分类：AI动态 标签：人工智能、大模型、开源项目、科学研究
当数亿光年外的微光落入探测器，人类得以窥见宇宙深处的超新星爆发与极端物理现象。然而，在浪漫的天文观测背后，是科研人员彻夜值班的琐碎与繁重。面对无法提前推算的瞬变事件，时间往往转瞬即逝。
今年，国家天文台科研团队在千问办公的协助下，展开了一次全新的技术尝试：利用 AI 驱动天文望远镜的仿真与观测，将复杂的科研流程带入了一个全新的加速时代。
自动化望远镜的痛点：为什么还需要 Agent？
望远镜自动化并不是新鲜事。回顾过去，行业将其大致划分为三个阶段：发现异常、分析异常和资源调度。
其中，资源调度已相当成熟。例如，全球多台机器人望远镜可以作为一个整体运行，由中央调度系统根据天气和目标可见性自动安排任务。但在「发现异常」方面，随着巡天能力的爆发，海量告警纷至沓来。以 Vera C. Rubin Observatory 为例，系统未来每晚预计发出高达 700 万条科学告警。
候选数量激增，但适合后随观测的望远镜时间始终有限。
为了打破这一瓶颈，国家天文台相关团队自 2025 年起便开始尝试引入 AI。由银河系三维结构组与兴隆观测基地合作开发的「星语望远镜 StarWhisper Telescope」以大模型为基础，将观测计划、设备控制与数据处理整合进同一套 Agent 框架中。这项工作随后也被斯坦福大学《AI Index Report 2026》列为物理、天文、化学和材料科学领域的代表性 AI Agent。
然而在真实观测现场，参数与流程仍需人工不断调整。当团队尝试将 Agent 进一步推向设备控制侧时，一个无法绕过的问题随之浮现：真实望远镜极其昂贵且经不起频繁试错。
先造一台可以反复试错的仿真望远镜
国际主流 10 米级地面光学望远镜的一个有效观测小时运行成本高昂，且设备复杂的镜筒、转台与传感器彼此联动，容不得半点差池。为此，在千问办公的协助下，科研团队首先为 Agent 搭建了一套科研级望远镜仿真环境。
过去开发一套专业仿真系统往往需要数月时间和高昂成本，而千问办公将这一过程压缩到了 3 天左右：
- 跑通数据链：Agent 读取专业程序返回的候选性质、天气及设备状态，自动生成优化观测计划。
- 硬件响应接入：系统通过 MCP 调用仿真设备，模拟电机运动与传感器反馈。
- 策略反复演练：在面对多目标竞争、恶劣天气等复杂现实情况时，仿真系统能够提前演练多种调度策略，寻找最优解。
从仿真到实战：让候选成为观测对象
在仿真系统中跑通策略后，真实瞬变链路的效率迎来了质的飞跃。
国际天文团队训练了跨波段光变基座模型，将分散的观测点在时间上对齐，更早识别出爆发初期的候选。随后，Agent 框架接入了「司天」探路者和原型机，并已预警约 8 颗极早期超新星候选，其中 2 颗在天气条件允许时成功触发了后续观测。
面对我国面向时域天文学提出的大型分布式米级巡天望远镜阵列项目——「司天工程（GOTTA）」（该项目已入选联合国教科文组织科学十年认证计划），未来将构建覆盖全球的百余台望远镜。在这个庞大网络中，面对复杂的阵列调度与多目标竞争，Agent 将成为不可或缺的核心枢纽。
尾声
从几亿光年外的恒星爆发观测，到企业级 AI Agent 的落地，看似远隔千里，本质却相通：人类在工作中被消耗最多的时间，正是系统间的信息传递与流程对接。
当一束光跨越漫长的时间抵达地球，留给我们的观测窗口往往只有昂贵且不可逆的几个小时。在这个意义上，AI 带来的每一分钟加速，都让人类得以在浩瀚星空中走得更远。