AI“星系猎手”加剧全球GPU荒：天文学家如何用算力“捕获”宇宙？

随着新一代空间望远镜陆续投入使用，天文学家正以前所未有的规模处理海量宇宙数据。然而，这一科学探索却意外推高了全球GPU需求，进一步加剧了本已紧张的算力短缺。

三大望远镜带来的数据洪流

2026年9月，NASA将提前8个月发射南希·格雷斯·罗曼空间望远镜（Nancy Grace Roman Space Telescope），预计在其生命周期内产生2万TB数据。詹姆斯·韦布空间望远镜（James Webb）自2021年运行以来，每天下传57GB影像。而智利维拉·C·鲁宾天文台（Vera C. Rubin Observatory）今年晚些时候启动巡天后，每晚将收集20TB数据。相比之下，哈勃望远镜每天仅产生1-2GB数据。

这些“数据怪物”让传统分析方法彻底失效。天文学家必须转向GPU加速的AI与机器学习技术，才能在合理时间内完成处理。

从CPU到GPU的演进

加州大学圣克鲁兹分校天体物理学家Brant Robertson与NVIDIA合作已15年。他见证了分析方式从人工查看少数目标，到CPU大规模分析，再到GPU加速的转变。目前，他正将深度学习模型Morpheus从卷积神经网络升级为Transformer架构（类似大语言模型），以处理更大范围数据并大幅提升速度。

早期利用Morpheus分析韦布数据时，研究人员发现特定盘状星系数量远超预期，这对宇宙演化理论提出了挑战。此外，生成式AI模型正被用于校正地面望远镜因大气扰动造成的图像畸变——因为发射8米级大镜面卫星成本极高。

资源短缺与预算压力

尽管UC Santa Cruz已通过美国国家科学基金会（NSF）建成GPU集群，但面对AI/ML技术爆炸式需求，现有资源已显不足。更严峻的是，特朗普政府提议将NSF预算削减50%，这将进一步限制研究机构获取高端算力的能力。

Robertson表示：“人们想做AI、ML分析，而GPU是真正可行的方式。你必须有创业精神……尤其是当你处于技术前沿时。大学资源有限且风险厌恶，你必须向他们证明‘这就是领域的发展方向’。”

对科研与产业的启示

天文学家对GPU的迫切需求，只是全球算力短缺的一个缩影。随着更多学科采用计算密集型方法，GPU供应紧张的局面短期内难以缓解。这不仅影响科研进度，也倒逼行业加速开发更高效的专用芯片和分布式计算方案。

对于普通科技爱好者而言，这也意味着：未来我们观测宇宙的“眼睛”，将越来越依赖AI与高端算力。科学探索与技术进步，正以前所未有的速度相互推动。

总体来看，AI“星系猎手”们用算力捕获宇宙的努力，既是人类好奇心的延伸，也在无意中加剧了全球资源竞争。如何在有限算力下实现更大科学突破，将成为下一阶段的关键课题。

评论

0 条

登录后才可以发表评论。

立即登录

暂无评论，快来抢沙发。