AI 正在普及一种「超能力」。过去空有想法，却凑不齐开发、工具和执行能力的任务，现在可以启动了。
最近，国家天文台的科研团队，在千问办公帮助下，仅用 3 天、成本不到千元，就搭建出一套大口径科研级望远镜仿真系统，让 Agent 在虚拟环境中反复预演观测策略。
与此同时，Agent 已经接入真实望远镜阵列「司天探路者」和「司天」原型机，已预警8颗极早期超新星候选。
一个企业级的 AI 产品，就这样进入了天文科研的场景。
宇宙里的机会稍纵即逝，观测方法可以提前预演
「宇宙瞬变稍纵即逝，但在仿真环境中，观测可以反复预演。」国家天文台人工智能推进委员会专家李瑀旸博士这样概括这项工作。
天文学有一个重要方向叫时域天文学，研究天体怎样随时间变化。超新星爆发、伽马暴等瞬变事件，让我们有机会观察恒星演化和极端物理过程。尤其是爆发早期，亮度、颜色和光谱的变化，能帮助科学家研究恒星如何爆炸、周围分布着什么物质。
不同的事件持续时间不同，包含的信息也会随着演化而变化，错过一个阶段，就失去了那个阶段的观测机会。
想组织一次有效观测，要同时满足很多条件：目标、天气、设备、任务…当一个值得研究的信号出现后，团队需要尽快把这些判断转化成设备可以执行的安排。
这样的机会稍纵即逝，而仿真系统把观测策略的试错搬进了可重复运行的环境。
现在，通过软件复现真实望远镜的组件、传感器状态、控制接口和观测条件，Agent 可以读取状态、生成计划、调用接口，再检查执行结果。
已有的望远镜设备数据、控制接口和运行知识，为这套系统提供了基础。团队把这些积累组织成可运行的环境，也把搭建所需的投入降了下来。
在仿真系统预警的 8 颗极早期超新星候选中，已有 2 颗在天气条件允许时，触发了真实望远镜的后续观测。
未来，经过仿真验证的有效经验，还将进一步应用于真实大口径科研级望远镜的操控，支持瞬变事件出现后的自动响应。
验证方案的成本下降，科研团队就能在正式观测前探索更多可能，把昂贵的真实观测机会用得更充分。
人提出目标，Agent 如何把模型、软件和设备组织起来
天文观测方式，经历了从人工操控、基于大模型的固定工作流，再到 Agent 驱动的演进。
过去，对话式 AI 提供的是“智力”：研究人员遇到具体问题，向 AI 提问，然后自己操作软件。固定工作流把一部分步骤和分支预先编排起来，让系统按计划执行。
现在，科研团队正在进一步把任务推进交给 Agent：读取环境和工具返回的信息，决定下一步调用什么能力，执行后继续调整。
Agent 则能够根据目标和执行反馈，决定接下来调用什么工具、做什么动作。它需要持续处理变化中的条件，把一个任务推进到交付。
比如在这个项目里，跨巡天对齐时序模型综合不同巡天的数据，为系统提供极早期超新星候选，帮助确定「看什么」；短时局部气象预测模型提供天气条件，帮助判断「怎么看」；Agent 再结合目标可观测性、优先级和望远镜状态，生成观测方案并组织执行。
这个分工很重要。天文学知识、专业预测模型和设备控制程序各自发挥作用。
Agent 想要发挥作用，还需要解决接口问题。在这个项目中，望远镜组件和传感器状态被封装成工具接口MCP后，Agent 能知道有哪些能力、需要传入什么参数，并读取返回结果。
让这些动作连续运行的，是 Harness，也就是 Agent 的运行框架。它把模型、任务上下文、工具调用和执行反馈连接起来。
通过沉淀 Skill，团队把有效的观测方法、参数规则和操作步骤保留下来，形成可复用的任务指南。
仿真结果负责提供验证和反馈。检查是否满足任务要求，再结合专家反馈修改安排。工具和环境返回的结果，成为 Agent 调整策略的依据。
最终形成了「理解目标 → 读取条件 → 调用专业能力 → 执行观测 → 检查结果 → 调整方案并积累经验」的科研闭环。
这就是「AI Native 科研」：围绕 Agent 的执行、验证和迭代能力，重新组织科研流程。科研人员负责提出问题、定义目标、设定约束和作出最终科学判断，专业软件与设备则围绕这些目标被调用。
当执行门槛下降，科研团队就能尝试更多问题
应该说，最近一段时间，AI 科研迎来了一个爆发期。数学圈也被搅得天翻地覆，OpenAI 此前也分享过黑洞模拟的科研案例。
亚利桑那大学计算天体物理学家 Chi-kwan Chan 借助 Codex 改进黑洞周围等离子体的模拟算法。
AI 来生成、实现候选方案，再与已知解比较，研究人员负责检验算法的准确性和物理意义。
独立研究团队 FutureHouse 的 Robin 把类似的循环用到了生物研究中。文献检索和数据分析 Agent 提出药物候选与实验方向；科研人员审核候选、制定操作方案并完成细胞实验，分析结果，继续提出下一轮候选。
这些工作展示了类似的科研方法：让 AI 产生更多可检验的方案，让专业工具和实验返回结果，再用结果推动下一轮探索。
在科研领域，有大量尚未解决的问题，有能够调用的计算工具，也有检验结果的方法。
所以我觉得，各行各业都还有大量「低垂果实」等待采摘。
很多需求一直存在，却因为开发预算、工具门槛和协作成本，长期排不上日程。
随着模型能力提高、AI 产品把执行链路接起来之后，原本需要较多投入的任务，有了启动更快、成本更低的实现方式。
望远镜仿真系统这个案例，就是这种门槛变化的具体体现。
当一个团队能够低成本地验证更多方案，它能够尝试的问题就会增加。组织与上下游的提效，最终转化为科研探索的空间。
写在最后
过去，中国的科研机构和产业团队，已经积累了大量专业设备、软件和行业经验。Agent 为这些能力的组合与调用提供了新的方式。
千问办公这次进入真实天文观测，就展示了国产 AI 产品与科研基础设施结合的具体路径。
我真心觉得，不论是哪个领域的团队，都应该拥抱 AI、尝试 AI。先从一个一直想做、却因为各种原因而搁置的小项目开始，把目标、资料、约束和交付要求交给 AI，看看它能把任务推进到哪一步。
AI 的能力还在提高。那些曾经被归为「太麻烦」「做不起」的需求，值得重新拿出来评估。
把任务交给 Agent 试一试配资股网址，新的工作方式就可能从这里开始。
顺阳配资提示：文章来自网络，不代表本站观点。
相关文章
沪深京指数
热点资讯
