NASA 宣布，原定于 2027 年的南希·格雷斯·罗曼太空望远镜将提前约八个月，于 2026 年 9 月发射升空。按照规划，这台新一代太空望远镜在整个服役期内预计会向天文学界回传约 2 万太字节（TB）的观测数据。

与之叠加的，还有已经在轨运行的詹姆斯·韦伯太空望远镜和即将上线的维拉·C·鲁宾天文台。韦伯望远镜自 2021 年投入科学观测以来，每天会传回约 57 吉字节（GB）的高分辨率图像和光谱数据；而位于智利山脉的鲁宾天文台巡天项目计划在今年晚些时候启动，预计每个观测夜将产生约 20 太字节的数据。

作为对比，曾经的“黄金标准”哈勃太空望远镜每天只产生 1–2 吉字节的传感器读数。虽然这些数据早已不再依赖人工逐条检查，但随着观测规模和数据量的爆炸式增长，天文学家和其他大数据领域一样，正越来越多地依赖 GPU 来完成数据处理与分析。

加州大学圣克鲁兹分校的天体物理学家布兰特·罗伯逊亲身经历了这一转变。他在多个重大观测任务中负责支持或使用相关数据，见证了天文研究从“小样本观测”走向“海量数据驱动”的过程。过去 15 年里，他一直与英伟达合作，将 GPU 引入宇宙学研究：最初是利用高性能模拟来检验超新星爆炸理论，如今则转向为最新一代天文台开发大规模数据分析工具。

“我们经历了一个过程：先是只观测少量天体，然后用 CPU 对大规模数据集做分析，再到把同样的分析迁移到 GPU 上加速。”他在接受 TechCrunch 采访时表示。

罗伯逊与当时的研究生瑞安·豪森共同开发了一个名为 Morpheus 的深度学习模型，专门用于对庞大的天文数据集进行精细分析并自动识别星系结构。基于韦伯望远镜早期数据的 AI 分析，Morpheus 发现了大量特定类型的盘状星系，为宇宙演化理论提供了新的观测证据和研究视角。

目前，Morpheus 本身也在升级迭代。罗伯逊正将其从传统的卷积神经网络（CNN）架构，迁移到推动大型语言模型崛起的 Transformer 架构。借助这种新架构，模型一次能够处理的天空区域将扩大数倍，从而显著提升分析效率和处理速度。

除了分类与识别任务，罗伯逊还在尝试基于太空望远镜数据训练生成式 AI 模型，用来提升地面望远镜的成像质量。由于地球大气会扭曲光线，地面观测图像往往存在模糊和畸变，而将口径达八米的大型镜面送入太空在工程上依然极具挑战。因此，通过软件手段增强鲁宾天文台等地面设施的观测效果，被视为当前最现实、性价比最高的替代方案之一。

然而，这一切都离不开强大的 GPU 资源。罗伯逊依托美国国家科学基金会（NSF）的支持，在加州大学圣克鲁兹分校搭建了一套 GPU 集群，用于支撑这些计算密集型研究。但随着越来越多科研人员希望在各自领域引入 AI 和机器学习，这套集群正逐渐显得捉襟见肘、难以满足需求。与此同时，NSF 预算也面临压力，特朗普政府曾在一份预算请求中提议将 NSF 经费削减 50%。

“大家都想做人工智能和机器学习分析，而 GPU 是实现这一切的关键基础。”罗伯逊说，“你必须具备某种‘创业精神’……尤其当你站在技术前沿时更是如此。大学本身非常规避风险，因为资源有限，所以你得向他们证明：‘看，这就是我们这个领域未来的发展方向。’”

随着罗曼太空望远镜、韦伯望远镜和鲁宾天文台等设施持续释放前所未有的宇宙数据洪流，天文学对 GPU 和 AI 算力的依赖只会进一步加深。在全球高性能芯片本就紧缺的背景下，这些“人工智能银河猎人”无疑将成为科研算力竞争中的重要推手。