国家天文台接入千问AI智能体，重塑天文望远镜观测调度

天文观测往往给人带来无尽的浪漫想象：巨大的穹顶缓缓开启，镜筒对准数亿光年外的微光，探测器记录下超新星爆发或中子星合并的瞬间。

然而在真实科研中，望远镜操作极其繁琐。在国家天文台兴隆观测基地，冬季值班常超过十小时，科研人员需彻夜守着设备，监测天气、目标位置与软硬件状态，随时调整参数。

对于超新星等无法预警的瞬变源，早期亮度和光谱变化剧烈，关键特征可能在几小时内消失。一旦预警系统弹出极早期候选目标，科研人员必须在极短时间内判断：该目标是否值得跟踪、是否处于观测窗口、天气与设备能否满足，以及如何调整原有观测排期。

为突破瞬变源调度的瓶颈，国家天文台科研团队基于千问办公的 Agent Harness 工具链展开了全新实践。团队仅耗时不到 3 天、花费千元级成本，便搭建出一套科研级望远镜仿真环境。望远镜组件与传感器接口被封装为 MCP（模型上下文协议），AI 智能体可直接读取设备状态与观测条件。随后，该框架已接入面向时域天文学的「司天」工程探路者及原型机。

望远镜自动化演化：为何需要引入 AI 智能体？

望远镜的自动化发展历经数十载，主要包含三个环节：发现异常、分析异常与资源调度。

目前资源调度已具备一定成熟度。例如 Las Cumbres 天文台已将分布在 7 个站点的 27 台机器人望远镜统一协同，中央系统动态根据天气与可见性重新排班。在异常发现方面，薇拉·鲁宾天文台（Vera C. Rubin Observatory）预计每夜可产生高达数百万条告警，探测到变化后能在数分钟内向全球发布。

然而，候选目标呈几何级数增长，后随观测设备的机时却依然稀缺。如何快速筛选高价值目标并权衡设备调度，成为最大的瓶颈。

国家天文台团队自 2025 年起便尝试使用 AI 技术。其与兴隆基地联合研发的「星语望远镜」（StarWhisper Telescope）以通义千问为基座大模型，将观测规划、望远镜控制与数据处理集成于一体，入选了斯坦福大学 HAI《AI Index Report 2026》科学领域的代表性 AI 智能体项目。

固定的自动化工作流虽能处理常规任务，但面对复杂多变的天气、设备波动与临时出现的稀缺天象，仍需人工频繁干预。由于 AI 智能体具备在运行时自主调用工具、根据反馈动态决策的能力，团队决定将其推向望远镜控制的核心层。但随之而来的难题是：科研望远镜运行成本极高且经不起误操作，新的控制算法无法在真实设备上直接试错。

3 天低成本搭建仿真望远镜

主流十米级地面光学望远镜单小时运行成本可达数万元，且电机、转台、相机紧密联动，试错风险极高。在千问办公的协助下，团队决定先为 AI 智能体打造一套高精度仿真环境。

传统仿真开发周期通常长达数月，花费数万元。而国家天文台团队通过大模型协助，将周期压缩至 3 天左右。

仿真环境首先打通了全流程数据链路：当系统接收到超新星候选信号后，专业模型快速评估演化阶段，天文学工具计算可观测窗口，气象接口返回环境数据，设备端反馈就绪状态。AI 智能体汇总各类数据后，自主规划观测波段、曝光时间与执行队列，并通过 MCP 协议驱动虚拟设备模拟转台指向与曝光。

在底层设计上，系统设定了机械限位、安全参数与强制停止机制，重要环节保留人工确认，验证有效的操作会被沉淀为复用技能（Skill）。随后，团队进一步引入真实设备运行日志，模拟电机在不同工况下的运动延迟与硬件响应。

有了仿真环境，科研人员可以在面对多目标冲突、突发恶劣天气或硬件异常时，同时演练多种调度策略，极大减少了决策成本。

接入「司天」工程：从模拟走向实测夜空

演练方案成熟后，该套架构正式进入实战阶段。

在发现端，团队训练了跨波段光变基座模型，融合不同望远镜的多波段数据，提高时间采样密度，以更早捕获瞬变初期信号。

在观测端，千问办公驱动的智能体随着候选目标出现实时并行运转。科研人员在接收到告警的第一时间，即可同步查看目标阶段、当前观测条件以及系统给出的候选调度建议。目前该系统已接入「司天」探路者与原型机，成功预警约 8 颗极早期超新星候选体，并促成了 2 次实测跟踪。

单台望远镜调度仅仅是第一步，真正的考验在于未来的望远镜阵列。「司天」工程（GOTTA）作为我国面向时域天文学的大型分布式巡天项目，已入选联合国教科文组织「科学十年」计划，规划部署百余台 1 米级望远镜对全天区实施高频监测。在由百台设备构建的庞大网络中，如何实现巡天与定点跟踪的动态协同，离不开自主高效的 AI 智能体体系。

从日常办公自动化跨越到深空瞬变源观测，AI 智能体正将繁复的多系统流转与参数微调工作接管。对于穿越数百万年才抵达地球的微弱星光，哪怕仅节省一分钟的决策时间，都为人类捕捉宇宙极端事件创造了不可估量的科学价值。