人工智能与天文学：理解AI助手的角色

AI（单独）不能做什么...以及助手为它们做什么

尽管其性能令人印象深刻，但基础AI模型（LLM）存在结构性限制。它们不推理、不理解、没有长期记忆，并且不具备任何现实世界模型。它们是统计机器，通过预测最可能的单词来生成文本。 另一方面，AI助手通过一个工程层来弥补这些缺陷，该层将原始模型转变为功能性工具（持久内存、实时数据访问等）。

总而言之，AI模型是（统计）大脑，但AI助手是身体、手臂和腿，使其能够在现实世界中行动。正是这种架构使AI助手在实验室、元宇宙和研究环境中如此强大。

专家系统 vs. LLM vs. AI助手

• 专家系统：“我知道人类为我编码的所有东西，但我只会做这个。”
• LLM单独：“我生成文本，仅此而已。”
• AI助手：“我是一个由软件层增强的小型LLM，它赋予我工具、内存和行动能力。”

使用独立LLM（GPT、Mistral、Gemini）阅读PDF的示例

用户可以访问独立的LLM（如ChatGPT、Mistral或Gemini）。此模型只能生成文本。它无法访问文件、文件夹或执行工具。 用户必须手动完成所有工作：打开文件夹、复制文本、粘贴，并重新阅读摘要以验证其准确性。LLM仅根据用户提供的内容生成文本。

使用AI助手（完整系统）阅读PDF的示例

用户通过提示界面访问LLM（例如ChatGPT、Mistral、Gemini）。此LLM连接到一个可以在现实世界中行动的完整AI助手（专家系统+工具）。 用户只看到LLM。是在后台运行的LLM调用助手执行操作。用户从不直接与助手交互。一切对用户都是透明的。

人工智能：科学家的新伙伴

人工智能不再局限于自动化任务。 如今，AI助手能够以自然语言进行对话、生成假设、模拟复杂场景，甚至建议实验方案。在天文学领域，数据量巨大（每夜观测数TB），这些工具变得不可或缺。它们使研究人员能够专注于解释和概念化，而AI处理背景噪声并检测人眼无法察觉的模式。

与此同时，元宇宙和虚拟环境的出现为科学可视化提供了新的维度。不再需要满足于2D图形或屏幕上的3D模型：天文学家现在可以潜入他们的数据中，穿越星系团，或像身临其境一样观察恒星的诞生。这种沉浸感与对话式AI助手相结合，在人类智能与机器计算能力之间创造了前所未有的协同效应。

服务于天文学的AI助手

海量数据探索

现代望远镜，如VLT (very Large Telescope)或JWST (james Webb Space Telescope)，产生连续的数据流。手动分析是不可能的。经过数十亿参数训练的AI助手可以识别罕见事件（如超新星或伽马射线暴）、对天体进行分类，甚至校正仪器伪影。

预测建模

数值模拟是现代天体物理学的核心。但它们仍然消耗大量资源。 生成式AI，如GAN (generative Adversarial Networks)（生成对抗网络）或扩散模型，使得创建天体物理现象的数字孪生成为可能。

以下是这些模型应用的一些具体示例：

• 天体物理现象模拟：黑洞周围吸积盘的演化或星系团的动力学可以在几分钟内模拟，而经典超级计算机则需要数天。这些模型一经验证，就成为研究人员的真正助手，他们可以并行测试数百种场景。
• 行星系统形成：伯尔尼大学的研究人员（Y. Alibert、J. Davoult和S. Marques）使用Transformer架构开发了一个AI模型，能够在几秒钟内计算行星系统的架构，而其所依据的经典伯尔尼数值模型在超级计算机上需要数周的计算时间——即大约百万倍的提升。该模型可以预测尚未被探测到的行星的存在，并帮助优先确定观测目标。
• 超快宇宙学模拟：Effort.jl工具由包括INAF、帕尔马大学和滑铁卢大学在内的国际合作团队开发，使用神经网络来模拟大尺度结构有效场论（EFTofLSS）的计算。经典模拟在超级计算机上可能需要数小时，而Effort.jl在单个CPU内核上以微秒级评估功率谱，并在笔记本电脑上数分钟内完成完整的贝叶斯收敛。这一性能为DESI和Euclid等巡天项目更广泛地探索宇宙学参数开辟了道路。

科学元宇宙：服务于发现的沉浸式体验

可视化不可见之物

天文学的主要挑战之一是表现超越我们感官知觉的物体或现象。黑洞、星际磁场或引力波都是抽象概念。科学元宇宙（沉浸式虚拟环境）提供了一个让这些概念变得切实可感的环境。借助虚拟现实头盔和实时3D引擎，用户可以操纵力场、观察时空曲率，或追踪光子从发射到探测的路径。

天文学中使用的沉浸式工具示例

• OpenSpace：由AMNH (american Museum of Natural History)（美国自然历史博物馆）开发，这款开源软件可视化整个已知宇宙。它既被研究人员用于可视化Artemis或Gaia等任务的数据，也被天文馆和公众用于沉浸式体验。
• SpaceEngine：这款3D模拟器结合了真实数据和科学精确的程序化生成。在Steam上可用，任何人都可以坐在沙发上探索最遥远的星系，定期更新改进行星和恒星的生成。
• iDaVIE：这款开源虚拟现实软件，主要由数据密集型天文学大学间研究所（IDIA，南非）和INAF开发，将天文学家沉浸在其数据立方体（特别是来自MeerKAT或ASKAP的无线电数据）的核心。它已被用于优化源检测掩码和识别HI巡天中被忽略的气体结构。

在这些环境中集成AI助手可以实现丰富的交互：研究人员可以用自然语言提问（“显示这个星系中最活跃的恒星形成区域”），并立即获得视觉和上下文的响应。

远程协作

元宇宙不仅是可视化工具；它们也是同步协作的空间。国际团队可以聚集在虚拟房间中，围绕银河巡天的3D投影，像在同一个实验室一样与数据互动。这种社交和协作维度，通过实时翻译、综合和注释讨论的AI助手得以放大，有望拉近科学界的距离并加速发现。

生成模型的可靠性

虽然AI能够产生惊人的结果，但它们仍然容易受到偏见和幻觉的影响。生成模型可以发明不存在的星系结构，或提出物理上不可能的解释。因此，科学界必须制定稳健的验证协议，将AI的每个结果与真实数据或既定的物理模型进行比对。算法的透明度和实验的可重复性是AI辅助研究未来的主要挑战。

天文学中遇到的偏见和幻觉的具体示例：

• 星系结构幻觉：一个在旋涡星系图像上训练的AI模型在椭圆星系中“发明”了额外的旋臂，而实际上并不存在。AI从其训练数据中进行了泛化，并创造了不存在的模式，误导了分析这些图像的天文学家。
• 系外行星探测中的偏见：一个主要在开普勒望远镜数据上训练的系外行星探测算法存在选择偏差：它更容易探测到大行星（木星型）而非小型岩石行星（地球型）。这种偏差导致早期星表中气态巨行星频率被高估，直到研究人员修正了算法。
• 射电暴中的假阳性：一个旨在探测FRB (fast Radio Burst)（快速射电暴）的AI系统将地面干扰（手机信号、雷达）与真正的宇宙信号混淆了。数周以来，天文学家以为发现了新的FRB，后来才意识到这是AI的幻觉。
• 物理上不可能的解释：一个生成模型提出了一个违反开普勒第三定律（轨道周期与距离不兼容）的黑洞形成场景。直到天体物理学家验证后才检测到该错误，这提醒人们AI并不理解物理定律，它只是统计上模仿它们。

数据主权

最强大的AI助手是在海量数据上训练的，这些数据通常由大型私营公司掌握。这引发了公共实验室或发展中国家公平获取这些工具的问题。欧洲开放科学云或NASA 向开放科学转型（TOPS）计划等倡议试图推广开放和协作模式，根据FAIR (findable, Accessible, Interoperable, Reusable)原则共享数据和模型。

表格：AI助手在空间科学中的应用