AI在天文科研中的能力边界 - AI在天文学大数据时代承担大量重复性、机械性工作，实现对传统科研流程的效率革命 [3] - AI能从传统上被视为噪声的数据中提取有效信号，有望将拉索探测器的灵敏度提升数倍，相当于“再造几个拉索” [4] - AI算法在开普勒卫星数据中挖掘类地行星候选者，将原本需要一个月完成的搜寻信号缩短至一天完成 [4] - AI在大型深海多节点精密设备上能处理复杂深海信号并监控预警探测器健康运行 [4] - AI的运作本质是数据驱动和模式匹配，无法产生人类源于好奇心的探索欲，无法自发地对未知产生追问 [9] - AI目前擅长在既有范式下进行优化，但研究方向的重大突破仍需科学家基于知识积累、学科直觉和想象力来提出 [10] - AI的“黑箱特性”使其难以提供清晰的物理机制，无法解释超新星爆发的物理机制或暗能量的本质 [10] 观测范式与设备设计的智能化变革 - 算力星座计划将AI模型直接部署到太空中卫星上，实现数据实时处理，对暂现源实现快速反应，避免传统模式数小时至数天的延迟 [5] - AI可实现全球望远镜网络的秒级协同响应，例如“GOTTA司天工程”意图通过AI实现全球上百台望远镜的智能调度 [5] - AI的引入使得“计算光学”成为可能，利用算法补偿不完美光学系统误差，以软实力弥补硬件制造能力不足 [11] - 望远镜造价近似和口径的三次方成正比，AI可能使基于“大量小装置+智能算法”的性价比更高科研模式成为未来发展方向 [11] 数据融合与科研门槛的降低 - 利用AI构建智能化“数字宇宙”，未来天文学家只需用自然语言提出需求，AI即可自动融合来自不同望远镜的多波段、多信使数据 [6] - AI大语言模型的识别能力让科研人员无需精通专业SQL数据库查询语言即可轻松获取所需数据产品，大大降低数据使用门槛 [6] 对科研人才培养的影响 - AI能让有想法、有创造力的学生更早接触并解决前沿科学问题，一个博士生配上AI工具可独立承担过去需要一个团队才能完成的工作 [14] - 未来天文学家对AI工具的掌握将如同今天对编程和英语的掌握一样成为必备技能 [15] - AI的便捷性带来思维惰性，学生拿到数据后直接扔给AI模型并采纳结果，不再思考数据背后物理机制，可能导致年轻学者的科学直觉退化 [16] - 过度依赖AI易使学生知识体系空洞碎片化，一旦遇到AI无法处理的非常规问题就束手无策 [16]