我们对于 AI 最大的两个误解，一是在于它离大众很远；二是在于它离小众也很远。

前者很好理解，我们的衣食住行用看起来有所进步，但仿佛和 AI 关系不大，毕竟也没有餐厅说自己是 AI 餐厅，衣服是 AI 外套，但实际上，在生产和服务过程中，AI 的作用已经相当大了，小到外卖派单，大到供应链管理，其中都有 AI 的用武之地。

后者呢，在某某细分领域，比如天文学研究，再细分一下，寻找脉冲星领域，一般人可能这个领域太小众了，AI 还没有到三百六十行，行行精通的地步，所以会认为 AI 离小众也很远。

实际上，技术日新月异，但人的认知迭代往往还没这么快。

在前几日的 2021 世界人工智能大会上，腾讯与国家天文台合作的「探星计划」宣布正式启动—— 基于优图实验室计算机视觉技术、腾讯云领先的计算及存储能力，帮助中国天眼 FAST 提升脉冲星搜索效率，并辅助快速射电暴和近密双星系统中脉冲星搜索，助力天文探索。

FAST 是当今世界最大的单口径射电望远镜、全称为 500米口径球面射电望远镜。作为国家重大科技基础设施，位于贵州平塘的中国天眼于 2016 年 9 月建成启用，进入调试期；2019 年 4 月通过工艺验收并向中国国内天文学家试开放；2020 年 1 月通过国家验收，正式开放运行。今年早些时候，FAST 正式向向世界开放，接受全球科学家的观测申请。

当时，FAST 首席科学家、国家天文台研究员李菂表示：

我们的主要目标是让全人类看得更远，中国天眼的开放是一个必然。

看似风马牛不相及的计算机视觉技术，与世界第一的 FAST 就此发生了联系。

作为世界上最灵敏、单口径最大的射电天文望远镜，中国天眼 FAST 工程的核心目标在于搜寻与发现射电脉冲星。脉冲星被称作宇宙中的灯塔，对其进行研究，有望得到许多重大天体物理学问题的答案。然而，由于脉冲星的信号暗弱，易被人造电磁干扰淹没，需要借助具有极高灵敏度的 FAST 望远镜来进行探索与观测，即科幻电影中常见的「星图定位导航」。

FAST 在 1 周内产生的数据大约相当于 3000 万张信号图，如果以人工肉眼处理，按照 1 张/秒速度，在不吃不喝不休息的条件下，需要用一年的时间才能处理。如果通过 AI 预筛选，只需要 3 天时间就可以完成。在一些细分工作上，AI 的效率要大大高于人类。

实际上，在此之前，天文学研究当中就已经用上了 AI，毕竟 AI 的定义相当广泛，不一定是终结者那样的机器人，机器学习和计算机视觉都算 AI。

中国科学院国家天文台研究员、FAST 首席科学家李菂说：

我觉得现在谈（天文里的）机器学习或深度学习，就好像 20 年前问我们天文（研究）里面用不用电脑是一样的，我们现在几乎每一篇论文里面都有机器学习的内容。

一方面，，天文学能够推动人类的认知，以及对技术提更高的需求，从这个需求来说，天然地，天文学就会亲近最新的技术，其中自然包括人工智能。另一方面，和金融投资或者广告游戏这样来钱快的行业不同，天文学研究不会直接产生效益，加上天文学研究领域比较缺乏 AI 一线的，底层做开发的能力，就有了主要使用现有工具，但很少有专门 AI 开发商去为天文学研究特意开发 AI 工具的现状。

而在今年 5 月的时候，李菂在 2021 中国国际大数据产业博览会上说，FAST 巡天实际上是用比较快的观测模式，既要附带整个 FAST 可视天空，又要同时获取银河系的气体，实时的数据流量每秒 6GB，这就已经超过普通硬盘读写速度，一年应该是 10PB，基本上是在现有构架基础上可以处理的极限了。FAST 在观测中取得重要进展的同时，面临的最大挑战是数据处理。

并且，当 AI 和天文学发生耦合的时候，两门艰深的科学对之间的合作也提出了相当高的要求。李菂也坦言，他们愿意跟有专业背景和构架的单位进行合作。不过这种合作不是一蹴而就，效果立竿见影的，他说：

跟腾讯优图的合作，一开始总有一些学习的门槛和曲线......等于是对研发的人员提了一些不太合理的要求，来了解我们干什么，但是这个阶段进行得很快，最近已经有脉冲星的发现，这是实打实的科学成果，我们还是非常兴奋。

在腾讯这边，在帮助 FAST 团队提升效率之前，也会遇到自己的难点，腾讯优图实验室副总经理黄飞跃说：

AI 探星是有一些难点。第一个难点，做深度学习最核心的要有海量的已经有标注的数据作为训练数据，拿训练数据调整优化我们的模型。天文里面有标注的训练数据相对偏少的状态，这时候我们用来训练可能会存在一些困难；第二个难点，同样的天体信号用不同的望远镜、设备观测，得到的数据、展现形式不完全一样。这两个难点我们也基于原来比较好的积累，不管做人脸、人体检测、工业检测等等，针对海量数据，缺少标注的数据我们是有一个自监督的学习方法，这样的话无标注自监督的方案，对于有标签数据的依赖会大大减少；另外对不同场景，不同的设备拍出来的数据有一个跨域学习的概念，不同的设备数据也是可以整合起来统一来帮助我们训练过程。

由此可见，虽然 AI 在天文学研究早已经运用起来了，但是更垂直更专业的应用其实还在刚刚起步的阶段，对于目前的需求，李菂认为近期目标已经完成，已经实打实地看到了结果。而在中长期目标上，李菂看到的是在整个天文学研究流程中有许多可以通过 AI 进行改进的地方，对于志在开拓 ToB 市场的大厂来说，这是难度和荣光并存的领域。