天文学也在抢 GPU：被卡住的不是 AI 热度，而是科研算力

NASA 计划让南希·格蕾丝·罗曼太空望远镜在 2026 年 9 月发射，比原计划提前 8 个月。更关键的不是时间表，而是数据量：Roman 全生命周期预计产出 20000TB，JWST 现在每天约下传 57GB，智利的 Rubin 天文台启动巡天后每晚约 20TB。对照哈勃时代每天 1 到 2GB，旧办法已经扛不住了。

这就是新闻的核心。天文学家开始更多使用 GPU 和 AI，不是因为这个领域突然追潮流，而是数据洪峰已经到了。望远镜看得更深、更广，后端如果还靠 CPU 慢慢跑，很多发现就会淹在数据堆里。

数据已经变了，CPU 不再够用

加州大学圣克鲁兹分校的天体物理学家 Brant Robertson，过去 15 年一直在把 GPU 用进天文学。早年是做超新星爆炸模拟，现在更多是处理新一代望远镜带来的海量观测数据。

他和当时还是研究生的 Ryan Hausen 做过一个深度学习模型 Morpheus，用来在大规模图像里识别和分类星系。这不是摆设。团队用 Webb 数据做早期 AI 分析时，识别出了比预期更多的特定盘状星系，这会直接影响人们对宇宙演化的理解。

Robertson 现在还在升级 Morpheus，把模型从 CNN 转向 transformer。目的很直接：一次处理更大面积的数据，把分析效率再往上拉。

这里还要加一个限制。文中提到的生成式模型，主要是用太空望远镜数据训练，再去改善地基望远镜的观测质量。它不是已经替代硬件，更不是“软件一上，镜子就不重要了”。它更像补偿。硬件上不去，只能让算法尽量多扛一点。

“工欲善其事，必先利其器。”今天这句话在天文学里，器已经不只是望远镜，也包括 GPU 集群。

真正卡人的，是算力供给和预算

我更在意的，不是天文学用了多少 AI，而是谁还能持续买到算力。

Robertson 依靠美国国家科学基金会（NSF）资源在学校建过 GPU 集群，但这些设备已经老化。另一边，更多研究者开始把机器学习拉进日常工作流。需求在涨，机器却不一定跟得上。

问题是，全球 GPU 本来就紧。基础科研不是这轮紧缺的主要原因，但它的出价能力更弱。大学实验室买不过头部 AI 公司，也很难像云厂商或大公司那样高频更新集群。算力一旦市场化，基础科学就会先尝到价格歧视的味道。

这事很像电力和铁路。技术一旦变成基础设施，谁握着供给，谁就决定谁能高效生产。不同的是，今天科研需要的“电”和“轨道”，很多掌握在商业芯片公司、云平台和少数财力雄厚的机构手里。历史不是简单重演，但权力结构确实有相似处。

更麻烦的是财政信号。特朗普政府的预算提案拟将 NSF 预算削减 50%。这还不是已生效事实，但它已经足够让高校和研究团队收紧手脚。前端项目持续放量，后端算力投入却可能承压，这种错配会直接拖慢科研节奏。

受影响最直接的是大学研究团队，尤其是依赖 NSF 资源建设本地集群的人。对他们来说，问题很具体：

• GPU 采购可能延后，先继续用老机器顶着
• 模型路线会更保守，不敢轻易训练更大的 transformer
• 部分任务可能迁到云上，但云算力未必长期负担得起
• 课题会更偏向“算得动”的问题，而不是“最值得做”的问题

这就是我最不买账的地方。很多人会把后面的收缩解释成“研究兴趣变化”或“方法选择调整”，其实更可能只是预算先把题目筛了一遍。学术方向有时看起来像自由选择，背后却是账本在写大纲。

对谁最重要，接下来该看什么

如果你关注 AI 基础设施，这条新闻的重点很清楚：GPU 紧缺已经不只是商业 AI 的供需故事，科研也被卷进来了。它不会主导市场，但会暴露一个更硬的问题：当算力成为通用基础设施后，公共研究是否还能拿到稳定、可负担的配额。

如果你关注科研、航天和科技政策的交叉，这件事同样值得盯紧。大望远镜项目仍在推进，但大学团队未必有同等速度升级分析能力。硬件在天上提速，算力在地上掉链子，最后损失的不是一篇论文，而是整批项目的产出效率。

接下来我会盯三个变量：

对 PI 和实验室管理者来说，动作会很现实：要么延后采购、压缩模型规模，要么更早排队申请共享资源。对学生和博士后来说，影响也不抽象：选题会更看重可计算性，数据管线和模型效率会比过去更重要。对看算力供给的人来说，这说明 GPU 已经像电一样渗进科研底盘；价格、配额和公共投入，都会开始改变知识生产本身。

基础科学过去受制于镜面、火箭和探测器。现在又多了一道门槛：算力。天文学并没有把全球 GPU 变紧张，但它清楚提醒了一件事——当发现越来越依赖计算，科研能力就不再只由望远镜口径决定，也由谁能拿到芯片决定。