北京
来源 | 科学杂志
作者 | Joshua Sokol
在人工智能技术突飞猛进的浪潮中，天体物理学正在经历一场静悄悄却深刻的自我反思：当机器在数据处理与模式识别上展现出前所未有的效率时，这门以探索宇宙为志业的学科，究竟会被怎样改变？我们还需要怎样的“理解”，才能称之为科学发现？
过去十年，天文学进入“数据富集时代”。从欧空局的盖亚（Gaia）到詹姆斯·韦布太空望远镜（JWST），从地面的大视场巡天到引力波探测器，海量数据如潮水般涌来。传统方法已难以招架：数据体量太大、维度太高、信号太微弱。深度学习与大模型的加入，像给望远镜加上了“第二层镜片”：它们能在噪声中抓住异常，在多波段数据里发现人眼难以察觉的规律。超新星候选体、引力透镜系统、快速射电暴、系外行星凌日信号，都能在算法的筛选下迅速浮现，效率提升往往是数量级的。
然而，效率的腾飞也带来了不安。首先是“可解释性”的困境。许多神经网络可以准确分类或预测，却很难回答“为什么”。在物理学中，“为什么”不是附赠品，而是核心商品：我们追求的不仅是能用的公式，更是对机制的把握。如果一个模型能精准地标记某个星系是“怪异的”，但无法说明其光谱或形态中哪一条物理链路导致了异常，那么科学家会警惕：这究竟是发现，还是仅仅是统计学意义上的巧合？
其次是“可复现性”与“可比性”的挑战。不同团队用不同的训练集、预处理、网络结构与超参数，可能得到“看似一致、实则难比”的结果。再加上天文学数据常常存在选择效应与系统误差，黑箱模型若未嵌入物理约束，极易学到偏差而非本质。科学共同体赖以维系的那套“用独立方法交叉验证”的传统做法，正被迫升级：不仅要公布数据与代码，更要发布模型架构、权重、训练流程与评估基准。
第三个焦虑点在于“科学家的角色”。当从原始数据到候选体名单的链条越来越自动化，年轻研究者是否会错过与数据“深度相处”的训练？过去从噪声里抠信号、从系统误差里找漏洞的过程，培养的是直觉、严谨与创造力。若把这一步完全外包给模型，学科的“手艺”是否会流失？更现实的是，学术评价体系如何衡量一项工作中“算法工程”与“物理洞见”的相对贡献？
面对这些担忧，领域内也在迅速探索新的平衡。一个方向是“物理引导的机器学习”，把守恒律、对称性、辐射传输等硬性约束嵌入网络结构或损失函数，让模型不仅“合用”，更“合物理”。另一个方向是“可解释AI”，用注意力图、特征归因、替代模型等方法，追踪模型决策的关键证据，尽可能把黑箱变成“半透明箱”。同时，社区在建立统一基准：共享标准化数据集、设立公开挑战赛、要求报告统计与系统不确定度，把模型表现放到可比的坐标系里。
更重要的是，科学家开始重新定义“理解”。也许，理解并非非此即彼：一端是可精确推导的解析公式，另一端是可验证、可泛化的近似规律。AI或许能加速我们从“经验相关”迈向“有效理论”的中间地带：先用模型在高维空间里捕捉结构，再以物理直觉与简化模型提炼出可讲述、可检验的机理。许多团队已经实践“闭环式科研”：AI从数据中提出假设，人类基于物理常识筛选并设计新观测，新的数据再反哺模型，周而复始，让发现从偶然变为系统。
当然，技术红利并不意味着放弃怀疑精神。真正的突破，往往来自对“看起来对”的答案继续追问：它是否稳健？是否可迁移到不同望远镜、不同红移、不同噪声环境？是否与独立物理量测一致？是否能产生可被证伪的新预言？只有经得起这些拷问，我们才算把“模型里的规律”转化为“自然界的真相”。
归根到底，AI不是来替代天文学的灵魂，而是来考验并重塑它。灵魂不在算法里，而在我们如何提出好问题，如何建立可检验的解释，如何把发现变成可被他人复现与扩展的公共知识。也许，未来的天体物理学家会同时是优秀的物理学者与出色的“模型驯兽师”。当人类好奇心与机器算力并肩作战，望远镜的视野会更深更远——而我们对宇宙的理解，也许会更接近“既能算对，也能说清”。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
