近日，《中国科学报》从中国科学院国家天文台获悉，由国家天文台开发的星语望远镜（StarWhisper Telescope）是一套搭载了AI智能体的望远镜控制系统，能够感知设备状态、理解观测环境、自主规划观测任务，并实时调用望远镜硬件完成观测。

国家天文台台长刘继峰表示，借助星语望远镜的AI智能体，在“司天工程”先导阵列的探索中，已成功发现8颗极早期超新星候选体。“人工智能在天文学中的角色正在从‘帮助科学家分析数据’，进一步向‘参与科研过程和科学装置运行’延伸。”他说。

自2022年底启动相关工作以来，星语望远镜在短短3年多时间里便实现了从数据采集到观测执行的全流程自动化。其优异表现已引发国际关注——美国斯坦福大学以人为本人工智能研究院（Stanford HAI）发布的《AI Index Report 2026》中，星语望远镜相关工作被列入2025年物理、天文、化学和材料科学领域代表性AI智能体（AI Agents）案例。

“司天工程”探路者和原型机。科研团队供图

天文望远镜有了“判断力”

天文学的每一次新发现，都离不开望远镜的观测。过去，望远镜需要人工值守、肉眼盯守。后来，自动化技术逐步取代了人工操作。

据了解，望远镜的自动化系统主要按照预先设定的流程运行，协调镜筒、转台、相机、传感器、控制系统以及天气环境等因素。但是根据固定规则运行的系统无法像人类观测者那样综合判断、动态权衡。一旦天气、设备状态或科学目标发生变化，仍需科研人员人工判断和调整。

在天文科研人员看来，望远镜真正缺的不是自动化，而是“判断力”。

在星语望远镜的赋能下，一项面向未来时域天文学的前沿项目“司天工程”有望具备这种“判断力”。这是一个由数十台米级大视场望远镜组成的分布式监测网络，每30分钟完成上万平方度天区的高精度多色巡天，采样频率比全球其他巡天项目高近两个量级，旨在捕捉宇宙中的瞬变现象与新天体。

国家天文台李瑀旸博士介绍，目前，在“司天工程”探路者和原型机上，已接入星语望远镜的智能体框架。“科研人员只需提出想看什么，剩下的就交给AI智能体。”李瑀旸表示。

例如，科研人员提出想观测早期超新星，智能体便能根据目标优先级、天气和设备状态生成观测方案；再通过不同接口，自动调用相应控制模块，将观测结果反馈给科研人员。8颗极早期超新星候选体正是通过这种方式被发现的，其中2颗还在天气条件允许的情况下触发了后续观测。

难得的是，任务结束后，智能体还会根据执行结果和专家反馈重新规划后续任务，将有效经验沉淀为可复用的技能，下次遇到类似情况就能直接用。

在电脑里造一台虚拟望远镜

那么，星语望远镜的智能体是如何“练”出来的？答案藏在电脑里的一台虚拟望远镜中。

刘继峰表示，近年来，国家天文台主动把握人工智能的发展机遇，持续推进“AI for Astronomy”相关布局，探索人工智能在天文数据处理、科学发现、望远镜控制以及多设备协同观测等环节中的应用。

2022年底，国家天文台人工智能推进委员会（以下简称委员会）组织科研人员系统梳理了天文观测、数据处理和科学研究中的共性需求，推动天文学、人工智能和计算技术等不同领域力量开展跨学科协作。

“大模型能辅助天文数据的处理已是共识。”国家天文台人工智能推进委员会主任罗阿理介绍，“随着大模型的快速发展，大家逐渐相信它能做更多的事——用智能体控制望远镜的想法由此产生。”

近年来，在科研团队的持续努力下，一条涵盖数据采集、处理分析、科学发现、仿真验证、观测执行的完整人工智能科研链条逐步成型。

依托大模型的辅助开发能力，团队在很短时间内完成了核心仿真环境的搭建，并将整体开发成本控制在千元量级。“团队搭建的大口径科研级望远镜的数字化仿真系统相当于在电脑里造了一台虚拟望远镜，让智能体在虚拟环境中反复练习、验证策略，确认无误后再上真机观测。”罗阿理说。

与此同时，科研团队还探索构建了一套将科学模型、环境模型、望远镜控制系统与智能体相连接的系统。该系统将望远镜关键组件、传感器状态和观测环境信息整合为标准化的模型上下文协议（MCP）接口，使智能体能够像人一样“感知”望远镜的状态，并调用不同的工具与设备。

例如，在“司天工程”的探路者中，星语大模型接入后，系统通过“跨巡天对齐时序模型”从多巡天公开数据中识别极早期超新星候选体，再通过“短时局部气象预测模型”综合云量、风速和湿度等实时参数评估观测条件。

在团队看来，大模型不仅能够辅助科学数据分析，而且正在显著改变科研软件和科学装置仿真系统的研发模式。

全新的天文科研范式

值得关注的是，国家天文台的探索并未止步于为单一望远镜搭建仿真系统，他们还在尝试一种全新的天文科研组织和执行方式。

在科研人员看来，仿真系统还有一个重要功能，即它可以在虚拟环境中反复执行观测任务，持续记录设备状态、环境变化、决策过程和执行结果，形成面向望远镜智能控制的高质量训练数据。这些数据将用于进一步训练望远镜控制视觉语言动作（VLA）模型，为未来在真实科学装置上实现更高水平的智能观测奠定基础。

“科研范式正在发生改变，AI在科研中的角色不再只是辅助分析，而是进一步进入科研执行流程本身。”罗阿理表示。

刘继峰期待，随着这一体系逐步完善，科研人员将更多聚焦于提出科学问题、设定科学目标和判断科学价值，而智能体则有望承担越来越多的数据分析、任务规划、工具调用、观测执行和迭代验证工作。

未来，相关成果将陆续上线中国科学院“磐石”大模型平台，以进一步推动天文领域模型、工具与应用能力的共享和复用。