中国网/中国发展门户网讯   天文学正经历一场深刻的范式革命，核心驱动力来自两大前沿领域的历史性交汇：新一代地面与空间大型天文观测设施的规模化投入与人工智能技术的突破性发展。随着事件视界望远镜（EHT）、500米口径球面射电望远镜（“中国天眼”，FAST）、平方千米阵（SKA）、中国巡天空间望远镜（CSST）、高海拔宇宙线观测站（拉索，LHAASO）、“天关”（EP）、“慧眼”（Insight-HXMT）、“悟空”（DAMPE）等世界级设施相继投入运行，天文观测迈入新阶段，数据量将进入艾字节（EB）量级。同时，深度学习、大语言模型等人工智能（AI）技术实现了从“辅助分析工具”到“核心范式引擎”的跨越，彻底改变了传统天文学的研究模式。

“天文+AI”融合趋势已成为关乎国家科技实力、战略安全与产业升级的重大科技战略命题，值得政策重点关注的核心原因体现在以下3个方面。

天文学是大国科技竞争的战略高地。宇宙学参数精测、暗物质探索、引力波观测等前沿方向，既是人类认知宇宙的终极命题，也是衡量国家基础科研实力的核心标尺。截至2025年10月，已发现脉冲星达1 152颗，超过同期国际其他望远镜发现总和。同时，“慧眼”、“悟空”和“天关”等在空间高能天文领域也贡献突出，彰显了我国地面与空间设施协同优势，也凸显了推动AI深度融合的战略必要性。

天文AI技术溢出效应显著。为FAST研发的馈源舱智能测量系统可迁移至相关精密探测；“星语望远镜”系统将观测计划生成时间从1.5小时缩短至1分钟以内，其调度技术可应用于卫星星座管控等战略场景。空间望远镜与地面大科学装置的AI协同观测技术，可支撑空天地一体化监测体系建设。天文领域对量子传感、边缘计算的需求，也正推动这些技术的实用化突破。

全球政策布局进入加速期，机遇窗口正在关闭。美国国家科学基金会（NSF）“国家AI研究机构”计划，2024年首批启动NSF-西蒙斯宇宙起源人工智能研究所（NSF-Simons AI Institute for Cosmic Origins）和NSF-西蒙斯天空人工智能研究所（NSF-Simons AI Institute for the Sky）两个研究机构。欧盟通过《欧洲研究与技术基础设施战略》（European Strategy for Research and Technology Infrastructures）扩容数字AI基础设施，已率先形成“空间与地面设施—算法—人才—产业”完整生态。我国虽取得AstroOne基础模型、FastSearch算法等成果，但尚未形成体系化政策布局，亟须整合优势资源、构建创新体系。

基于此，本研究的核心政策问题为：如何以AI为关键赋能手段，充分发挥FAST、拉索等地面设施与CSST、EP、“慧眼”、“悟空”等空间望远镜的协同优势，系统破解当前“设施强、融合弱”和“成果散、转化慢”的痛点，重点探索：AI驱动的多源天文数据实时融合与智能处理、自动化观测与自主调度算法、基于大模型的科学发现辅助系统，以及算法创新与人才产业联动的协同机制，从而构建“天地设施协同、算法创新、人才支撑、产业联动”的深度融合创新体系。

现状分析：已有进展与主要矛盾

在全球科技竞争日趋激烈、AI技术快速迭代的大背景下，AI与天文学的深度融合已成为推动基础科学突破、强化国家科技战略优势的重要抓手。我国依托FAST、郭守敬望远镜（LAMOST）、拉索等地面大科学设施和CSST、EP、“慧眼”、“悟空”等空间望远镜优势，在天文AI领域逐步实现从“跟跑”到“并跑”的跨越，取得一系列阶段性成果，但同时也面临诸多突出短板，制约了融合发展的质量与速度。以下将从技术进展与核心矛盾2个维度，系统梳理我国天文AI领域的发展现状。

技术进展：从数据驱动到模型驱动

天文学研究范式历经从理论驱动向数据驱动，再向模型驱动的跨越式演进。20世纪90年代，神经网络等传统机器学习算法初步验证了AI在天文领域的适用性；斯隆数字化巡天（SDSS）、LAMOST、FAST、拉索、EP等大型巡天项目启动后，天文学进入大数据时代，深度学习成为核心工具，深度卷积网络实现星系形态自动分类、高能暂现源与宇宙线事件智能识别、准确率大幅提升，标志着数据驱动时代全面到来。

当前，AI在天文领域的应用已从单一任务处理演进为支撑科研全流程的关键技术。在数据驱动层面，基于深度学习处理SDSS星系样本效率较人工提升近百倍，深度学习系统大幅提高了超新星候选体的识别效率；在模型驱动层面，我国“金乌”太阳大模型可实现太阳活动提前24小时高精度预报，FLARE模型预测准确率超70%，美国国家航空航天局（NASA）“AstroAgents”系统可自主完成从数据处理到论文撰写的全流程科研任务。

未来，天文学将全面进入模型驱动新阶段。基于自监督学习的异常天体检测系统将逐步形成“发现异常—生成假设—天地设施协同调度—验证结论”的自主科研闭环，融合多源数据的跨模态大模型也将为暗物质、暗能量、高能宇宙线起源等前沿问题提供全新路径。

主要矛盾：四大短板制约发展

多模态数据治理滞后。FAST、LAMOST、拉索等地面设施，CSST、EP、“慧眼”、“悟空”等空间望远镜已进入EB级多波段数据爆发期，但不同设施、机构数据格式不兼容，“数据孤岛”现象严重，跨机构共享机制缺失，导致AI训练样本质量参差不齐，制约深度学习模型的训练效果。

跨学科协作机制不完善。天文学家缺乏AI技术储备，AI工程师对天文科学问题了解不深，产业界未能有效对接科研成果，“科研与应用两张皮”问题突出。既懂天文又懂AI、熟悉空间与地面观测协同的复合型人才严重短缺，制约融合创新推进速度。

智能化观测响应能力不足。现有地面望远镜与空间望远镜调度高度依赖人工干预，尚未建成支持秒级联动响应的AI自主调度系统，无法实现“检测异常—触发调度—实时获取—快速分析”天地协同闭环响应，许多短寿命瞬变天体未能被及时捕捉。

理论模型可解释性不足。深度学习模型的“黑箱”特性与天体物理研究对可验证、可解释规律的核心要求之间存在根本张力，使AI预测结果难以纳入传统天文研究的理论体系，限制了AI在空间高能天文、宇宙线物理、暗物质探测等前沿理论探索中的深度应用。

政策选项分析：3条可能路径的比较

针对上述四大短板，结合我国地面与空间大科学设施优势与国际竞争格局，当前主要形成3条政策推进路径。

路径A：自上而下的国家专项主导模式

参照“科技创新2030—重大项目”机制，由国家层面设立“智能天文”国家专项，整合全国优势科研力量，重点推进FAST、LAMOST、CSST、EP等地面与空间设施的AI赋能升级，统筹建立天文数据管理平台，制定覆盖数据采集、标注、存储、共享的全流程标准。

核心优势：资源集中，能够快速破解数据共享、算力调度等基础设施瓶颈，有效打破跨机构协作的制度壁垒，短期内形成规模化发展效应。

主要局限：行政主导易导致“重建设、轻应用”，压缩科研自主创新空间；产学研协同难度大，难以形成可持续创新生态；数据产权等深层制度障碍难以单靠行政命令解决。

路径B：产学研协同的开放创新模式

以SKA、FAST、LAMOST、EP等大科学项目为枢纽，借鉴SDSS项目经验，构建开放的数据共享与协同研究平台，引入产业界算力资源与市场化资金，建立“天文科学需求牵引、AI产业技术支撑、天地大科学设施数据赋能”的跨界协同机制，推动天文AI基础模型开源开放，同步完善跨学科人才联合培养体系。

核心优势：生态可持续，能够精准对接科研实际需求，激发创新活力，推动科研成果快速转化，兼顾四大短板。

主要局限：创新生态培育周期长，短期难以形成显著突破；数据主权与开放共享的平衡需精细制度设计；多方利益协调推进难度较大。

路径C：以国际合作为主的嵌入模式

依托EHT、SKA等多边国际合作框架，主动贡献我国算力资源与特色模型，换取国际前沿技术与科研合作机会，借力补齐核心算法、模型可解释性等短板。同时，参与全球天文AI标准制定，提升我国国际话语权。

核心优势：可快速获取国际前沿资源，避免重复研发，缩短与先进水平的差距，成本可控。

主要局限：战略自主性弱，在当前地缘政治背景下面临“断链”“脱钩”风险；受主导国家节奏影响，难以聚焦我国核心短板；存在核心数据与技术泄露安全风险。

综合评估与协调推进建议

本研究认为，以上3条路径各有适配场景与互补价值（表1）。

路径B能够精准对接四大短板，在中长期具有最佳战略价值，是核心发展路径。但其落地需完善的基础设施支撑，应以路径A作为前期保障，快速完善天地一体化数据共享平台、算力调度体系等基础设施；同时，辅以路径C借力国际资源，并完善风险防控机制。最终形成“国家专项筑基、产学研协同赋能、国际合作补位”的协同推进格局。

政策建议

基于上述分析，提出按时间维度分层推进的政策建议，各层次相互衔接，共同构建智能观测、数据共享、理论发现、全球协同的完整创新链条。

短期建议：夯实基础，破除壁垒

启动天文AI基础数据集工程。以国家天文科学数据中心（NADC）为主体，联合国内主要天文台站，依照国际虚拟天文台联盟（IVOA）和FAIR国际标准，启动多波段、可训练的标准化天文数据集建设工程，制定数据采集、标注、存储、共享的全流程规范；建立数据贡献纳入科研绩效评价体系的激励机制，推动重点科研机构观测数据有序开放。

构建天文与AI交叉学科协作平台。依托国家天文台、中国科学院自动化研究所等机构，设立专职天文AI联合研究团队，重点培养熟悉空间与地面观测协同的复合型人才；将AI工具贡献正式纳入天文科研评价体系；联合顶尖高校设置天文与AI交叉学科方向；积极引进具备大模型工程经验的产业人才，推动科研机构与头部AI企业建立稳定技术合作机制。

推进重大观测设施的AI接口标准化。在FAST核心扩展阵列、奇台射电望远镜（QTT）、司天工程等新建设施的设计阶段，强制纳入AI观测调度系统的接口规范，实现边建边智能化；参考SKA先进调度系统设计经验，研制适配我国天文观测设施的AI调度接口协议；在FAST等现有设施上开展AI自主调度系统先导试验，验证工程可行性。

中期建议：构建体系，形成生态

建设天地一体化智能观测网络。以FAST、墨子巡天望远镜（WFST）、拉索、“慧眼”、EP为核心节点，构建AI中枢协调的多信使联动观测体系，研发基于强化学习与多智能体决策的自主调度算法；支持地面与空间望远镜协同联动，实现对快速射电暴、千新星等高价值瞬变事件的秒级跨设施响应，将天文事件响应时间从小时级压缩至分钟乃至秒级。

推出开源天文大模型计划。联合国内顶尖AI机构与产业伙伴，面向光谱、图像、时域、高能等多模态天文数据，研发并开源天文专用预训练基础大模型；重点聚焦多模态表征学习，整合FAST、LAMOST、拉索、EP等多源数据；引入物理约束机制，将天体物理方程嵌入模型架构，提升模型可解释性；以开源开放为核心原则，吸引全球顶尖AI人才参与，推动中国天文大模型成为全球天文AI社区的标准工具。

设立天文AI科学发现专项资助计划。由国家自然科学基金委员会设立“天文AI”专项，重点支持物理约束神经网络（PINNs）、符号回归、自监督学习与异常检测等前沿研究方向；特别关注面向FAST、拉索、EP等现有设施数据的AI深度挖掘研究，以及面向CSST、SKA-China等未来设施的AI赋能预研。

长期建议：引领前沿，构筑壁垒

以CSST为旗舰，部署EB级数据实时AI处理架构。CSST“10年巡天”任务将产生约100 PB量级科学数据，需提前部署面向CSST的大规模天文数据实时AI处理架构，建立从原始数据采集到科学结论输出的全自动化科学发现流水线；构建CSST专用的异常天体自主检测系统，实现在TB/天级数据流中实时发现罕见瞬变事件，并自动触发多波段后随观测资源。同步完善EP、拉索等空间与地面装置的实时AI处理能力，构建天地协同智能科学发现体系。

主导建立天文AI国际标准与伦理框架。积极参与并引领IVOA、IAU等国际组织中的AI标准制定工作，推动天文AI模型的可信度评估方法、多机构数据联邦学习的数据主权保护协议、面向未来巡天设施的AI接口标准等国际规范的建立；同时，建立天文AI伦理框架，明确AI自主科学发现的成果归属、算法审查与科学诚信规范。

上述3个时间层次相互衔接，短期以国家专项夯实基础；中期以产学研协同构建体系；长期以标准引领构筑壁垒，共同推动我国天文AI走向高质量、可持续的发展新阶段。

研究局限与后续工作方向

本研究从问题界定、现状分析、路径比较到政策建议，对我国天文AI融合发展的战略议题进行了系统探讨，但仍存在4个局限：政策建议的论证依托定性分析与案例类比，缺乏基于实地调研的系统性定量支撑，成本效益分析有待强化；对美、欧等地区的主要科技强国政策路径的比较分析尚不够深入，难以精准识别我国与国际先进水平的差距；多个利益相关方（科研机构、企业、资助方等）的诉求与潜在阻力尚未系统梳理；对AI技术快速迭代带来的路线不确定性考量不足，政策建议的技术前瞻性有待提升。

后续研究建议重点推进4个方向：以CSST、SKA-China为对象开展AI赋能专项可行性研究；深入调研并设计系统化的天文AI复合型人才培育路径；梳理天文AI技术向国防、航天等战略领域的双向转化路径与制度框架；建立国际竞争格局的动态跟踪机制，以半年为周期评估主要竞争方政策动向与技术进展，动态调整我国政策响应策略。

我国天文AI领域的突破，必须通过科学、技术与产业三方力量的系统整合，形成“大科学设施数据牵引、AI技术创新驱动、产学研生态协同”的完整创新体系。当具有原创科学需求的天文学家、掌握前沿AI工程能力的产业团队，以及提供战略资源与制度保障的国家力量三者有机汇聚时，中国的天文AI创新体系才能真正从“跟跑”走向引领，在推动基础科学重大突破的同时，为国家战略安全与高质量发展提供持久支撑。

（作者：常进，中国科学技术大学；宋轶晗、杜冰、邬科飞、罗阿理、刘继峰，中国科学院国家天文台。《中国科学院院刊》供稿）