当天文学遇上AI Agent:国家天文台如何用千问办公重塑星空观测?
分类:科技 标签:人工智能、大模型、天文观测、开源项目 天文观测,或许是普通人对科学最浪漫的想象。巨大的穹顶缓缓打开,镜筒转向数亿光年之外,捕捉一束跨越时空的微光,从而解码恒星的生死与极端物理条件。 但当这些浪漫落到具体的望远镜操作时,日常却变得异常琐碎。在国家天文台兴隆观测基地,值班人员需要彻夜守候,紧盯目标位置、天气、设备状态、调参数、排任务。尤其面对超新星、伽马暴等瞬变天文事件时,亮度和光谱转瞬即逝,科研团队发现得越早、跟得越快,留下的观测数据才越完整。 然而,如何在一夜产生的数百万条告警中迅速做出判断并重新调度设备?今年,国家天文台科研团队在千问办公的协助下,给出了一套全新的解法。 01 自动望远镜发展了几十年,为什么还需要 Agent? 望远镜自动化并非新鲜事,其发展大致经历了三个阶段:发现异常、分析异常和资源调度。 在资源调度方面,全球已有成熟的机器人望远镜网络,能根据可见性、天气和时间自动安排任务;在发现异常方面,新一代巡天望远镜每晚能发出数十万乃至数百万条告警。但随之而来的痛点是:候选数量激增,适合后随观测的望远镜时间却始终有限。 选哪一个跟踪、用哪台设备跟踪,判断的代价极其高昂。 2025年起,国家天文台团队开始尝试引入 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」以千问大模型为基础,将观测计划、望远镜控制和数据处理整合进统一的 Agent 框架中。该成果甚至入选了斯坦福大学发布的《AI Index Report 2026》Science 章节,成为代表性的 AI Agent 案例。 但在真实观测中,如何处理复杂的波段、曝光时间、设备状态及临时高价值目标,仍然需要人肉调整。当团队尝试让 Agent 深度介入设备控制时,一个无法绕过的高墙摆在眼前:真实的科研望远镜造价高昂,根本经不起试错。 02 先造一台可以反复试错的仿真望远镜 国际主流的 10 米级地面光学望远镜,单个有效观测小时的运行成本高达数万元,且任何错误的控制都可能带来巨大的设备风险。 在千问办公的协助下,科研团队决定先为 Agent 准备一台仿真望远镜。过去开发一套专业的仿真系统往往需要数月时间和数万元成本,而千问办公将这段过程直接压缩到了 3 天左右。 这套仿真系统的核心逻辑如下: 数据链跑通:Agent 读取专业模型对瞬变候选的判断、天文程序的可见性计算、天气系统的实时数据,随后生成优化观测计划。 MCP 与动作模拟:计划通过 MCP(Model Context Protocol)调用仿真设备,完成模拟指向与曝光,数据随后进入处理管道。 策略演练:在仿真环境中,科研人员可以把同一批目标和极端天气变化交由不同的调度策略反复演练,告别现实中无法重复制造的设备故障与多目标竞争困境。 03 让一颗候选成为一个高效的观测对象 仿真解决了策略演练的问题,而真实的瞬变链路则要解决效率问题。 在千问办公的 harness 框架下,当跨波段光变基座模型捕捉到爆发初期的候选信息后,Agent 与专业程序并行启动:计算可见性 -> 读取天气与设备状态 -> 通过 MCP 接入 Agent -> 生成后随方案并通知科研人员。 截至目前,这套 Agent 框架已经成功接入「司天」探路者和原型机,并预警了约 8 颗极早期超新星候选,其中 2 颗在天气允许时成功触发了后续观测。 放眼未来,我国面向时域天文学的大型分布式米级巡天望远镜阵列——**「司天」工程(GOTTA)**已入选联合国教科文组织「科学十年」认证计划。未来它将构建覆盖全球的百余台望远镜网络。在这个庞大阵列中,如何在大规模设备间进行动态、智能的任务调度,Agent 将成为不可或缺的核心大脑。 ...