周一 · 知古通今|周二 · 牧夫?qū)?/p>

周三 · 風月同天|周四 · 觀測指南

周五 · 深空探測|周六 · 茶余星話|周日 · 太空探索

主譯：遠山真理

校對：suu

審核：牧夫天文校對組

美編：余家勁

后臺：王啟儒

原作：

Hiranya V. Peiris, “Large language models are not the problem”, Nature Astronomy volume 10, pages472–474 (2026)

前言

如果一個大語言模型（LLM）能夠復制你的科學貢獻，那么問題不在于 LLM。

為什么我們這個領(lǐng)域中如此多關(guān)于人工智能的焦慮，都歸結(jié)為害怕機器能夠完成我們的工作？也許這說明，我們本該做得更好。

“復制人和其他機器沒有區(qū)別——它們要么是有益的，要么是危險的。如果它們有益，那就不是我的問題。”

——Rick Deckard，《銀翼殺手》（1982）

在 Ridley Scott 的電影《銀翼殺手》中，Deckard 的工作是追捕失控的人工生命體——“復制人”（replicants），這些生物已經(jīng)幾乎無法與真人區(qū)分。他說出這句話時帶著一種疲憊而篤定的自信，仿佛問題已經(jīng)有了答案：如果工具是有益的，那就不必擔心。當然，很快這件事就變成了他的麻煩。整部電影都在探討這樣一個問題：當工具與主體之間的界限不像人們原先以為的那樣清晰時，會發(fā)生什么？

目前天體物理學界正圍繞大語言模型展開熱烈甚至有些夸張的討論。我一直關(guān)注著這場討論，因為我恰好就在許多人焦慮的那個領(lǐng)域工作。我的研究團隊構(gòu)建星系群體的生成模型，并開發(fā)面向大規(guī)模測光巡天的機器學習方法。我們使用機器學習并非把它當作黑箱，而是把它當作一種創(chuàng)造性的工具。它讓我們能夠完成過去根本做不到的事情。我自己也經(jīng)常直接使用 LLM，后面我會介紹具體方式。我沒有發(fā)現(xiàn)這讓我成為一個更差的科學家——恰恰相反。

但這篇文章真正討論的并不是 LLM。它討論的是：圍繞 LLM 的焦慮究竟揭示了什么。這些工具的出現(xiàn)，把科學實踐、評價標準以及激勵機制中長期存在的問題暴露得更加明顯，諸如：論文工廠（paper mills）；缺乏創(chuàng)新的增量研究；重數(shù)量輕質(zhì)量的文化；領(lǐng)域知識的不斷流失。這些問題都早于 ChatGPT 的出現(xiàn)。它們并不是 AI 造成的，它們是我們組織和獎勵科學工作的方式所造成的。LLM 只是讓這些后果變得更難忽視而已。

特權(quán)與科研實踐

我們每位科學家的工作，都嵌入在人類共同編織的宏大敘事之中——關(guān)于宇宙以及我們在其中的位置。我始終覺得，能夠領(lǐng)取薪水去從事讓我如此快樂的工作，是一種非凡的特權(quán)。因此，我也欠社會一筆債。納稅人、慈善基金會以及個人捐贈者之所以資助天體物理學研究，是因為他們相信這項工作有價值。這種特權(quán)既不是永久的，也不是無條件的。無論人們從事天體物理學的動機是什么，能夠因此獲得報酬本身就是一種幸運。而與這種幸運相對應(yīng)的責任，就是把工作做好。正是這種信念塑造了我看待 LLM 的方式。

我是 X 世代的一員——經(jīng)歷了從模擬時代向數(shù)字時代轉(zhuǎn)變的一代。因此，對我而言，擁抱新技術(shù)從來不是可選項，我也從未希望它成為可選項（譯者注：而是必選項）。在職業(yè)生涯中，我多次改變研究方向。最近一次，當我的團隊開始進入機器學習領(lǐng)域時，我又一次成為徹頭徹尾的新手。每一次轉(zhuǎn)型都要求我學習新的思維方式，但沒有一次讓科學變差。相反，它們都讓科學變得更好。

我實際上如何使用 LLM

當前的很多討論，把 LLM 在科研中的各種用途混為一談。我認為有必要具體說明自己的實踐。多年來，我一直依賴與值得信任的人討論問題來磨煉思維。優(yōu)秀的討論伙伴會提出你從未想到的問題；或者發(fā)現(xiàn)你以為無懈可擊的論證中的漏洞。我發(fā)現(xiàn)現(xiàn)代 LLM（我主要使用 Claude）能夠扮演類似角色。

當然，它不能替代真正的人類同事。但它可以成為一個隨時可得的“第一輪討論對象”：幫助檢驗論證；發(fā)現(xiàn)推理漏洞；快速探索陌生領(lǐng)域。然后我再把經(jīng)過整理的想法拿去與真正的合作者討論。這些交流不會直接進入我的數(shù)據(jù)分析，它們進入的是我的思考過程。而思考本來就是它們應(yīng)該存在的地方——沒有人要求你公開每一次走廊里的學術(shù)討論記錄。

我的團隊成員也使用 AI 輔助編程工具，但生成的代碼從來不會被直接信任。它們會像任何團隊成員寫出的代碼一樣，經(jīng)過驗證測試， 同行審查，然后納入代碼倉庫。 經(jīng)過驗證后的代碼，其可重復性和可檢查性與純手工編寫的代碼完全一樣。

有人擔心：“LLM 不會對同一提示詞？給出完全相同的答案?！边@種擔憂只在 LLM 輸出本身就是最終科研成果時才成立。如果 LLM 的輸出只是中間步驟，那么其非確定性并不比人類思維的非確定性更具有科學意義。

但是，我確實認同一種擔憂，如果未來出現(xiàn) AI 系統(tǒng)，能夠設(shè)計科研項目，執(zhí)行研究，撰寫論文，自動投稿，而幾乎沒有人類監(jiān)督，那么科學事業(yè)的核心——人類為關(guān)于自然界的主張承擔責任——就會受到威脅。這是一個真實而嚴肅的問題。但當前討論的問題在于：很多原本只適用于這種極端情形的焦慮，被錯誤地投射到了普通的 LLM 使用上。

LLM 揭示了什么

很多人擔心 LLM 會向文獻中灌入大量低質(zhì)量論文。這種擔憂并非毫無根據(jù)，但它忽略了關(guān)鍵事實——天體物理學文獻早在 LLM 出現(xiàn)之前就已經(jīng)存在質(zhì)量問題：

· “發(fā)表或淘汰”（publish or perish）；

· 引用數(shù)作為影響力指標；

· 論文數(shù)量作為生產(chǎn)力指標；

這些激勵機制幾十年來一直在制造增量式研究，缺乏驗證的代碼，甚至錯誤的論文。 同行評審體系早已不堪重負。論文工廠不是 AI 發(fā)明的，而是人類發(fā)明的。

許多人默認為，在天文學中創(chuàng)意很廉價，真正限制科研的是把創(chuàng)意變成論文所需的時間。我認為恰恰相反，科學家最困難的工作不是執(zhí)行，而是判斷哪些問題值得研究。同樣重要的是：哪些論文根本不應(yīng)該寫。

我在關(guān)于博士培養(yǎng)的一篇文章中曾寫道：科學家最重要的能力之一，就是抵抗讓自己一直忙碌的壓力，允許自己發(fā)呆和自由聯(lián)想，從而發(fā)現(xiàn)那些真正值得花費數(shù)年時間去研究的問題。

文獻中充斥的大量增量論文，并不意味著我們擁有太多好點子而執(zhí)行能力不足。恰恰說明：我們已經(jīng)讓“執(zhí)行”取代了“思考”。

“數(shù)據(jù)科學天體物理學家會失業(yè)嗎？”

有人擔心，如果 LLM 能夠設(shè)計分析方案，寫代碼，跑數(shù)據(jù)，寫論文，那么數(shù)據(jù)科學型天體物理學家還剩下什么價值？我認為這種擔憂本身就是一個診斷工具。如果一個研究者的貢獻真的能夠被一個不理解物理學的統(tǒng)計系統(tǒng)完全復制，那么這種工作從一開始就不夠科學。

最優(yōu)秀的數(shù)據(jù)科學天體物理研究始終深深植根于領(lǐng)域知識。例如我的團隊構(gòu)建星系群生成模型時，真正重要的決策都是天體物理問題。這些決策依賴于多年積累的數(shù)據(jù)與理論直覺。LLM 真正能夠復制的，往往是那些機械性的工作：

· 用舊方法分析新數(shù)據(jù)；

· 調(diào)超參數(shù)；

· 寫出“我們在數(shù)據(jù)集 Y 上重復了 X 的工作”的論文。

這種研究本來就缺乏科學深度。

我們對學生的承諾

當我回顧職業(yè)生涯時，最重要的并不是論文或榮譽，而是人——導師、學生和博士后。招收一名博士生，是學術(shù)界最嚴肅的承諾之一。你的責任不僅僅是教會技術(shù)。而是幫助一個人成長為科學家。包括：清晰思考；提出好問題；面對失??；精準表達；培養(yǎng)判斷力。

然而當前學術(shù)體系的問題是：博士生數(shù)量大幅增加，教職崗位卻沒有同步增長。結(jié)果是，培養(yǎng)人數(shù)遠超吸納能力，許多人訓練不足，經(jīng)歷多年不穩(wěn)定的博士后階段最終被迫離開學術(shù)界。

這同樣不是 LLM 造成的，而是我們建立的激勵機制造成的。一個擁有大額經(jīng)費的 PI 可以不斷招收學生。因為：更多學生 → 更多論文 → 更多引用 → 更容易獲得下一輪經(jīng)費。但導師投入到每位學生身上的時間必然被稀釋。學生學到的是執(zhí)行，而不是思考。論文數(shù)量增加了，理解卻沒有增加。

中間道路

當前討論中缺失的關(guān)鍵區(qū)別是：自動化天體物理學（automating astrophysics）與增強天體物理學家（augmenting astrophysicists）之間的區(qū)別。自動化意味著——讓系統(tǒng)代替我們做科學。這確實令人擔憂，因為它消除了人類理解世界這一核心過程。而增強意味著——給科學家更好的工具。

望遠鏡如此，計算機如此，LLM 也是如此。前提是：使用它的人真正理解科學，并愿意對結(jié)果負責。

結(jié)語

Deckard 最終錯了。不是因為復制人危險，而是因為他誤解了問題本身，問題從來不是機器。問題是——

什么樣的社會創(chuàng)造了這些機器，以及為什么創(chuàng)造它們。

LLM 也是如此。它們并不是天體物理學的威脅，但它們像一面鏡子，照出了這個行業(yè)并不光彩的一面：

· 扭曲的激勵機制；

· 導師制度的退化；

· 用論文數(shù)量代替思考；

這些問題屬于我們，不屬于機器。解決它們也是我們的責任，一直如此。

責任編輯：甘林

牧夫新媒體編輯部

『天文濕刻』 牧夫出品

微信公眾號：astronomycn

土星之夜

圖源：NASA, JPL-Caltech, Space Science Institute, Mindaugas Macijauskas

謝謝閱讀