刚刚，AI几小时干完天文学家50年的活，人类首个完整紫外全天星图诞生！|全天星图|天区|天文学家|宇宙|恒星|望远镜|超级地球

完整星图查看地址：https://menard.pha.jhu.edu/uvmap/

为什么50年，一直拍不出完整紫外星图其实问题的根源特别简单，地球大气层的臭氧层会直接吸收紫外光线。这意味着地面设备完全无法开展紫外观测，想要捕捉宇宙紫外信号，只能依靠太空望远镜。过去50年，人类陆续发射了多台空间望远镜，也积累了大量紫外星空数据，但始终拼凑不出完整全景。其中贡献比较大的是美国航天局2003年—2013年运行的GALEX巡天项目，靠着38000次独立观测，成功测绘了三分之二的天空。不过这个项目有个致命局限，为了保护卫星探测器不被强光损毁，它会主动避开所有亮恒星分布的区域，其中就包含恒星最密集的银道面，这也是星空数据缺失最严重的地方。后续美国雨燕望远镜、韩国的FIMS/SPEAR设备虽然补充了部分数据，但依旧没能填满所有空白。

缺失的紫外天星图与完整星图对比其实业内一直有成熟的统计方法，可以推算缺失数据、补全星图。但这项工作太过繁琐枯燥，需要工作人员逐像素精细校准数据，反复做多层复杂分析，整套流程下来需要数周时间。绝大多数科研人员都会主动搁置这类工作，优先去做更有突破性、更受关注的核心研究。各行各业的科研圈基本都是这样，很多能夯实基础、方便后辈学习的基础性项目，都会因为耗时费力被无限延后。而这次借助Claude，这类低优先级的基础科研工作，终于有了高效落地的可能。AI如何从零，画出整张紫外全天星图今年夏天，梅纳尔决定用 Claude来试试。技术思路并不复杂，就是把所有能找到的紫外数据集收集起来，统一标度，合并成一张图，再把从来没被观测过的区域补上。看似几句话就能概括的任务，实际落地难度极高，全程都是由Claude调度多组AI智能体协同完成。

项目第一步就是全网搜集数据。AI智能体逐一检索了全球所有公开的紫外巡天资料，光是GALEX项目的存档，就有数万张拍摄于不同年份、不同观测环境的星空图像，数据体量十分庞大。拿到原始数据后，首先要解决数据不统一的问题。不同时间、不同设备拍摄的画面存在明显差异，尤其是亮恒星周边，会出现类似地面拍照遇到的灯光眩光问题，严重干扰微弱紫外信号的捕捉。

AI通过多线程并行处理不同天区画面，逐一消除眩光干扰，统一所有图像的观测标准，让每一张素材都能精准比对、无缝衔接。紧接着是多设备数据的融合校准。不同望远镜的拍摄参数、分辨率、坐标体系都不一样，拍出的紫外星空自然存在细微偏差。梅纳尔给AI制定了整体校准逻辑，由AI自主完成多组数据的交叉校准、分辨率统一和坐标匹配，把零散的数万张图像，整合成一套统一规范的星空底图。

整个项目最难的一步，就是填补剩余三分之一的空白天区。这部分区域从来没有任何设备捕捉过紫外信号，完全没有实测数据可以参考。这次AI用到了机器学习领域成熟的图像修复技术，简单来说就是AI通过学习完整画面的光影、结构规律，自主推算出缺失区域的画面。为了保证推算结果足够精准，AI没有单纯依靠画面补全，还联动了其他波段的星空数据。虽然没有空白区域的紫外数据，但拥有对应的可见光、红外、射电波段观测资料。AI先通过已有完整紫外数据的天区，摸清紫外亮度和其他波段信号的对应规律，再把这套规律套用在空白天区，精准推算出每一处位置的紫外样貌，同时标注出每一处推算结果的置信度。为了验证准确率，还做了专门的测试。AI主动遮挡已有实测数据的部分画面，自主完成补全还原。

经过多轮迭代优化，最终AI推算的数据和真实观测数据的误差仅在10%左右，人眼几乎看不出差别，精度完全满足科研和科普使用需求。最后，AI依托欧空局盖亚卫星的恒星观测数据，在修复完成的星空背景上，精准叠加了超过一亿颗恒星的紫外辐射推算数据。至此，人类历史上第一张完整的紫外全天星图正式诞生。最终成型的紫外全景星图，让我们看到了很多以往被忽略的宇宙细节。年轻明亮的恒星周围，遍布着发光的尘埃星云，大质量恒星爆炸后吹出的气体泡，勾勒出层层叠叠的尘埃圆环和丝状结构。

远离银道面的空旷区域，纤细的尘埃丝缕横跨整片星空，靠着整个银河系的星光均匀点亮。

画面下方的大小麦哲伦云清晰可见，这两座邻近的矮星系，布满了新生的年轻恒星，视觉效果格外震撼。用AI搞科研，也需要反复试错优化很多人觉得AI生成的成果都是一步到位，其实在这次的星图制作经历了多次调试修正，AI最初的成品也存在明显漏洞。有天晚上梅纳尔在翻看AI成图时，发现最暗弱的区域里有些不对劲的地方，一些淡淡的圆盘，每个都比周围的稍亮或稍暗一点。排查后才发现，这些圆环是GALEX单次拍摄的痕迹。每一张GALEX图像都是一块圆形天区，画面中会残留极其微弱的地球大气紫外背景光。

初期AI没有彻底清除这层背景光，导致每块拍摄区域的底色不均匀，形成了明显的圆环印记。即便这个问题早已被提前标注，但初期依旧逃过了AI两轮自主复核。针对性指出问题后，AI快速溯源定位故障根源，对38000张原始观测图像逐一完成背景光校准修正。仅仅数小时的运算，画面所有瑕疵就被彻底清除，星图质感和精度实现大幅提升。梅纳尔和AI前后迭代打磨了十多个版本的星图，每一次优化都能修正细微误差、提升画面质感。

梅纳尔表示，用人+AI的科研合作模式特别高效，人负责规划整体流程、把控核心方向，制定每一轮的优化重点。AI则自主完成耗时巨长的算力运算和数据处理，人完全可以同步推进其他科研工作，不用为基础数据处理耗费额外精力。看到这你可能会想，这套人加 AI 的协作模式，离自己到底有多远。其实不远，关键不在于你会不会写代码，而在于你能不能把任务拆清楚、把方向指明白、在 AI 跑偏的时候一眼看出问题。梅纳尔这次做的事，本质上就是这个。如果你想摸摸自己现在处在什么位置，可以试试下面这个 AI 思维素养测评。

数智化人才能力测评