天体物理学家用 Claude 补全星空：首张全天紫外光图像问世

如果你上过天文学入门课，老师大概会给你展示几张全天星图。在可见光下，你看得见密密麻麻的恒星；在红外波段下，银河系里聚集的尘埃颗粒一览无余；在射电波段下，是恒星诞生的原材料氢气；到了 X 射线，你看到的是超新星爆发甚至物质掉入黑洞的暴烈景象。

唯独到了紫外线（UV）这一栏，天文学家每次展示都得先道个歉：图上全是破洞。因为紫外线会被地球臭氧层吸收，观测必须靠太空望远镜。最大的数据集来自 NASA 的 GALEX 任务，花了十年拍了大约三分之二的天空。但为了保护探测器不被强光烧坏，GALEX 故意避开了恒星最密集的银道面。

现在，约翰斯·霍普金斯大学天体物理学家、同时也是 Anthropic 研究员的 Brice Ménard，用上了自家的 Claude Science。他让 AI 协调多个智能体，首次拼出了一张完整的全天紫外线星图，把过去人类从来没测过的三分之一天空全都补齐了。

带着几十个智能体「拼图修底片」

填补天图的步骤说起来简单，做起来却极度磨人：找全公开数据、校对像素、拼在一起、把空白补上。以往如果让人类天文学家纯手工去做，需要耗费数周做单个像素级的校准，还得反复验证。在发论文的重压下，很少有人愿意把时间砸在这类繁琐的「公共服务」上。

Brice Ménard 的做法是给 Claude Science 提出高层指令，由 Claude 组建多智能体团队分工干活。智能体先从网上搜罗数据，除了 GALEX 的 3.8 万张切片，还拉来了 NASA 的 Swift、韩国的 FIMS/SPEAR 以及欧洲航天局 Gaia 卫星的观测记录。

第一道难关是消除强光干扰。就像夜晚街灯会毁掉手机夜拍一样，亮星的眩光会盖过微弱的紫外信号。智能体在不同天区并行计算，挨个擦除眩光，并把不同望远镜的分辨率和坐标系拉齐。

在这个过程中还翻了车。Ménard 在审图时发现最暗的天区里有一圈圈浅色圆盘，比周围忽明忽暗。原来是 GALEX 每张圆形视场残留的微弱地球大气辉光没除干净，甚至连着蒙混过了两轮内部审阅智能体。Ménard 指出问题后，Claude 才追溯到根源，花了几小时重新把 3.8 万张图里的残留辉光全洗掉了一遍。

脑补三分之一的天空，误差不到一成

最核心的突破是对未测区域的预测。全天有大约三分之一的地方根本没有紫外线数据，Claude 采用了图像修复技术（inpainting），但它不是靠「猜」。

虽然那些区域缺紫外光，但人类有那里丰富的可见光、红外和射电数据。Claude 通过已经测好的三分之二天空，学习了紫外亮度与其它波段之间的物理关联。随后，它把学到的规律推导到空白区域，并给每个像素打上「测量」或「预测」的标签，附带置信度。

为了验证到底准不准，团队把已有数据的区域故意扣掉几块让 AI 盲填。经过几轮迭代，Claude 预测的数值与真实紫外线观测值的误差缩小到了 10% 左右，肉眼几乎看不出区别。最后，团队还借用 Gaia 卫星在可见光下的数据，把超过 1 亿颗恒星对应的紫外光叠加了上去，最终生成了包含远紫外（154 纳米）和近紫外（232 纳米）的完整图景。

整张图里不仅能看到年轻恒星周围亮起的星云、大质量恒星爆炸吹出的巨大尘埃环与气泡，还能清晰看到银河系外围飘散的尘埃纤维，以及银道面下方格外明亮的大、小麦哲伦星云。

为什么重要

对广大科研人员和数据分析师来说，这件事最大的价值不是一张酷炫的星图，而是打样了一种「科研副线」的新解法。过去每个学科都有大量类似的需求：它们极其有用，能惠及整个学界和教学，但因为缺乏原创理论突破，需要大量机械校准，往往长年吃灰。如今只要把规则定义清楚，AI 能在后台独立跑上几个小时甚至几天，科学家只需要在关键节点把关，几乎不占用主线研究的时间。

在行业层面，这展示了智能体（Agents）从单纯写代码走向复杂数据管线的真实战力。Claude 展现出的不是单次对话的聪明，而是自我调度、并行检索、跨波段多模态推理，以及接受人类单句指正后批量重跑数万张切片的纠错能力。这种长链路自动化正是下一代科研工具的核心方向。

不过，我们认为这件事也有一个必须警惕的隐患：机器幻觉的隐蔽性。连最基础的圆形视场拼接瑕疵，都曾轻松骗过多轮 AI 审查智能体，最后还是靠人类专家的肉眼在一片昏暗区域里揪出来的。如果完全放任智能体闭环「盲猜」，哪怕打上概率标签，也可能把系统误差当成天体特征保留下来。AI 再懂多模态，也依然需要一位老练的人类舵手在旁边看着。