 [21:33] 也许还能帮我们做决策 [21:34] 我们的数据还有个有意思的特点 [21:37] 它完全没有标签 [21:38] 是自监督算法非常好的试验场 [21:43] 我们将收集到的每一个光子 [21:47] 毫无门槛地向公众公开 [21:51] 这是宇宙送给我们的礼物 [21:55] 还有非常重要的一点 [21:57] 如果所有学科中只有一门开放科学 [22:02] 那就是天文学 [22:04] 因为天文学是向外看的 [22:07] 不研究地球上的任何东西 [22:11] 如果你相信 [22:12] “模型用递归生成的数据训练会崩溃” [22:15] 那我想告诉你天文学家 [22:17] 每天都在从地球之外收集全新的数据 [22:22] 现代天文学已经有400年的历史了 [22:28] 我们收集了大量数据 [22:29] 从中辨认出各种天体 [22:30] 而现在AI正在帮助我们 [22:32] 看到超出我们想象的东西 [22:35] 我想分享的就是这些 [22:36] 非常感谢大家