SETI 的艾伦望远镜阵列由 AI 智能体运行，把分析时间从几周压到几小时

这是第一次，AI 智能体成为一台大型科研射电望远镜的主要运行层——不是协助人类操作员，而是自主指挥这台仪器、解读它的数据流，并决定哪些信号值得深入调查。艾伦望远镜阵列（ATA）是 SETI 研究所在北加州运营的 42 面天线阵列，如今由一套建立在英伟达 Holoscan 平台之上的三层 AI 技术栈来运行，把以前需要数周的任务压缩到了几小时，并实现了对一颗已知脉冲星的首次经确认的实时 AI 探测。

从人工监督的流水线，到智能体驱动的观测

长期以来，ATA 都需要人类操作员来安排观测窗口，手动配置这套 6 米口径天线阵列的波束指向，运行校准流程，并把数据排队等待离线分析。处理积压可能拖上好几周；在存档数据里找出异常信号，可能要花更长时间。这套新的智能体技术栈，通过让 AI 智能体直接、实时地控制这台望远镜，消解了这个瓶颈。

操作员依然会下达指令——但这些指令现在是用自然语言表达的，由Stelline开发的 Nexus 编排器，把这些指令翻译成对望远镜的控制调用。Nexus 让智能体对仪器状态、可用算力和正在运行的处理流水线，拥有一个统一的视图，充当「高层意图」和「底层硬件动作」之间的桥梁。当一个智能体收到扫描某片天区的指令时，它会协调天线指向、波束方向、校准核验和信号处理，中间每一步都不需要人再介入。

支撑实时处理的这套三层架构

在真实望远镜数据上运行 AI，工程上的挑战主要是一个吞吐量问题。ATA 通过它的 100 吉比特以太网连接，以每秒 2.4 太比特的速度产生原始射电数据——这个数据量，让传统的「先写盘再分析」流水线在物理上根本不可行。英伟达 Holoscan用三个紧密集成的组件来解决这个问题。

DAQIRI（数据采集与实时接入）是第一层。作为 Holoscan 库的一部分，DAQIRI 把进来的望远镜数据直接流式写入 GPU 显存，完全绕开磁盘存储。如果没有这种 GPU 直通式的数据接入，每秒 2.4 太比特的数据流会在分析开始之前就把任何存储系统打满。

CyberEther由 SETI 研究所工程师 Luigi Cruz 开发，负责在 GPU 上做实时信号处理。它使用英伟达的 CUDA-X 库——包括用于快速傅里叶变换的 cuFFT 和用于线性代数的 cuBLAS——在数据流到达的同时，对全部数据做相关分析、信道化和频谱分析。CyberEther 是 Cruz 早前 BLADE（Breakthrough Listen 加速 DSP 引擎）软件的继任者，后者目前仍在 ATA 的生产环境中用于波束成形和频谱图生成。

Nexus作为编排与智能体接口层，补齐了整套技术栈。它接收来自 AI 智能体和研究人员的自然语言指令，维护一个统一的运行视图，并向 CyberEther 的处理流水线和望远镜的物理控制系统同时下达指令。最终形成一个持续循环：智能体感知望远镜状态、决定要观测什么、并付诸行动——不需要每一步都有人工交接。

在生产系统上运行这套流水线的硬件，是一台英伟达 RTX PRO 6000 Blackwell 工作站。全部 AI 推理都在加州沙斯塔县的 Hat Creek 天文台本地完成——这是一个刻意的选择，为的是避免云端处理会给每秒 2.4 太比特的数据流带来的往返延迟和带宽成本。

用一个已知信号完成第一次验证

要验证一套用来搜寻从未有人见过的信号的 AI 系统，存在一个明显的难题：当没有一个已确认的目标时，该如何核实探测性能？团队用一个已知的「地面真值」信号来解决这个问题——蟹状星云里的脉冲星，编号 PSR B0531+21。脉冲星是快速自转的中子星，会发出规律、窄脉冲的射电信号，这让它们成为精确、可预测的测试信号，任何探测系统都可以拿它们来做基准测试。

在实际运行期间，这套 AI 流水线实时探测到了蟹状星云脉冲星——SETI 研究所称，这是 AI 系统第一次在原始、未经存档的望远镜数据抵达时，就从中识别出一颗脉冲星。这次探测用的是一个基于 ResNet 的分类器，训练数据是经过消色散处理的时频图，Cruz 曾在 2025 年 7 月的 SciPy 2025 大会上公开展示过这项工作。蟹状星云脉冲星这个结果，证明了这套系统能找到它本来就该找到的东西；但它并不能说明，面对那些没有「地面真值」、全新且未被编目的信号时，这套流水线会表现如何。

对于快速射电暴（FRB）探测——这套流水线同样已经部署在这个场景——Breakthrough Listen 报告称，相比传统处理方法，这套 AI 系统的运行速度快了大约 600 倍，比实时快了 160 倍，同时相比此前的流水线，探测准确率提升了 7%，误报率降低到十分之一。截至本文撰写时，这些数字都是公司自报的，尚未经过外部评估方的独立基准测试。

在 AI 驱动天文台这个新兴格局里，它处于什么位置

ATA 的这次部署，并不是把 AI 直接用于控制科研望远镜的唯一尝试，但看起来是运行层面整合最深的一次。中国国家天文台（NAOC）在 2025 年 11 月的《Communications Engineering》期刊上发表了StarWhisper Telescope——一个基于大语言模型、用自然语言调度望远镜的系统。中国子午工程的JW-ASTClaw为一台太阳望远镜演示了一套多智能体框架。这两套系统关注的都是调度和规划，而不是数据采集与信号处理的实时控制，这把它们放在了一个比 ATA「DAQIRI 到 CyberEther 到 Nexus」技术栈更高的抽象层级上。

ATA 的智能体，运行在整套仪器技术栈的内部——从原始传感器数据进入 GPU 显存，经过实时信号处理，到异常分类与上报——这种集成深度，是此前公开展示过的望远镜 AI 系统都没有达到过的。

SETI 研究所的 Bernard M. Oliver SETI 讲席教授、Breakthrough Listen 首席研究员 Andrew Siemion，在英伟达对这次部署的报道中，给出了一个刻意带有哲学意味的说法：「当我们的这些新型智能体天文台向宇宙深处探索时，它们找到的东西，或许和它们自己有更多共同之处，而不是和创造它们的人类。」

自主科研智能体带来的问责问题

效率上的提升是实质性的。但在一个「单次误报就可能在独立核实之前，引发全球媒体对所谓外星信号发现的报道」的领域里，部署 AI 智能体来自主决定哪些异常信号值得上报，带来了一个此前的望远镜自动化系统都不曾带来的问责缺口。

由国际宇航科学院 SETI 委员会制定的传统SETI 验证协议，描述的是一套明确由人主导的多阶段确认流程：独立确认、通知相关机构、国际协调，这些都要在任何公开宣布之前完成。当一个 AI 智能体自主地把某个信号判定为异常并标记上报时，这个智能体的判断究竟满足了这套协议里的哪一步——以及如果判断错了，责任由谁承担——目前还没有明确的答案。

用蟹状星云脉冲星这样的已知信号来验证这套流水线，解决的是「对可预测的周期性信号源，探测准确率够不够」这个问题。它没有回答，这套系统面对那些真正全新、落在分类器训练分布之外、或者有可能被误判为技术信号特征的信号时，会如何处理。SETI 研究所目前还没有公开描述过一套专门针对「AI 标记的异常信号」的人在回路上报协议。

通向离网和远程天文台的路径

ATA 上这套基于 Holoscan 的技术栈，也被设想为更偏远部署场景的一个模板。SETI 研究所和英伟达正在评估把英伟达 Nemotron开放模型作为未来天文台的基础——这些天文台必须在没有可靠互联网连接的情况下运行，包括（尚属推测）月球背面的仪器，那里与地球的通信会是间歇性的。

此前一次2025 年 10 月宣布的硬件升级，确立了团队正在把英伟达 IGX Thor 平台集成进 ATA 的流水线，扩展现有技术栈的边缘计算能力。从 IGX Orin（2024 年试点）到 IGX Thor（2025 年宣布）再到 RTX PRO 6000 Blackwell（2026 年投入生产）的这一路演进，显示出一种持续的投入方向：不断增加望远镜现场本身可用的算力——把处理环节推向更靠近传感器的位置，而不是依赖把数据传输到中心化服务器。

更具分量的下一步，将是 Breakthrough Listen 和 SETI 研究所团队发表一篇同行评审的技术论文，记录这套系统的设计、脉冲星探测的验证过程，以及 FRB 流水线的基准测试方法。在独立研究者能够审视这些数字并尝试复现之前，ATA 这套智能体技术栈仍然只是一项令人印象深刻、也说得通的工程成就，但其量化的说法依然只建立在开发者自己的报告之上。那篇论文目前还没有发表。