AI动态

分类：科技 标签：RISC-V、英伟达、GPU、硬件架构 当我们在讨论英伟达 GPU 时，往往聚焦于其强大的 AI 算力、CUDA 核心或是光线追踪性能。然而鲜为人知的是，在庞大的图形与 AI 计算背后，有一支庞大的“幕后军团”正在默默维持着芯片的运转。 数据表明，英伟达在 2024 年的产品线中总共使用了超过 10 亿个 RISC-V 核心。这些核心并不参与直接的图形渲染，而是作为微控制器（MCU），在 GPU 内部处理各类繁杂的辅助任务。根据芯片型号的不同，每个现代英伟达 GPU 内部实际上集成了 10 到 40 个不等的 RISC-V 核心。 从私有走向开源：Falcon 的退场 在全面拥抱 RISC-V 架构之前，英伟达长期依赖自家的私有微控制器架构，也就是被称为 FAst Logic CONtroller（简称 Falcon）的引擎。 历史回溯：Falcon 最早于 2005 年伴随 G98 芯片问世。 规模巅峰：到 2016 年左右，单颗 GPU 芯片集成的 Falcon 引擎数量已经超过了 15 个。在长达十年的时间里，英伟达累计使用的 Falcon 核心总数达到了惊人的 30 亿个。 主要职责：这些核心在幕后处理视频编解码、电源管理、安全引擎等关键任务。 为什么选择 RISC-V？ 随着技术演进，传统的 Falcon 架构逐渐显现出局限性。它本质上是一个 32 位核心，且缺乏现代计算不可或缺的数据缓存机制，已经无法满足英伟达日益复杂的芯片管理需求。 为了寻找更强大、更具扩展性的替代方案，英伟达对市场上的主流架构进行了全面评估，其中包括 Arm 和 MIPS 等。最终，英伟达将目光投向了开放、灵活且生态蓬勃发展的开源指令集架构——RISC-V。 总结 从早期的私有 Falcon 到如今无处不在的开源 RISC-V，英伟达的硬件设计哲学正在悄然发生变化。这些隐藏在 GPU 内部的几十个 RISC-V 微控制器，虽然不常出现在消费者的视野中，却是确保显卡高效、安全、稳定运行不可或缺的中坚力量。这也从侧面证明了 RISC-V 架构在现代高性能计算芯片中的成熟度与可靠性。

分类：[AI动态] 标签：[数据中心]、[人工智能]、[科技能源]、[基础设施] 随着大语言模型与人工智能技术的狂飙突进，算力的底层——数据中心正成为不折不扣的“电老虎”。美国俄勒冈州最新发布的一份官方报告，将这一矛盾赤裸裸地摆在了台面上：当算力膨胀遇到物理电网的极限，我们正在付出怎样的代价？ 狂飙的数字：当算力开始与居民争夺电力 根据俄勒冈州的统计数据，目前该州境内正在运营的数据中心共有 111 个，总建筑面积达到 2210 万平方英尺。这些庞大的服务器集群在 2025 年消耗的电量，已经占到了该州总用电量的 23%，接近四分之一。 然而，这仅仅是个开始。报告显示，该州目前还有 32 个数据中心正处于建设或规划阶段，未来将额外新增 690 万平方英尺的建筑面积。 未来能耗预测： 2030年预期：数据中心总能耗将飙升至近 25TWh。 电力占比：约占全州总电力需求的 31% - 32%。 民生对比：这一用电量相当于 250 万户家庭 的年度总用电量，几乎达到了全州民用电力的顶峰。 繁荣的虚影：高能耗与低就业的失衡 一边是惊人的电力消耗，另一边却是相对有限的本地经济带动作用。 报告指出，这些消耗了全州近四分之一电力的现代化数据中心，直接提供的就业岗位仅为 2630 个，在俄勒冈州总人口中的占比仅为 0.06%。 这种“高用电、低就业”的产业特性引发了广泛的社会讨论。数据中心虽然代表了数字经济的最前沿，但它们高度自动化、无人化的运营模式，决定了其无法像传统制造业那样创造大规模的本地就业机会。 科技之痒：AI 浪潮下的能源十字路口 俄勒冈州的困境并非个例。放眼全球，伴随生成式 AI、云计算和大数据应用的爆发，数据中心对电力的贪婪需求正在演变为全球性的能源挑战。 算力基础设施的快速扩张 -> 地方电网负荷急剧飙升 -> 清洁能源与民用电力面临挤压。这一传导链条正在逼迫科技巨头和地方政府重新思考未来的发展路径。 从长远来看，如何平衡人工智能产业的发展与电网的承受能力？或许，加大对核能、绿电微网的投资，以及研发能耗更低的高效芯片，才是科技行业摆脱“电荒”诅咒的必由之路。

分类：数码 标签：iPhone 18 Pro、A20 Pro、端侧AI、大模型 随着生成式人工智能的快速普及，智能手机的端侧 AI 能力正在迎来质的飞跃。在最新的硬件实测中，搭载 A20 Pro 芯片的 iPhone 18 Pro 展现出了惊人的本地大模型运行能力，其性能表现相比上一代产品实现了翻倍增长。 硬件升级：双 16 核神经网络引擎与 12GB 内存 苹果在 Apple Silicon 的发展史上首次引入了双 16 核神经网络引擎，这套专为高强度人工智能运算打造的架构，其性能表现全面超越了以往所有的移动端 SoC。 除了核心处理能力的飙升，iPhone 18 Pro 与 iPhone 18 Pro Max 还标配了 12GB 的 LPDDR5X 内存，并拥有 96 位位宽以及高达 115.2GB/s 的内存带宽。硬件规格的全面升级，配合专用的神经网络硬件，让手机本地 AI 处理性能直接迈入了全新台阶。 实测表现：本地驾驭 270 亿参数大模型 在实际演示中，科技爱好者通过 iPhone 18 Pro 成功运行了 Bonsai-27B（270 亿参数）模型。得益于 A20 Pro 强大的峰值吞吐性能（其神经网络专用任务的性能甚至超越了芯片内部的 7 核 GPU），模型在生成词元（token）时的速度表现极为惊艳，整体运行过程行云流水，完全没有出现明显的降速卡顿。 端侧 AI 的机遇与现实挑战 尽管 iPhone 能够离线运行 270 亿参数的大模型是一个巨大的技术突破，但用户在实际体验中仍需面对一些硬件层面的取舍： ...

分类：科技 标签：人工智能、大模型、开源项目、科技前沿 天文观测，或许大概是最容易让普通人产生浪漫想象的一类科学。巨大的穹顶缓缓打开，镜筒转向几亿光年之外，一束从宇宙深处赶来的微光落到探测器上，向人类诉说着超新星、伽马暴或中子星合并的秘密。 然而，当浪漫落地为日常的望远镜操作时，往往只剩下琐碎与辛苦。 以国家天文台兴隆观测基地为例，冬夜漫长，值班人员需要彻夜守着望远镜和控制软件，紧盯目标位置、天气和设备状态，不断调整参数、排布任务。地球在转，目标在动，云层、湿度、风速、月光乃至机械和供电的变动，都在给观测工作增加不确定性。 对于需要捕捉瞬变事件（如超新星爆发）的科研团队来说，麻烦更远不止于熬夜。瞬变事件无法提前推算，且在爆发初期，亮度和光谱会快速变化，一些特征可能在几个小时或几天内便消失不见。科研团队发现得越早、跟得越快，留下的观测数据才越完整。 面对这些挑战，中国科学院国家天文台的科研团队今年在 AI 的协助下，做了一次全新的尝试。 01 自动望远镜发展了几十年，为什么还需要 Agent？ 望远镜自动化并不是大模型时代才出现的技术。简单来说，它经历了三个阶段：发现异常、分析异常和资源调度。 资源调度：目前的国际天文网络已经能将分布在全球各地的机器人望远镜当作一个整体运行。中央调度系统会根据目标可见性、天气和设备状况自动安排任务。 发现异常：以即将全面运行的维拉·鲁宾天文台（Vera C. Rubin Observatory）为例，其单晚发出的科学告警数量可达数百万条。 然而，新的矛盾随之诞生：候选数量随巡天能力迅速增长，但适合做后随观测的望远镜时间始终有限。 面对海量异常，到底值不值得跟踪、选哪一个、用哪台设备，判断的代价并没有同步下降。 为此，国家天文台相关团队自 2025 年起便开始引入 AI。例如，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），便以大模型为基础，将观测计划、望远镜控制和数据处理整合进同一套 Agent 框架中。这项工作还入选了斯坦福大学发布的《AI Index Report 2026》科学章节。 不过，固定工作流在面对真实观测现场的动态参数（如波段选择、曝光时长、突发高价值目标）时，依然需要人工介入。要想让 Agent 在运行时自主选择工具、读取结果并决定下一步动作，就必须将其推向设备控制端。但随之而来的问题是：真实的科研望远镜根本经不起试错。 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，一个有效观测小时的运行成本高达数万元，且镜筒、转台、相机和传感器彼此联动，错误的控制指令可能带来巨大的设备风险。 为了解决这一难题，在 AI 工具的协助下，国家天文台科研团队先为 Agent 准备了一台仿真望远镜。 过去开发一套专业仿真系统，往往需要数月时间和数万元成本。而借助现代 AI 框架，团队在极短时间内便跑通了第一版仿真系统的数据链。 在这个仿真环境中： 数据链打通：系统收到超新星候选后，专业模型会判断其性质，天文程序计算可见性，天气与设备系统返回实时状态。 制定并模拟计划：Agent 读取这些返回结果，生成观测计划并通过 MCP（Model Context Protocol）调用仿真设备。 策略演练：面对“晚上同时出现多个候选、天气即将恶化”等复杂情况，仿真系统能够将各种调度策略提前演练多遍，从而加速现实中的科学决策。 03 让一颗候选成为一个观测对象 仿真解决了策略演练的问题，而真实瞬变链路则要解决效率问题。 国家天文台团队首先从发现端切入，通过跨波段光变基座模型将分散的观测点在时间上对齐，从而更早识别出处于爆发初期的候选。一旦候选出现，Agent 框架便会并行启动： 模型给出候选信息 程序计算可见性与天气状态 相关工具通过 MCP 接入系统 自动生成后随方案并通知科研人员 截至目前，这套 Agent 框架已经接入了「司天」探路者和原型机，并成功预警了多颗极早期超新星候选。 而这仅仅是个开始。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），目前已入选联合国教科文组织「科学十年」认证计划。它计划构建覆盖全球的百余台宽视场光学望远镜。面对如此庞大的网络，如何调度设备、分配任务，必将是一件只有借助 Agent 才能完成的事情。 ...

分类：AI动态 标签：具身智能、大模型、机器人、开源项目 在人工智能领域，当数字世界的 AI 已经开始频繁讨论“自进化”时，物理世界的机器人是否也能拥有类似的成长性？最近，具身智能创业公司乐享科技提出了一个颇具野心的概念：其 Aether（以太）大模型能够在部署和执行过程中持续更新，并将其概括为全球首个能“自进化”的具身智能模型。 “自进化”在机器人行业显然是一个需要被谨慎对待的判断。究竟是模型参数发生了变化，还是仅仅进行了临时的任务调整？近日，乐享科技通过一场户外烧烤直播，公开展示了搭载该模型的机器人如何应对环境变化与随机扰动，也让外界得以窥见其背后的技术逻辑。 01 从模仿动作到理解世界：打破 VLA 的局限 过去几年，具身智能最常见的技术路线是 VLA（视觉-语言-动作），即把视觉、语言和动作连接起来：机器人看到环境，接收任务，再输出动作。这种路线让机器人能够借助大规模数据学习人类的示范，但乐享科技团队认为，它存在一个根本限制：擅长回答“下一步应该做什么”，却未必真正理解“为什么要这样做”。 不懂因果：传统 VLA 接近于从已有数据中学习动作规律，但这并不等于理解动作与结果之间的因果关系。 物理世界的复杂性：接触力、摩擦、滑动、遮挡、物体形变以及目标临时变化，都会让同一个动作产生不同后果。画面上“看起来合理”与身体上“真的做得到”之间，依然存在巨大鸿沟。 为此，乐享科技并没有把重点继续放在单纯的动作预测上，而是将 Aether 模型构建为一个由世界状态、内部状态和能量状态耦合而成的动力系统（由能量驱动的状态转移，energy-driven state transition）。 在这个系统里，感知不再是被动接收画面，而是变成了带有“感知意图”的主动行为：为了继续行动，我还需要看到什么？当前视角能否消除不确定性？这种思路让机器人能够真正去理解行动的后果，从而为“自进化”奠定了前提。 02 真正的自进化：一套从预测、反馈到记忆的闭环机制 “自进化”不能只是一句口号。乐享科技的 Aether 模型是如何实现这一过程的呢？ 持续的偏差修正：机器人在行动前形成预测，执行后观察结果。如果现实与预期不符，系统会实时更新内部状态，判断原计划是否失效，并进行局部或全局的重新规划。 分层记忆与经验筛选：在线学习最大的风险是把偶然扰动当成规律。Aether 模型会先评估经验是否可靠、新颖且可泛化，再决定是否改变已有知识。系统采用分层记忆机制： 短期记忆：具体、依赖单一场景的状态，任务结束后清除。 长期记忆：经过反复验证的抽象规律，甚至可能影响模型权重。 软硬件解耦与“一脑多形”：目前，以太大模型已经在约五家不同机器人本体上积累经验，涉及双臂、双足和轮式形态。通过自主探索认知不同本体的性能差异与关节限位，模型完成了对本体的自我认知与适配。 简单来说，乐享科技所说的自进化，是一套综合的工程机制：主动获取信息 -> 根据预测误差调整行动 -> 筛选值得学习的经验 -> 沉淀规律并迁移至新身体。 03 具身智能的 Next Level 如果机器人真的能够自进化，它改变的将不仅是某一个应用场景，而是整个行业的发展逻辑。 过去的机器人更像是被训练好的执行机器，任务之外的经验很难沉淀，更换场景和身体也常常意味着“重新开始”。而乐享科技的探索表明，部署本身可以成为一个学习过程——机器人进入真实世界后，能够在一次次行动中校准对世界的理解，把可验证的经验逐渐转化为新的能力。 当然，对于“自进化”而言，泛化能力能跨越多大差异、学习可以持续多久、新能力能否稳定复现，依然需要更多长期的测试来验证。 但正如这场探索所展现的：衡量机器人的方式，或许将不再只有“它现在会做什么”，还要加上一句：“它做完之后学会了什么？” 这，或许就是具身智能真正的 next level。

分类：游戏 标签：动作游戏、TGS2026、SEGA、独立游戏 在 2026 东京电玩展（TGS 2026）上，由 GPTRACK50 开发、SEGA 负责全球发行的动作游戏《愚者不灭》（Stupid Never Dies）吸引了大量玩家的目光。作为曾参与《鬼泣》、《龙之信条》、《生化危机》等系列开发的小林裕幸创立 GPTRACK50 后的首部作品，该作将高速动作、随机成长、怪物变身以及黑色喜剧风格完美融合，官方更是直接将其定义为“爆速成长动作游戏”。 在本次展会现场，我们采访了 GPTRACK50 代表董事兼总裁小林裕幸，以及《Stupid Never Dies》总监佐佐木荣一郎。两位开发者深入探讨了本作的创作灵感、战斗系统、成长机制背后的开发理念。 核心设计：攻击就是最好的防御 抛弃传统防御，追求极致进攻 在谈到核心战斗机制时，制作人小林裕幸直言不讳地指出，本作取消了传统动作游戏常见的闪避和防御系统： “我们的核心想法一直都是：攻击就是最好的防御。与其防御，不如继续攻击。” 总监佐佐木荣一郎补充道，当主角戴维（Davey）受到攻击时，并不会像普通角色那样马上停止动作，而是通过夸张的受击动作表现出“忍着疼痛用拳头打回去”的执着。整个战斗形成了一个独特的循环： 不断攻击 -> 即使被打也继续攻击 -> 体力下降 -> 吃敌人恢复 -> 再继续攻击 没有锁定机制，适应 360 度四面合围 体验版中没有传统动作游戏常见的锁定功能，引发了不少玩家的热议。佐佐木解释称，这是为了让玩家享受“敌人的压力”： “随着迷宫深入，敌人会从 360 度不同方向甚至空中袭来。如果采用传统的硬锁定系统，反而会影响玩家快速转向和处理不同敌人的能力。我们希望玩家依靠方向输入和镜头操作自由应对。” 针对试玩版玩家反馈的锁定问题和操作手感，开发团队也进行了大量调整，全新的试玩版更新版本预计将在近日公开。 独特的角色与世界观设定 为什么主角是个僵尸？ 游戏标题《愚者不灭》结合了日语里“笨蛋就算死了也不会改变”的俚语，以及戴维作为僵尸“已经死过一次、不会再死”的双重含义。小林裕幸透露，最初的企划书只有 8 页，主人公从一开始就被设定为了僵尸。虽然经过团队重新设计，最终保留下来的也只有“僵尸主人公”这一核心设定。 恶搞、喜剧与电影级灵感 在谈到游戏的黑色幽默与喜剧元素时，小林表示团队参考了多部好莱坞作品： 动作风格：参考了《电锯人》里电次那种“即使被打倒也要继续向前攻击”的疯狂。 同伴关系：参考了《银河护卫队》与《自杀小队》中性格各异、碰撞不断但在关键时刻并肩作战的设定。 主角原型：参考了《海扁王》中生前平凡、有些没用但足够专一的普通人形象。 此外，针对玩家对女主角朱莉娅（Julia）的高人气，小林也给出了暗示：虽然朱莉娅在故事开场就已经死去并曾引发热议，但她会在故事中途以某种形式再次出现。 丰富的成长系统与形态变身 11 种形态与随机 Build 构筑 戴维可以通过“吃”来恢复生命，并从精英敌人身上夺取能力。游戏一共包含 11 种不同的形态（如力量极强的独眼巨人 Cyclops、擅长空中移动的鹰身人 Harpy 等），玩家可以装备其中两种形态进行组合。 形态组合策略：力量型负责强力输出 -> 速度型负责接近和撤离。 装备系统（OT Gear）：玩家可以在头部、左右臂和腿部四个部位装备不同的装置（如追踪导弹、巨剑等），配合随机掉落的稀有度系统，打造属于自己的专属 Build。 爆速成长与双重成长机制 本作被称为“爆速成长动作游戏”，是因为随着流程深入，玩家在有限的迷宫探索时间内，成长速度会呈指数级提升。游戏同时具备两套成长体系： ...

分类：科技 标签：数据中心、人工智能、能源危机、云计算 随着人工智能（AI）与云计算技术的爆发式增长，全球各地的数据中心建设正进入前所未有的狂飙突进期。然而，这场算力盛宴的背后，是对电力资源的惊人吞噬。美国俄勒冈州最新发布的一份官方报告，将这一矛盾彻底摆在了台面上。 飙升的数字：当算力开始与居民抢电 根据俄勒冈州的统计报告显示，目前该州境内共有 111 个正在运营的数据中心，总建筑面积达到惊人的 2210 万平方英尺。 现状惊人：在 2025 年，这些数据中心的用电量已经占到了该州总用电量的 23%，这意味着全州近四分之一的电力都被服务器和冷却系统所消耗。 规模持续扩大：这股热潮丝毫没有冷却的迹象。目前该州还有 32 个数据中心正处于建设或规划阶段，未来将额外新增 690 万平方英尺的建筑面积。 未来预测：报告悲观地预测，到 2030 年，俄勒冈州数据中心的年能耗将飙升至接近 25TWh。届时，其电力需求占比将达到 31% 到 32% 之间，相当于全州 250 万户家庭的用电总和。 繁荣与现实的落差：高耗能与低就业 在这场轰轰烈烈的数字基建中，一个不可忽视的现实是：高额的资源投入，并未带来同比例的本地就业红利。 报告数据显示，这 111 个吞噬了全州近四分之一电力的大型数据中心，直接提供的就业岗位仅有 2630 个，在全州总人口中的占比仅为 0.06%。这种“极高用电、极低就业”的产业特征，引发了外界对于地方资源分配公平性的广泛讨论。 科技评论与展望 俄勒冈州的现状并非孤例，它正是全球 AI 浪潮下能源困境的一个缩影。从根本上看，数据中心 -> 巨量电力消耗 -> 电网压力剧增 -> 碳排放反弹，这一链路已经成为制约科技巨头进一步扩张的核心瓶颈。 如何在狂飙的算力需求与有限的地球资源之间找到平衡点？未来，无论是提高芯片能效比、优化液冷散热技术，还是推动数据中心向新能源丰富、气候寒冷的地区迁移（例如推进绿电直供），都将成为整个科技行业亟需解答的时代命题。

分类：科技 标签：英伟达、RISC-V、GPU、开源硬件 说起英伟达（NVIDIA）的 GPU，大家脑海中浮现的往往是强大的图形渲染能力、庞大的 CUDA 核心矩阵，以及如今撑起人工智能浪潮的 Tensor Core。然而鲜为人知的是，在这些显眼的计算单元背后，还隐藏着一支庞大的“幕后军团”——数量惊人的 RISC-V 核心。 从私有架构走向开源：过渡的必然选择 在全面拥抱 RISC-V 之前，英伟达长期依赖自研的私有微控制器架构，名为 Falcon（FAst Logic CONtroller）。 Falcon 最早可以追溯到 2005 年随 G98 芯片引入的时代。随着时间推移，其应用规模呈爆发式增长：到了 2016 年，单个 GPU 芯片内集成的不同 Falcon 引擎就超过了 15 个。在十多年的时间里，英伟达生产的芯片中累计使用了约 30 亿个 Falcon 核心。 这些核心虽然不直接参与图形渲染，但在 GPU 的日常运转中扮演着关键角色，具体负责的任务包括： 视频编解码 电源管理 安全引擎控制 然而，早期的 Falcon 架构属于 32 位核心，且缺乏现代处理器标配的数据缓存。随着芯片复杂度的急剧飙升，Falcon 逐渐显得力不从心。为了寻找更强大的替代方案，英伟达在评估了 Arm、MIPS 等主流商业架构后，最终将目光投向了开放、灵活且生态蓬勃的开源指令集架构 —— RISC-V。 庞大的幕后规模：每个 GPU 包含 10 到 40 个核心 这一转变带来了惊人的硬件规模。根据英伟达在 2024 年公布的数据，单在这一年里，其出货的 GPU 产品中就共计使用了超过 10 亿个 RISC-V 核心。 具体到每一块显卡或加速卡上，根据型号和复杂度的不同，每个 GPU 内部集成了 10 到 40 个 RISC-V 核心。它们作为微控制器分散在芯片的各个角落，默默无闻地执行着各种底层辅助与管理任务，确保庞大的 GPU 计算集群能够稳定、高效、安全地运行。 ...

分类：科技 标签：苹果、iPhone 18 Pro、AI大模型、芯片 随着端侧人工智能技术的飞速发展，智能手机正在成为运行大型语言模型的重要前沿阵地。苹果在最新一代硬件中展现出了强悍的端侧 AI 爆发力，通过全新的 A20 Pro 芯片与硬件升级，让手机本地运行超大参数模型成为现实。 A20 Pro：双 16 核神经网络引擎的算力飞跃 作为 Apple Silicon 发展史上的里程碑，苹果 A20 Pro 芯片首次搭载了双 16 核神经网络引擎。这套专为处理高强度人工智能运算负载打造的架构，在性能表现上彻底超越了以往的所有移动端 SoC。 在实际硬件配置方面，iPhone 18 Pro 以及 iPhone 18 Pro Max 均配备了 12GB、96 位位宽的 LPDDR5X 内存。相比上一代产品，内存速度和带宽实现了质的飞跃，其统一内存带宽可达 115.2GB/s。强大的神经网络引擎在处理特定 AI 任务时的峰值吞吐性能，甚至直接超越了芯片内部的 7 核 GPU。 实测表现：本地驾驭 270 亿参数模型速度翻倍 得益于硬件层面的全面升级，iPhone 18 Pro 的端侧 AI 性能迎来了跨越式提升。海外数码达人亚历安・格龙丁（Adrien Grondin）通过在 iPhone 18 Pro 上运行 Bonsai-27B 模型，直观展示了这一代芯片的惊人实力。 测试结果显示，iPhone 18 Pro 在本地离线运行 270 亿参数大模型时，模型生成词元（token）的速度达到了 iPhone 17 Pro 的两倍，整体运行过程行云流水，完全没有出现降速或严重卡顿。 内存与量化的权衡：端侧 AI 的现实挑战 尽管 iPhone 18 Pro 能够轻松驾驭 270 亿参数的庞大体量，但在实际体验中，用户和开发者依然需要面临一些技术上的取舍。 ...

分类：科技 标签：人工智能、大模型、开源项目、科技前沿 天文观测，或许是让普通人产生浪漫想象的最美科学。巨大的穹顶缓缓打开，镜筒转向几亿光年之外，一束跨越时空的微光落在探测器上，向人类诉说着宇宙深处的超新星爆发、伽马暴或是中子星合并。 然而，当浪漫的星空观测落到日常运维时，却是一地鸡碎的琐碎与辛苦。 以国家天文台兴隆观测基地为例，冬夜漫长，值班人员需要彻夜守候望远镜与控制软件，紧盯目标位置、天气、设备状态，频繁调参并排布任务。地球在转，目标在动，云层、湿度、风速、月光乃至机械和供电状况，都在不断考验着值班人员的神经。 这还只是常规观测。面对超新星、伽马暴这类无法提前推算的瞬变事件，麻烦才真正开始。超新星爆发早期的亮度和光谱变化极快，特征往往在几小时或几天内便会消失。科研团队发现得越早、跟得越快，留下的观测数据才越完整。 中国科学院国家天文台高级工程师、兴隆观测基地天文组负责人郑捷将这种情况形容为「天上掉馅饼」。但要首先「看到馅饼掉下来」，并在一夜之间打乱既定排班、评估目标是否在可观测区、协调设备调用，往往需要在极短时间内完成复杂的决策。 今年，国家天文台科研团队借助千问办公的 Agent Harness，尝试了一条全新的破局之路。他们用不到 3 天、千元左右的成本，搭出了一套科研级望远镜仿真环境。 01. 自动望远镜发展数十年，为何还需要 Agent？ 望远镜自动化并非大模型时代的产物。回顾过去，它大致经历了三个阶段：发现异常、分析异常和资源调度。 资源调度：最成熟的环节。如 Las Cumbres Observatory 将全球 7 个站点的 27 台机器人望远镜作为整体运行，中央调度系统根据可见性、天气等自动安排任务，每小时重新计算。 发现异常：巡天能力爆发。如 Vera C. Rubin Observatory 在一个晚上即可发出约 80 万条科学告警，未来最高可达每夜 700 万条。 然而，随之而来的新问题是：候选数量激增，适合做后随观测的望远镜时间却始终有限。 面对海量异常，到底选哪一个跟踪、在有限时间里用哪台设备跟踪，判断的代价极其高昂。 为此，国家天文台自 2025 年起便开始引入 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、设备控制和数据处理整合进同一套 Agent 框架，并入选了斯坦福大学《AI Index Report 2026》报告的 Science 章节。 但现实中的真实观测现场充满了动态变量：波段、曝光时间、天气、设备状态以及突发高价值目标，传统固定工作流很难应对自如。当团队试图让 Agent 深入设备端时，却遇到了无法绕过的死胡同：真实望远镜极其昂贵且经不起频繁试错。 02. 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一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，国家天文台科研团队率先为 Agent 打造了一台仿真望远镜。过去开发一套专业仿真系统往往需要数月时间和数万元成本，而千问办公将这一过程压缩到了 3 天左右。 这套仿真系统不仅跑通了从超新星候选判定、可见性计算、天气与设备状态读取，到通过 MCP（Model Context Protocol）调用仿真设备获取数据的完整数据链，还允许团队把同一批目标和天气变化交给不同调度策略进行反复演练。 设备故障、多目标竞争等现实中难以重复制造的极端情况，都可以在仿真中提前演练，从而大大加速现实中的科学决策。 03. 让一颗候选成为一个观测对象 仿真解决了策略演练，真实瞬变链路则解决了“在机会出现时如何更高效”的问题。 ...