AI星系探测者加剧全球GPU短缺
TechCrunch AI··作者 Tim Fernholz
关键信息
加州大学圣克鲁兹分校的布兰特·罗伯逊团队使用名为Morpheus的深度学习模型识别望远镜数据中的星系；他们正在将该模型从卷积神经网络转向基于大语言模型的Transformer架构以加快处理速度，同时探索生成式AI提升地面望远镜图像质量。
资讯摘要
美国宇航局计划于2026年9月发射南希·格雷丝·罗曼空间望远镜，其一生将产生2万TB的数据。加上詹姆斯·韦伯望远镜每日57GB和鲁宾天文台每晚20TB的数据，天文学家面临前所未有的数据洪流。为应对这一挑战，像布兰特·罗伯逊这样的科学家正转向GPU和AI工具，例如Morpheus——一个用于识别星系的深度学习模型。
该模型正在从卷积神经网络升级为基于大语言模型的Transformer架构以提高效率。罗伯逊还探索生成式AI以改善地面望远镜观测结果。尽管他得到了美国国家科学基金会资助建立了GPU集群，但仍面临硬件过时和特朗普政府可能削减预算的挑战。
资讯正文
NASA宣布，将于2026年9月发射南希·格雷丝·罗曼空间望远镜，比原计划提前八个月。这台新望远镜在其生命周期内预计将向天文学家提供2万太字节的数据。
这将增加目前詹姆斯·韦伯空间望远镜每日下传的57吉字节惊人图像数据——该望远镜自2021年开始工作——以及今年晚些时候智利山区的薇拉·C·鲁宾天文台启动的一项巡天调查，预计每晚收集20太字节的数据。
相比之下，曾经的标杆哈勃太空望远镜每天仅传输1到2吉字节的传感器读数。虽然现在已不再靠人工逐条分析这些数据，但和所有人一样，天文学家如今也转向使用GPU来解决他们的难题。
加州大学圣克鲁兹分校的天体物理学家布兰特·罗伯逊一直亲历这场科学变革，他支持或使用了这些任务的数据。过去15年里，罗伯逊一直在与英伟达合作，利用GPU解决理解宇宙的问题，最初是通过高级模拟测试关于超新星爆炸的理论，现在则致力于开发工具以分析来自最新天文台的海量数据。
他对TechCrunch表示：“我们经历了这样一个演变过程：从观察少数天体，到用CPU对大规模数据集进行分析，再到运行GPU加速的相同分析。”
罗伯逊与当时的研究生瑞安·豪森共同开发了一种名为Morpheus的深度学习模型，能够处理大型数据集并识别星系。他们早期对韦伯望远镜数据的AI分析发现了一大批特定类型的盘状星系，为宇宙演化理论增添了新的复杂性。
如今，Morpheus正在与时俱进：罗伯逊正将其架构从卷积神经网络转向支撑大型语言模型崛起的Transformer结构。这将使模型能够分析当前数倍于现有范围的区域，从而加快其工作速度。
在Disrupt遇见你的下一个投资人或投资组合初创公司
你的下一轮融资、下一个招聘机会、下一个突破性机遇——尽在TechCrunch Disrupt 2026，届时超过1万名创始人、投资者和技术领导者齐聚三日，参加250多场实战研讨、有力的引荐及定义市场的创新活动。立即注册可节省高达410美元。
但他仍然感受到全球对GPU访问需求的压力。罗伯逊利用美国国家科学基金会（NSF）在加州大学圣克鲁兹分校建立了GPU集群，但随着越来越多的研究人员希望将计算密集型技术应用于自己的工作，这套系统已经变得过时。特朗普政府在其当前的预算请求中提议将NSF的预算削减50%。
“人们想要进行AI和机器学习分析，而GPU正是实现这一目标的最佳方式，”罗伯逊表示，“你必须具备企业家精神……尤其是在你处于技术前沿的时候。大学通常非常保守，因为它们资源有限，所以你必须走出去向他们证明，‘看，这就是我们这个领域的发展方向’。”
来源与参考
收录于 2026-04-24