给黑洞拍照的人，开始让 AI 给他出主意了

2019 年 4 月，人类第一张黑洞照片发布。一个橙色的环，糊得像隔着毛玻璃拍的，但全世界都在转发。那天全球六个城市同步开新闻发布会，上海是其中之一。

照片背后是一个叫"事件视界望远镜"（EHT）的国际合作组——把地球上八台射电望远镜拼成一台地球那么大的虚拟望远镜。而把望远镜数据变成那个橙色环的计算管线，有一部分出自一个叫 Chi-kwan Chan 的人之手。

他是亚利桑那大学的天体物理学家，EHT 科学理事会的秘书，圈里人叫他 CK。十几年前他写过一个叫 GRay 的程序，用游戏显卡追踪光子在弯曲时空里怎么走——比当时用 CPU 的同类代码快了两个数量级。2022 年银河系中心那个黑洞 Sgr A* 的照片出来，理论建模和解释工作也是他牵头发表的。给黑洞"拍照"这件事的算力地基，有几块砖是他垫的。

顺带交代一下 GRay 的成色：单块游戏显卡，追踪几十亿个光子在黑洞引力场里的轨迹；EHT 后来拿这类模拟去逐个排除银河系中心黑洞的候选模型——观测给一个环的尺寸，模拟给一堆候选答案，对不上的淘汰。说这些是想先讲清楚一件事：这不是一个不会写代码的人在求助 AI。这是一个把高性能计算写到顶级的人。

上周 OpenAI 发了篇案例，讲他现在怎么工作。

他在让 Codex 给他出主意。

注意这个用词。不是替他写代码——是出主意。代码这种能跑就算数的东西，AI 早就在写了，没什么新闻价值；他让 AI 碰的是更上游的环节：往哪个方向推导，哪条数学路径值得试。这一步，以前默认只有人能干。

几十年没翻过去的墙

黑洞本身不发光。照片里发光的，是它周围的等离子体——被引力拽着以接近光速旋转的电子和离子。想在计算机里重现这锅粥，你得追踪数万亿个粒子。

麻烦出在时间步长上。电子绕着磁力线打转，一圈的周期比天文学家真正关心的宏观物理过程短了无数个数量级。可模拟不敢跳过它——步子一大物理就错了。结果是，超级计算机的算力，绝大部分烧在了陪这些微观粒子转小圈上。

Chan 的原话："几十年来，这限制了我们模拟黑洞等离子体的真实程度。"

这不是堆机器能解决的事。是算法问题——你需要新的数学，让模拟跳过那些小圈，又不丢掉物理。

这堵墙挡住的不只是好看的动画。EHT 的玩法是拿观测跟模拟库对照：望远镜给一个真实的环，模拟库给几十个候选宇宙，对不上的淘汰，剩下的就是黑洞附近物理的答案——爱因斯坦的广义相对论，检验到第一百年还在靠这套流程。模拟不够真实，整个检验的成色就有水分。

出主意的和判卷的

Chan 现在的做法：让 Codex 生成候选算法，一个一个试。

以前这个环节是他自己在数学的可能性空间里手工摸——推一个方案，编码，验证，失败，回头重推。现在 Codex 负责把候选方案批量生出来，他负责让每一个去过物理那一关。

他要的从来不是答案，是候选。这个定位把幻觉问题也顺手消解了——出错的候选本来就该被扔掉，错得新颖的，反而有启发价值。

绝大多数过不了。

没关系。他说："大多数科学想法都会失败。重要的是，这些算法是可检验的。"

这篇案例里最值钱的是另一句话："我们不因为一个想法来自爱因斯坦、来自聪明的学生、或者来自 AI 模型，就接受它。我们只在反复检验之后才接受它。"

爱因斯坦和 AI，在这句话里站在同一个位置上。

出主意的人换了不要紧。判卷的没换——判卷的是物理。

Chan 对 AI 的位置感，拿捏得也很冷静。他说科学可能是 AI 最好的应用场景，理由不是 AI 多懂物理，而是科学的想法可以被严格检验。换个说法：在这条流水线上，AI 不署名，不背书，只供货。荣誉和责任都留在人和方程那一侧。

这大概是我见过的人机分工里，最不拧巴的一种。

有人担心 AI 进科研会污染文献——幻觉混进论文，错误层层引用。这个担心不算多余，但 Chan 那句话其实已经回答了：科学共同体几百年来吸收的本来就是不可靠的贡献者。人也会错，错得还很自信。同行评审、可复现性、反复检验，这整套机制当初就是为"贡献者会犯错"设计的。AI 不过是又一个会犯错的贡献者，而且是高产的那种。

机制比信任可靠。这是科学比商业幸运的地方。

为什么是科研先吃到肉

看完案例我想了想：为什么"AI 出主意"这个用法，在科研里跑得比在商业里顺。

答案可能不在 AI 这头，在检验那头。

等离子体算法行不行，方程和数据说了算，判卷标准硬得像花岗岩。AI 生成一百个主意，错九十九个都无所谓，筛出来那一个是真金——筛子本身可靠，错误就只是成本，不是风险。

商业世界大部分场景没有这种判卷人。一个营销方案、一个产品定位、一份战略分析——AI 同样能一口气给你一百个，但没有方程告诉你哪个对。生成的量翻了倍，筛选还是靠人的判断，靠开会，靠老板的直觉。

同样的 AI，接在硬检验上是加速器，接在软标准上是噪音泵。

差别不在模型，在你的领域有没有那块花岗岩。我们这些做商业 AI 产品的，多数时候是在没有花岗岩的地方假装有——这话说出来不太体面，但是实情。

当然，商业里也不是全无花岗岩。代码编译不编译，A/B 实验的转化数字，月底的对账单——这些环节的判卷人是硬的，AI 在这些地方的产出，人们也确实敢直接用。离这些越远，比如品牌、战略、愿景，AI 给你的越可能只是措辞更体面的噪音。这两年我看到的 AI 落地成败，大半能用这一条解释，剩下的小半，是运气。

还有个值得玩味的细节：这篇案例是 OpenAI 自己发的。实验室们现在不约而同把"科学家用户"推到宣传 C 位——黑洞、蛋白质、数学猜想。当然可以说这是公关选题，但选题本身泄露判断：他们也清楚，科研是 AI 产出最经得起检验的地方。拿最硬的判卷人给自己背书，比拿一百个"效率提升 80%"的企业案例都有说服力。

宣传都挑硬地方站，这是个好趋势。起码说明大家心里清楚什么地方是软的。

Chan 那边，被 Codex 筛过几轮的候选算法，正排队等超算时间。也许其中一个真能解锁等离子体模拟卡了几十年的那一步。也许全军覆没。

他大概不太焦虑。给黑洞拍过照的人，习惯了在十年这个尺度上下注。