周一 · 知古通今 | 周二 · 牧夫专栏
周三 · 太空探索 | 周四 · 观测指南
周五 · 深空探索 | 周六 · 茶余星话 | 周日 · 视频天象
综合编译：雷丰图
原文：Joshua Sokol, Science, The last astronomers
校对：牧夫天文校对组
责任编辑：王启儒
今年四月，在哈佛—史密松天体物理中心的一场会议上，天体物理学家 Cecilia Garraffo 看着身边的同事，突然产生了一个有些令人不安的念头：
眼前这些人，会不会是最后一代以这种方式工作的天体物理学家？
会议上，研究人员正在展示如何用 AI 研究宇宙：追踪星际彗星、识别星系结构、处理天文图像等等。Garraffo 所领导的 AstroAI 团队最初设想得很简单：让机器处理繁重的计算，把真正重要的部分——提出科学问题——留给人类。
但现在……
一个困扰研究团队多年的问题，ChatGPT 几分钟解决了
哈佛天文学家 Alyssa Goodman 曾经面对一个复杂的数据分析问题。她的团队想研究遥远星系的旋臂究竟如何运动，却一直难以从复杂的观测效应中分离出真正的运动信号。这个问题困扰了团队多年。
后来，她把它交给了 ChatGPT。几分钟后，问题得到了解决。最终得到的数据质量如此之高，以至于团队计划据此撰写多篇论文。
类似的事情正在越来越频繁地发生。AI 已经开始参与文献检索、代码开发、数据分析、望远镜观测申请，甚至直接解决科学问题。
过去的问题是：“AI 能不能像研究人员一样工作？” 现在，科学家开始问另一个问题：
如果它真的可以，我们怎么办？
早在大语言模型（LLM）出现之前，天文学家就已经开始使用机器学习，对海量观测数据进行分类、筛选和分析。面对现代望远镜每天产生的庞大数据，自动化早已成为天文学不可或缺的一部分。真正的新变化或许不是 AI 第一次进入科学，而是它正在从“处理数据的工具”，逐渐走向过去由人类主导的推理、判断与发现。
图源： NASA, ESA, and D. Coe, J. Anderson, and R. van der Marel (STScI)
2025 年，纽约大学的一场物理学报告展示了一个名为 Denario 的 AI 智能体。它能够自己提出研究想法、进行分析，并生成接近完整的科学论文。展示结束时，演讲者说了一句颇具争议的话：
未来可能不再需要研究生了。
这句话让纽约大学计算天体物理学家 David Hogg 开始认真思考一个问题： 我们为什么要做天体物理学？
如果科学的唯一目标，是尽快获得正确答案，那么把科研交给更快、更便宜的 AI，似乎没有什么问题。
但科学真的只是生产答案吗？
一个博士生做研究，并不只是为了知道某个问题最后的答案。他会提出问题、犯错、推导、写程序、发现模型不对、修改假设，然后重新开始。这些看似低效的过程，恰恰是在训练一个科学家。如果 AI 把这些过程全部代劳，我们或许会得到更多论文，却未必还能培养出真正理解这些论文的人。
科学界可能先迎来一场“论文洪水”
AI 带来的第一个现实问题，可能不是科学家失业，而是：论文变得太容易生产了。
如果 AI 可以快速完成文献调研、写代码、分析数据和论文初稿，一个研究人员一年能“生产”的论文数量可能大幅增加。但另一端负责验证这些研究的，仍然是数量有限的人类审稿人。
于是可能出现一个简单的不等式：生成论文的速度 > 人类验证论文的速度。当一篇论文的生产成本越来越低，今天依靠论文数量、引用次数评价科学家的体系，也可能逐渐失效。
还有一种风险更加隐蔽：技能退化。
想象一个刚进入博士阶段的学生：不会数学推导，问 AI；不会写代码，让 AI 写；不知道读什么论文，让 AI 总结；实验失败，让 AI 找原因；最后论文也让 AI 帮忙完成。
五年之后，他可能发表了很多成果。但一个问题很难回答：究竟是谁成长为了科学家——这个学生，还是他的 AI？
成熟科学家最重要的能力之一，是一种很难量化的"科学品味"：知道什么问题值得研究，什么结果值得怀疑，什么异常可能隐藏着真正的发现。
而这种判断力，往往正是在无数次失败、推导和试错中形成的。AI 如果替我们跳过了这些过程，我们可能更快获得答案，却失去了学习如何提出好问题的机会。
1934 年，哈佛大学的“人工计算员”（computer）Muriel Mussells Seyfert 在一张天文摄影玻璃底片上进行手工标注，并在代表后发座星系团中心区域的红色虚线圈内识别出了 431 个星系。
图源: Plate MC27134, 16 March 1934/Harvard Plate Stacks/Center for Astrophysics | Harvard & Smithsonian
所以，我们为什么研究宇宙？
最终，这场争论指向了一个比 AI 更古老的问题：人类为什么要研究天文学？
这个问题在天文学里尤其有趣。如果 AI 可以更快找到一种癌症疗法，我们很难为了“享受科研过程”而拒绝它。但研究一个几十亿光年外的星系，并不是因为我们明天必须拿它制造什么产品。
我们研究黑洞、暗物质和宇宙的起源，很大程度上只是因为：我们想知道。
AstroAI 的 Juan Rafael Martínez-Galarza 给出了一个很诗意的解释：宇宙中的物质经过漫长演化，最终组成了能够思考的神经元；而这些神经元，又开始反过来试图理解宇宙。
某种意义上，是宇宙正在通过我们理解自己。所以，当 AI 能够比我们更快地找到答案时，真正的问题或许不是AI 能不能取代科学家，而是如果有一天机器比我们更擅长做科学，人类为什么还要亲自理解世界？
科学究竟只是一套生产正确知识的方法，还是一种人类理解世界的过程？如果只是前者，那么更高效的机器最终取代我们，似乎没有什么原则上的问题。
但如果也是后者，那么即使有一天 AI 能替我们推导方程、分析数据，甚至发现新的物理规律——我们或许依然会选择抬头看向星空。不是因为宇宙需要我们去理解。 而是因为，我们需要理解宇宙。
——The End——
『天文湿刻』 牧夫出品
微信公众号：astronomycn
2026 年 8 月 25 日拍摄的 II Zw 096 星系合并系统：两个星系正在剧烈碰撞融合。钱德拉 X 射线望远镜（洋红色）揭示了活跃黑洞与高温气体；哈勃（蓝、白色）和韦布望远镜的光学及红外数据则呈现出隐藏在星际尘埃后的恒星形成区。这类星系碰撞帮助我们理解早期宇宙中星系的形成与演化。
谢谢阅读
热门跟贴