AI智慧體加入搜尋外星訊號：SETI迎來新突破

NVIDIA在10月底发布的博客文章，借万圣节的话题切入，谈到一个并不科幻的变化：地外文明搜寻（SETI）正在借助AI向前推进，并且越来越多地依靠AI智能体来筛查和分析天文信号。文章没有宣布发现任何外星信号，它要说的是方法在变。过去十年，SETI的主要进展来自机器学习，也就是用训练好的模型从射电望远镜数据里挑出可疑片段。现在的新意在于，智能体不再只是被动打分的分类器，而是能够围绕一个目标，自行规划步骤、调用多种工具、读取中间结果，再决定下一步做什么。这一点对任何熟悉大模型应用的读者都不陌生，只是这次落到了天文数据上。

要理解为什么这件事重要，得先看SETI的数据是什么样子。射电望远镜会在极宽的频段上长时间记录天空，产出以太字节计的频谱数据。研究人员要找的，通常是带宽极窄、频率随时间发生规律漂移的窄带信号，因为自然天体很少产生这种形态，而人造发射机很容易产生。难点在于，地球上的手机、卫星、雷达、电器同样会产生窄带信号，这就是所谓的射频干扰。传统流程大致是先用算法搜索漂移信号，再通过对比望远镜指向目标与偏离目标时的观测来剔除干扰，最后由人工复核剩下的候选。这条流水线的瓶颈有两个：一是候选数量巨大，大部分是干扰；二是每一步的规则都要人来设计和调参。智能体的价值正好落在这里。它可以把搜索、去干扰、交叉比对、结果归档串成一个自主循环，遇到异常时回头换一种参数再跑，必要时查询观测日志或星表，而不必每一步都等人下指令。GPU加速则解决了另一半问题：数据量太大，没有并行算力，再聪明的流程也跑不完。这也是NVIDIA愿意讲这个故事的原因，天文数据处理是它加速计算平台的典型场景之一。

从行业格局看，受益最明显的是那些观测数据多、人手少的项目。像Breakthrough Listen这样的计划，一直在用多台大型望远镜持续积累数据，此前已有研究团队用深度学习方法重新分析旧数据，并筛出过人工流程漏掉的候选，这说明历史数据里可能还有未被充分挖掘的信息。智能体把这种重新分析变得更便宜、更可重复。对天文学界而言，这套思路并不局限于SETI，脉冲星搜寻、快速射电暴识别、瞬变天体监测都面对同样的问题：数据洪流、低信噪比、大量假阳性。对AI产业而言，这是一个很好的垂直应用样板：它证明智能体不只能写代码、做客服，也能在科研流程里承担重复而繁琐的中间环节。对芯片和云厂商来说，科研计算是一个体量不大、但品牌价值很高的市场，它既能展示硬件能力，也能反过来为软件栈积累真实的工作负载。需要提醒的是，科研界对自动化结论一向谨慎，智能体越自主，越要求每一步可追溯、可复现，否则再多的候选也难以被同行接受。

接下来值得观察几个信号。第一，是否有团队公开智能体流程的评测结果，包括它在已知注入信号上的召回率、对干扰的误报率，以及与传统流水线的对比。没有这类基准，所谓突破就只是叙事。第二，是否出现面向天文的开放工具链，让不同望远镜的数据能被同一套智能体调用，这决定了方法能否从单个项目推广到整个领域。第三，是人机分工的边界。我的判断是，短期内智能体会承担初筛和复核，最终是否算作候选，仍要由多台独立望远镜的重复观测和人工审查来裁定，因为任何一次公布都要面对极高的证明门槛。第四，是新的风险：自动化流程如果带着训练数据里的偏见，可能系统性地漏掉不符合假设的信号形态。所以更健康的做法，是保留一部分非常规搜索，不让模型只找它已经认识的东西。总的来说，这篇文章的意义不在于离发现外星文明更近了多少，而在于它展示了科学数据分析正在从人写规则，转向由智能体协助完成。这个转变是否可靠，要看后续公开的方法和数据，而不是看宣传。