天體物理學家用 Claude 補全星空：首張全天紫外光影像問世

如果你上過天文學入門課，老師大概會給你展示幾張全天星圖。在可見光下，你看得見密密麻麻的恆星；在紅外波段下，銀河系裡聚集的塵埃顆粒一覽無餘；在射電波段下，是恆星誕生的原材料氫氣；到了 X 射線，你看到的是超新星爆發甚至物質掉入黑洞的暴烈景象。

唯獨到了紫外線（UV）這一欄，天文學家每次展示都得先道個歉：圖上全是破洞。因為紫外線會被地球臭氧層吸收，觀測必須靠太空望遠鏡。最大的資料集來自 NASA 的 GALEX 任務，花了十年拍了大約三分之二的天空。但為了保護探測器不被強光燒壞，GALEX 故意避開了恆星最密集的銀道面。

現在，約翰斯·霍普金斯大學天體物理學家、同時也是 Anthropic 研究員的 Brice Ménard，用上了自家的 Claude Science。他讓 AI 協調多個智慧體，首次拼出了一張完整的全天紫外線星圖，把過去人類從來沒測過的三分之一天空全都補齊了。

帶著幾十個智慧體「拼圖修底片」

填補天圖的步驟說起來簡單，做起來卻極度磨人：找全公開資料、校對畫素、拼在一起、把空白補上。以往如果讓人類天文學家純手工去做，需要耗費數週做單個畫素級的校準，還得反覆驗證。在發論文的重壓下，很少有人願意把時間砸在這類繁瑣的「公共服務」上。

Brice Ménard 的做法是給 Claude Science 提出高層指令，由 Claude 組建多智慧體團隊分工幹活。智慧體先從網上搜羅資料，除了 GALEX 的 3.8 萬張切片，還拉來了 NASA 的 Swift、韓國的 FIMS/SPEAR 以及歐洲航天局 Gaia 衛星的觀測記錄。

第一道難關是消除強光干擾。就像夜晚街燈會毀掉手機夜拍一樣，亮星的眩光會蓋過微弱的紫外訊號。智慧體在不同天區平行計算，挨個擦除眩光，並把不同望遠鏡的解析度和座標系拉齊。

在這個過程中還翻了車。Ménard 在審圖時發現最暗的天區裡有一圈圈淺色圓盤，比周圍忽明忽暗。原來是 GALEX 每張圓形視場殘留的微弱地球大氣輝光沒除乾淨，甚至連著矇混過了兩輪內部審閱智慧體。Ménard 指出問題後，Claude 才追溯到根源，花了幾小時重新把 3.8 萬張圖裡的殘留輝光全洗掉了一遍。

腦補三分之一的天空，誤差不到一成

最核心的突破是對未測區域的預測。全天有大約三分之一的地方根本沒有紫外線資料，Claude 採用了影像修復技術（inpainting），但它不是靠「猜」。

雖然那些區域缺紫外光，但人類有那裡豐富的可見光、紅外和射電資料。Claude 通過已經測好的三分之二天空，學習了紫外亮度與其它波段之間的物理關聯。隨後，它把學到的規律推導到空白區域，並給每個畫素打上「測量」或「預測」的標籤，附帶置信度。

為了驗證到底準不準，團隊把已有資料的區域故意扣掉幾塊讓 AI 盲填。經過幾輪迭代，Claude 預測的數值與真實紫外線觀測值的誤差縮小到了 10% 左右，肉眼幾乎看不出區別。最後，團隊還借用 Gaia 衛星在可見光下的資料，把超過 1 億顆恆星對應的紫外光疊加了上去，最終生成了包含遠紫外（154 奈米）和近紫外（232 奈米）的完整圖景。

整張圖裡不僅能看到年輕恆星周圍亮起的星雲、大質量恆星爆炸吹出的巨大塵埃環與氣泡，還能清晰看到銀河系外圍飄散的塵埃纖維，以及銀道面下方格外明亮的大、小麥哲倫星雲。

為什麼重要

對廣大科研人員和資料分析師來說，這件事最大的價值不是一張酷炫的星圖，而是打樣了一種「科研副線」的新解法。過去每個學科都有大量類似的需求：它們極其有用，能惠及整個學界和教學，但因為缺乏原創理論突破，需要大量機械校準，往往長年吃灰。如今只要把規則定義清楚，AI 能在後臺獨立跑上幾個小時甚至幾天，科學家只需要在關鍵節點把關，幾乎不佔用主線研究的時間。

在行業層面，這展示了智慧體（Agents）從單純寫程式碼走向複雜資料管線的真實戰力。Claude 展現出的不是單次對話的聰明，而是自我排程、並行檢索、跨波段多模態推理，以及接受人類單句指正後批次重跑數萬張切片的糾錯能力。這種長鏈路自動化正是下一代科研工具的核心方向。

不過，我們認為這件事也有一個必須警惕的隱患：機器幻覺的隱蔽性。連最基礎的圓形視場拼接瑕疵，都曾輕鬆騙過多輪 AI 審查智慧體，最後還是靠人類專家的肉眼在一片昏暗區域裡揪出來的。如果完全放任智慧體閉環「盲猜」，哪怕打上機率標籤，也可能把系統誤差當成天體特徵保留下來。AI 再懂多模態，也依然需要一位老練的人類舵手在旁邊看著。