「我们的结果让我惊讶，因为它打破了之前的许多认知。」哥本哈根大学天体物理学家海涅森（Asta Heinesen）在最新预印本论文中这样写道。她和团队用AI重新分析了宇宙学数据，得出一个可能颠覆百年假设的结论：宇宙大尺度结构远比我们想象的更"疙瘩"，更不均匀。
如果这一发现最终被证实，现代宇宙学的根基——FLRW模型——将需要重写。几乎所有天文观测都建立在这个模型之上，从暗能量到宇宙加速膨胀，无一不依赖它的"宇宙各处大致相同"这一核心假设。
FLRW：百年宇宙学的"默认设置"
1920年代，四位物理学家弗里德曼、勒梅特、罗伯逊和沃克各自独立推导出一套描述宇宙的数学框架。后人以他们姓氏首字母命名：FLRW模型。
这个模型的核心是两个简化假设：均匀性（homogeneous）和各向同性（isotropic）。简单说，就是认为在足够大的尺度上，宇宙看起来差不多，无论从哪个方向看都一样。
cosmologists（宇宙学家）无法逐个描述数万亿星系，必须用统计平均来建模。FLRW就是这个"平均化"工具——把宇宙当作一碗搅拌均匀的粥，忽略局部的小疙瘩。
近一个世纪以来，几乎所有宇宙学观测都用FLRW来解释。宇宙微波背景、超新星测距、大尺度结构巡天，数据流入这个模型，流出对暗能量密度、哈勃常数的估计。
但问题也在累积。同一批观测数据，用不同方法算出的哈勃常数相差近10%。暗能量的本质始终模糊。这些"宇宙学危机"让一些研究者怀疑：也许不是数据错了，而是模型本身太粗糙。
新检测方法：让数据自己"说话"
伦敦玛丽女王大学的克利夫顿（Timothy Clifton）与海涅森在第一篇预印本中提出了一个关键创新：不预设FLRW成立，直接检验它。
他们的思路很巧妙。宇宙学中有一类"距离测量"——超新星的光度距离、物质密度涨落对应的角直径距离等。在FLRW框架下，这些距离之间存在严格的数学关系，特定组合必须精确等于零。
「这些组合被精心设计为：如果FLRW模型成立，结果就应该是零。」克利夫顿解释。任何非零结果，都意味着宇宙的真实几何偏离了FLRW的假设。
类似检验以前也有人尝试过，但都没给出明确信号。问题出在分析方法：过去的处理流程在提取距离数据时，已经悄悄嵌入了FLRW的假设。用FLRW的数据检验FLRW，当然看不出毛病。
克利夫顿和海涅森的新方法绕过了这个循环论证。他们设计了完全独立于FLRW的数据处理流程，让观测结果能够真正"背叛"模型本身。
AI上场：符号回归挖出隐藏公式
真正执行检验的是另外两位研究者。海涅森与南丹麦大学的科克斯邦（Sofie Marie Koksbang）在第二、三篇预印本中，把新方法用到了真实数据上。
难点在于：如何从观测中提取那些距离测量，同时不依赖FLRW？现有的分析工具全是围绕FLRW开发的，每一步都在强化那个假设。
团队转向了一种AI技术：symbolic regression（符号回归）。与传统机器学习给出黑箱预测不同，符号回归的目标是发现简洁的数学公式——用可解释的表达式拟合数据规律。
他们让算法在庞大的数学表达式空间中搜索，找出最能拟合观测距离的组合形式。这些AI生成的公式随后被用于构建检验FLRW的统计量。
结果是清晰的非零信号。
「这表明FLRW模型存在缺陷。」海涅森说。数据与百年假设之间出现了统计学上的偏离，尽管尚未达到宇宙学"发现"所需的严格阈值。
克利夫顿的解读更直接：「这暗示宇宙可能不像看起来那么简单。」他认为这可能是FLRW不够用的首个证据，「打开了充满新可能性的世界」。
"疙瘩宇宙"意味着什么
如果宇宙大尺度上真的不均匀，会发生什么？
首先，暗能量问题可能换个解法。当前观测到的宇宙加速膨胀，在FLRW框架下需要引入神秘的排斥性成分——暗能量，占宇宙总质能的68%。但如果空间本身的几何更复杂，某些"加速"效应可能只是不均匀结构造成的视觉错觉，而非真实的宇宙膨胀在加快。
其次，哈勃常数危机或有新解。用早期宇宙数据（宇宙微波背景）和晚期宇宙数据（超新星、造父变星）测出的哈勃常数不一致，被称为"哈勃张力"。FLRW假设下这是难以调和的矛盾；但在更复杂的宇宙模型中，不同位置、不同时期的测量本就预期不同，"张力"可能是真实信号而非系统误差。
第三，宇宙学进入"后平均"时代。FLRW的核心是抹平细节，用均匀背景近似真实结构。如果这种近似失效，研究者可能需要发展新的数学工具，直接处理不均匀时空的演化——计算量将暴增，但物理图像可能更准确。
海涅森和克利夫顿都强调，目前结果还只是"暗示性"的。要达到5σ的发现标准，需要更多天文数据。下一代巡天项目——如薇拉·鲁宾天文台的时空遗产巡天、欧几里得卫星的深度星系测绘——将在未来几年提供海量新观测。
一个模型的黄昏，还是新物理的黎明
FLRW模型百年来的成功不是偶然。它用极致的简化捕捉了宇宙最粗粒度的特征，让宇宙学从哲学思辨变成精密科学。但所有模型都有适用范围，FLRW的边界可能正在显现。
有趣的是，这次挑战来自方法论层面的创新：用AI发现数据中的隐藏结构，用独立于假设的数据处理打破循环论证。这提示了一个更广泛的转变——当传统理论工具触及天花板，机器学习可能帮助研究者跳出固有框架，看到模型偏见所遮蔽的信号。
宇宙是否真的更"疙瘩"？答案还在数据里。但检验本身已经证明：百年假设可以被质疑，而且正在被质疑。
如果最终证实FLRW需要修正，我们这一代研究者将见证宇宙学基础的重写。如果证伪，这次"虚惊"也将留下宝贵的方法遗产——一种不依赖模型假设、让数据直接说话的分析范式。
下一代巡天数据正在路上。届时，宇宙会给出它的最终裁决吗？
热门跟贴