使用 Claude Code 进行系外行星发现

人工智能驱动的天文发现数据分析

一位用户利用 Claude Code 分析天文遥测数据，识别出一颗潜在的新行星。此案例展示了如何应用智能体式 AI 工具处理原始科学数据，并执行复杂的数据缩减，以识别可能被传统方法忽视的天体。

智能体式 AI 在科学过程中的作用

发现过程依赖于智能体式工作流程，其中 AI 不仅编写代码，还积极参与研究方法。该发现的作者指出，他们“选择了要提出的问题、哪些测试重要、以及什么算作通过/失败”，而 AI 则负责执行和迭代分析。

这种从 AI 作为代码生成器到 AI 作为研究助手的转变，凸显了自主科学发现的潜在路径。其他研究人员也报告了使用 AI 智能体在超导系统不稳定性方面取得进展的类似成功，这表明对科学过程进行后训练模型可以显著加速各个领域的研究。

科学验证与误报风险

尽管最初令人兴奋，但科学界强调，AI 识别的发现并非已确认的发现，除非经过严格的同行评审。主要担忧是“噪声拟合噪声”的风险，即 AI 模型可能在原始遥测数据中识别出实际上是伪影或噪声而非物理现象的模式。

数据缩减中的挑战

天文学中的数据缩减非常敏感。专家警告说，数据缩减中的幻觉可能导致误报。为降低这些风险，提出了几种验证策略：

• 独立验证： 在已知答案的数据上运行分析，以验证 AI 的准确性。
• 阴性对照： 在打乱或随机化的数据上运行相同流程，以确定误报率（AI 在纯噪声中找到多少“行星”）。
• 合成注入： 在真实数据中隐藏假行星，看看 AI 能否成功检测到它们。

社区对科学中 AI 的看法

AI 与公民科学的交叉引发了不同的反应。虽然一些人认为这是科学的民主化，但另一些人则认为，结构化项目——例如 NASA 的 TESS 任务或 ESA 的 CHEOPS 任务通过 Zooniverse——更高效，因为它们将公民贡献整合到正式的同行评审和出版流程中，确保发现得到认可和科学验证。

对“氛围天文学”方法的批评者还指出，AI 生成的报告通常使用戏剧化的语气，暗示公告的严肃性往往超过发现初期阶段提供的科学证据。