被人工智能沖擊的職業(yè)飯碗，甚至包括天文學(xué)家

來(lái)源 | 科學(xué)雜志

作者 | Joshua Sokol

在人工智能技術(shù)突飛猛進(jìn)的浪潮中，天體物理學(xué)正在經(jīng)歷一場(chǎng)靜悄悄卻深刻的自我反思：當(dāng)機(jī)器在數(shù)據(jù)處理與模式識(shí)別上展現(xiàn)出前所未有的效率時(shí)，這門(mén)以探索宇宙為志業(yè)的學(xué)科，究竟會(huì)被怎樣改變？我們還需要怎樣的“理解”，才能稱之為科學(xué)發(fā)現(xiàn)？

過(guò)去十年，天文學(xué)進(jìn)入“數(shù)據(jù)富集時(shí)代”。從歐空局的蓋亞（Gaia）到詹姆斯·韋布太空望遠(yuǎn)鏡（JWST），從地面的大視場(chǎng)巡天到引力波探測(cè)器，海量數(shù)據(jù)如潮水般涌來(lái)。傳統(tǒng)方法已難以招架：數(shù)據(jù)體量太大、維度太高、信號(hào)太微弱。深度學(xué)習(xí)與大模型的加入，像給望遠(yuǎn)鏡加上了“第二層鏡片”：它們能在噪聲中抓住異常，在多波段數(shù)據(jù)里發(fā)現(xiàn)人眼難以察覺(jué)的規(guī)律。超新星候選體、引力透鏡系統(tǒng)、快速射電暴、系外行星凌日信號(hào)，都能在算法的篩選下迅速浮現(xiàn)，效率提升往往是數(shù)量級(jí)的。

然而，效率的騰飛也帶來(lái)了不安。首先是“可解釋性”的困境。許多神經(jīng)網(wǎng)絡(luò)可以準(zhǔn)確分類(lèi)或預(yù)測(cè)，卻很難回答“為什么”。在物理學(xué)中，“為什么”不是附贈(zèng)品，而是核心商品：我們追求的不僅是能用的公式，更是對(duì)機(jī)制的把握。如果一個(gè)模型能精準(zhǔn)地標(biāo)記某個(gè)星系是“怪異的”，但無(wú)法說(shuō)明其光譜或形態(tài)中哪一條物理鏈路導(dǎo)致了異常，那么科學(xué)家會(huì)警惕：這究竟是發(fā)現(xiàn)，還是僅僅是統(tǒng)計(jì)學(xué)意義上的巧合？

其次是“可復(fù)現(xiàn)性”與“可比性”的挑戰(zhàn)。不同團(tuán)隊(duì)用不同的訓(xùn)練集、預(yù)處理、網(wǎng)絡(luò)結(jié)構(gòu)與超參數(shù)，可能得到“看似一致、實(shí)則難比”的結(jié)果。再加上天文學(xué)數(shù)據(jù)常常存在選擇效應(yīng)與系統(tǒng)誤差，黑箱模型若未嵌入物理約束，極易學(xué)到偏差而非本質(zhì)。科學(xué)共同體賴以維系的那套“用獨(dú)立方法交叉驗(yàn)證”的傳統(tǒng)做法，正被迫升級(jí)：不僅要公布數(shù)據(jù)與代碼，更要發(fā)布模型架構(gòu)、權(quán)重、訓(xùn)練流程與評(píng)估基準(zhǔn)。

第三個(gè)焦慮點(diǎn)在于“科學(xué)家的角色”。當(dāng)從原始數(shù)據(jù)到候選體名單的鏈條越來(lái)越自動(dòng)化，年輕研究者是否會(huì)錯(cuò)過(guò)與數(shù)據(jù)“深度相處”的訓(xùn)練？過(guò)去從噪聲里摳信號(hào)、從系統(tǒng)誤差里找漏洞的過(guò)程，培養(yǎng)的是直覺(jué)、嚴(yán)謹(jǐn)與創(chuàng)造力。若把這一步完全外包給模型，學(xué)科的“手藝”是否會(huì)流失？更現(xiàn)實(shí)的是，學(xué)術(shù)評(píng)價(jià)體系如何衡量一項(xiàng)工作中“算法工程”與“物理洞見(jiàn)”的相對(duì)貢獻(xiàn)？

面對(duì)這些擔(dān)憂，領(lǐng)域內(nèi)也在迅速探索新的平衡。一個(gè)方向是“物理引導(dǎo)的機(jī)器學(xué)習(xí)”，把守恒律、對(duì)稱性、輻射傳輸?shù)扔残约s束嵌入網(wǎng)絡(luò)結(jié)構(gòu)或損失函數(shù)，讓模型不僅“合用”，更“合物理”。另一個(gè)方向是“可解釋AI”，用注意力圖、特征歸因、替代模型等方法，追蹤模型決策的關(guān)鍵證據(jù)，盡可能把黑箱變成“半透明箱”。同時(shí)，社區(qū)在建立統(tǒng)一基準(zhǔn)：共享標(biāo)準(zhǔn)化數(shù)據(jù)集、設(shè)立公開(kāi)挑戰(zhàn)賽、要求報(bào)告統(tǒng)計(jì)與系統(tǒng)不確定度，把模型表現(xiàn)放到可比的坐標(biāo)系里。

更重要的是，科學(xué)家開(kāi)始重新定義“理解”。也許，理解并非非此即彼：一端是可精確推導(dǎo)的解析公式，另一端是可驗(yàn)證、可泛化的近似規(guī)律。AI或許能加速我們從“經(jīng)驗(yàn)相關(guān)”邁向“有效理論”的中間地帶：先用模型在高維空間里捕捉結(jié)構(gòu)，再以物理直覺(jué)與簡(jiǎn)化模型提煉出可講述、可檢驗(yàn)的機(jī)理。許多團(tuán)隊(duì)已經(jīng)實(shí)踐“閉環(huán)式科研”：AI從數(shù)據(jù)中提出假設(shè)，人類(lèi)基于物理常識(shí)篩選并設(shè)計(jì)新觀測(cè)，新的數(shù)據(jù)再反哺模型，周而復(fù)始，讓發(fā)現(xiàn)從偶然變?yōu)橄到y(tǒng)。

當(dāng)然，技術(shù)紅利并不意味著放棄懷疑精神。真正的突破，往往來(lái)自對(duì)“看起來(lái)對(duì)”的答案繼續(xù)追問(wèn)：它是否穩(wěn)健？是否可遷移到不同望遠(yuǎn)鏡、不同紅移、不同噪聲環(huán)境？是否與獨(dú)立物理量測(cè)一致？是否能產(chǎn)生可被證偽的新預(yù)言？只有經(jīng)得起這些拷問(wèn)，我們才算把“模型里的規(guī)律”轉(zhuǎn)化為“自然界的真相”。

歸根到底，AI不是來(lái)替代天文學(xué)的靈魂，而是來(lái)考驗(yàn)并重塑它。靈魂不在算法里，而在我們?nèi)绾翁岢龊脝?wèn)題，如何建立可檢驗(yàn)的解釋，如何把發(fā)現(xiàn)變成可被他人復(fù)現(xiàn)與擴(kuò)展的公共知識(shí)。也許，未來(lái)的天體物理學(xué)家會(huì)同時(shí)是優(yōu)秀的物理學(xué)者與出色的“模型馴獸師”。當(dāng)人類(lèi)好奇心與機(jī)器算力并肩作戰(zhàn)，望遠(yuǎn)鏡的視野會(huì)更深更遠(yuǎn)——而我們對(duì)宇宙的理解，也許會(huì)更接近“既能算對(duì)，也能說(shuō)清”。