AI代理重构天文观测：3天搭建仿真系统，千元成本预警8颗超新星

【科技纵览】当人形机器人在赛道上刷新纪录时，另一场静默的革命正在国家天文台兴隆观测基地上演。这里没有欢呼，只有数据流的无声奔涌。曾经，天文学家需要在寒夜中彻夜值守，手动协调望远镜、天气与突发目标；如今，基于千问办公Agent Harness构建的自动化系统，仅用3天时间和约千元成本，便搭建起一套科研级仿真环境，并成功预警了8颗极早期超新星候选体。这不仅是效率的提升，更是科研范式从“人力密集型”向“智能协同型”的根本转变。

天文观测常被赋予浪漫色彩，但实际操作却极为琐碎。冬季值班长达十余小时，人员需实时监控设备状态、气象变化及目标位置。对于超新星爆发等瞬变事件而言，时间窗口稍纵即逝，早期光谱特征可能在数小时内消失。传统模式下，一旦收到预警，值班员需人工评估目标价值、可见性及设备空闲情况，再调整既定排班。这种线性流程在海量告警面前显得捉襟见肘——正如Vera C. Rubin Observatory每夜可能产生数百万条告警，筛选与调度的决策成本并未随发现能力同步下降。

为何需要引入AI Agent？尽管自动化望远镜已发展数十年，如Las Cumbres Observatory实现了全球27台设备的集中调度，但在“发现异常”到“资源调度”之间，仍存在巨大的判断真空。固定工作流难以应对真实观测中的动态变量：波段选择、曝光时长、突发高价值目标插队等，往往依赖人工经验。国家天文台团队自2025年起尝试将大模型引入这一环节，开发了以千问为基础模型的StarWhisper Telescope。该系统被斯坦福大学《AI Index Report 2026》列为物理与天文领域的代表性AI Agent，它能生成观测列表、控制设备并处理数据，但在真实环境中试错风险极高——一台10米级光学望远镜每小时运行成本数万元，且错误指令可能导致设备损坏。

为此，团队在千问办公协助下，先造了一台“数字孪生”望远镜。过去开发此类仿真系统需数月磨合，如今通过MCP（Model Context Protocol）接口，将望远镜组件与传感器封装，Agent可直接读取状态并调用工具。第一版系统在3天内跑通数据链：从接收超新星候选信号，到专业模型判断性质，再到计算可见性、整合天气与设备状态，最终生成包含波段、曝光时间及队列位置的观测计划。随后，系统模拟电机运动与传感器反馈，形成闭环。在这一虚拟沙箱中，团队可反复演练多目标竞争、设备故障或天气恶化等极端场景，比较不同调度策略的数据获取效率，从而沉淀出最优技能模块。

仿真验证通过后，Agent正式接入司天探路者及原型机，直面真实夜空。针对单台望远镜采样间隔长的问题，国际团队训练的跨波段光变基座模型将分散数据对齐，提升了早期识别率。在实际运行中，Agent并行推进候选评估、可见性计算及设备调用，并通过消息系统通知科研人员。截至目前，该系统已预警约8颗极早期超新星候选，其中2颗在条件允许时触发了后续观测。相比传统人工逐项排查，新链路让科学家在接到预警时，即可看到目标阶段、观测条件及推荐方案，大幅压缩了决策时间。

这一变革的意义远超单点突破。我国主导的司天工程（GOTTA）旨在构建覆盖全球的百余台1米级宽视场望远镜阵列，对全夜空进行高频监测。面对如此庞大的分布式网络，哪台设备负责巡天、哪台跟进突发目标、任务如何动态重分配，其复杂度呈指数级上升。唯有借助具备自主决策能力的Agent，才能实现毫秒级的全局优化。

从办公自动化到科研智能化，核心逻辑一脉相承：消除信息孤岛，实现跨系统的高效流转。当天文观测的时间窗口以分钟计，任何效率提升都意味着更多宇宙奥秘的被捕获。虽然戏言称“三体人未解放地球牛马是因为叶文洁没用上千问办公”，但这背后折射出的，正是技术对人类认知边界的实质性拓展。当算法成为连接星空与地面的神经中枢，我们仰望的姿态，或许将更加从容。