北加州的 Allen 望远镜阵列（Allen Telescope Array, ATA）现在可以接受一句自然语言请求，由 AI 代理自主完成望远镜天线指向、射电信号校准与纠错、模型推理与结果绘图。据 NVIDIA 官方博客披露，Breakthrough Listen 与 SETI 研究所已将 Agentic AI 部署进日常外星智慧搜索（SETI）工作流，系统在 NVIDIA RTX PRO 6000 Blackwell GPU 上可处理每秒 2.4 terabits 的数据，推理在本地完成。NVIDIA 博客的原文表述是：该管线已「achieving the first real-time AI detection of a pulsar — a rapidly spinning stellar remnant that pulses like a cosmic lighthouse — in the Crab Nebula」，即据 NVIDIA 博客所称，首次实时以 AI 探测到蟹状星云中的脉冲星。同一篇博客写道：「Agents compress what would take humans weeks or years into hours.」

这件事的意义超出 SETI 本身。它是科学仪器从「脚本驱动」走向「Agent 自主决策」的一个具体范例，而其技术栈——传感器数据直通 GPU 显存、信号处理框架与 CUDA-X 库深度绑定、自然语言编排器统一调度——构成了一套可复用的架构模式。以下逐层拆解。

1. 背景：为什么 SETI 需要 Agent 化

射电望远镜的观测流程看似线性——指向目标、采集数据、离线分析——但实际操作远比这复杂。ATA 由多面天线组成，每面天线的指向、校准、增益补偿都需要独立控制；射电频段的射频干扰（RFI）环境随时间变化，校准参数需要动态调整；而数据量本身构成瓶颈：每秒数 terabits 级的原始传感器流如果全部落盘再离线处理，存储成本与分析延迟都不可接受。

Breakthrough Listen 项目于 2015 年 7 月启动。据 arXiv 上 2026 年 10 月提交的论文《The First Decade of Breakthrough Listen》（2610.07482）摘要，该项目获 Breakthrough Prize Foundation 10 年 1 亿美元资助承诺，是迄今最全面的技术签名（technosignature）搜索计划。在这 10 年间，搜索方法论经历了从人工操作到脚本自动化的演进——笔者判断，Agentic AI 的引入代表了第 3 个阶段：Agent 自主决策。

驱动这一转变的现实需求可以从 ATA 近期的观测任务中看到：据 arXiv 论文（2512.18142），Allen 望远镜阵列曾对星际天体 3I/ATLAS 进行射电技术签名搜索。SETI 研究所官网在 2026 年 6 月 3 日也发布了关于 3I/ATLAS 观测的消息，该页面指出 3I/ATLAS 于 2025 年 7 月被发现，是已知第 3 个来自其他恒星系统的天体。星际天体的窗口期有限，这对望远镜的快速响应能力提出了高要求——而传统的人工排班、手动校准、离线分析流程难以匹配这种节奏。

NVIDIA 博客引述了 SETI 研究所 Bernard M. Oliver SETI 讲席教授、Breakthrough Listen 首席研究员 Andrew Siemion 的话：「As our new agentic observatories reach out into the universe, what they find may have much more in common with themselves than with the humans who created them. But this isn’t something to fear. Rather, it’s a breakthrough in translation.」这句话包含了一个深层假设：如果外星文明存在，它们发出的信号可能本身就是 AI 生成的。NVIDIA 博客提到，部分科学家认为外星文明若存在，可能比人类古老数十亿年（billions of years older），其技术可能包括远超人类的 AI 形式。这意味着 SETI 的搜索对象可能正在从「外星生物发出的信号」转向「外星 AI 发出的信号」——用人类 AI 去监听外星 AI，这是一个认识论层面的转折。

2. 技术拆解：3 层架构，从传感器到推理

NVIDIA 博客披露的技术栈由 3 个核心组件构成，各自对应 Agent 能力的 1 层。

第 1 层：数据摄取——DAQIRI + Holoscan

DAQIRI 是 NVIDIA Holoscan 平台的库，其核心功能是把望远镜每秒数 terabits 的传感器数据直接拉入 GPU 显存（pull terabits per second of sensor data straight into GPU memory）。NVIDIA 博客原文用了一个关键表述：「observations are processed in flight rather than filling hard drives」——数据在途处理，不落盘。这解决了射电天文长期面临的存储瓶颈：NVIDIA 博客写的是系统「can handle 2.4 terabits per second」，即系统可处理每秒 2.4 terabits（注意是 terabits，即万亿比特，非 terabytes）；这是处理能力，不是实际观测数据速率。按笔者估算，2.4 Tb/s × 3600 s = 8640 Tb；按 8 bit = 1 byte 换算，8640 Tb ÷ 8 = 1080 TB ≈ 1.08 PB。也就是说，若按这一处理能力满负荷运行并全部写入硬盘，1 小时的存储需求约为 1.08 PB（笔者估算）。

Holoscan 平台在这里扮演的角色是传感器数据的实时流处理框架，为上层 Agent 提供「活数据」（live data to act on）。

第 2 层：信号处理——CyberEther + CUDA-X

CyberEther 是 SETI 研究所开发的信号处理框架，据 NVIDIA 博客，它使用 NVIDIA CUDA-X 库中的 cuFFT（快速傅里叶变换）和 cuBLAS（基础线性代数子程序）进行计算。射电天文的信号处理高度依赖 FFT——将时域信号转换为频域以识别窄带或宽带特征——而 cuFFT 是 GPU 上 FFT 的标准实现。cuBLAS 则用于矩阵运算，笔者推测可能涉及波束成形（beamforming）或相关器（correlator）计算，但 NVIDIA 博客未就此给出具体说明。

CyberEther 的定位是「做数学」（does the math），即把 DAQIRI 送入 GPU 显存的原始数据转化为可供分析的频谱数据。这一层是计算密集型的，也是 GPU 相对于 CPU 优势最显著的环节。

第 3 层：编排与 Agent 接口——Nexus

Nexus 是 NVIDIA 博客描述的「web-based observatory orchestrator」，充当 Agent 的 harness（线束/框架）。据博客原文，Nexus 的功能包括：

  • 为 Agent 提供仪器状态、计算资源和管线的单一事实来源（single source of truth）
  • 让研究人员用自然语言监控丢包（monitor packet loss）
  • 查看实时频谱图（read live spectrograms）
  • 改写信号处理模块（rewrite signal-processing blocks）

换言之，Nexus 将望远镜的可观测状态和管线操作通过自然语言接口暴露给 Agent 和研究人员。笔者理解，这意味着研究人员可以用自然语言而非传统脚本来完成观测参数的调整，但 NVIDIA 博客未详细说明 Nexus 内部的 API 架构或工具集设计。

据笔者根据博客描述的梳理，3 层叠加后的链路大致是：研究人员用自然语言发出请求 → Agent 经 Nexus 获取仪器状态并操控天线 → DAQIRI 将传感器数据送入 GPU 显存 → CyberEther 做信号处理 → Agent 将 AI 模型应用于数据流并输出结果（博客没有给出 Nexus 内部的任务分解机制）。NVIDIA 博客的总结是：「the system enables an agent to steer a telescope’s antennae, calibrate and focus the instrument for a clean signal, catch and fix data errors and plot the result」。

硬件方面，整个系统运行在 NVIDIA RTX PRO 6000 Blackwell GPU 上，推理在本地完成（inference running on premises, next to the instrument）。笔者认为，每秒 2.4 terabits 的处理能力意味着数据量极大，回传云端可能面临带宽瓶颈，这或许是团队选择靠近仪器本地部署的原因之一。

3. 首个科学验证：蟹状星云脉冲星

NVIDIA 博客称该管线已「achieving the first real-time AI detection of a pulsar — a rapidly spinning stellar remnant that pulses like a cosmic lighthouse — in the Crab Nebula」。需要明确的是，这一表述出自 NVIDIA 官方博客，笔者未在已验证的参考资料中找到独立的同行评审论文对此进行确认。

笔者认为，脉冲星的周期性信号特征明确，适合作为全链路验证的标靶。如果 Agent 能自主完成对该脉冲星的实时探测，说明从仪器控制到信号处理到模型推理的每个环节都在正常工作。

但必须指出的是，探测已知脉冲星与发现未知外星信号之间存在本质差距。脉冲星的信号模式是已知的，模型可以针对性训练；而假设中的外星技术签名的信号特征是未知的——我们甚至不知道应该在频域还是时域、窄带还是宽带中寻找。这使得从「探测已知信号」到「发现未知信号」的泛化能力成为真正的挑战。

4. Breakthrough Listen 10 年与 Agent 化的位置

据 arXiv 论文（2610.07482）摘要，Breakthrough Listen 自 2015 年 7 月启动以来，获 Breakthrough Prize Foundation 10 年 1 亿美元资助承诺，是迄今最全面的技术签名搜索计划。该论文于 2026 年 10 月提交，对项目首个 10 年进行了系统回顾。

从公开信息可以看到 ATA 近年的使用模式：据 arXiv 论文（2512.18142），Allen 望远镜阵列对星际天体 3I/ATLAS 进行了射电技术签名搜索。SETI 研究所在 2026 年 6 月 3 日的官网文章中报道了这一观测，并指出 3I/ATLAS 于 2025 年 7 月被发现，是已知第 3 个来自其他恒星系统的天体。星际天体的特殊之处在于其瞬态性——它们进入太阳系后可观测窗口有限，需要望远镜在较短时间内完成从目标确认到观测执行的全流程。这类需求天然适合 Agent 化：当人类调度员可能需要较长时间来协调观测计划时，Agent 可以在收到触发信号后更快开始执行。

笔者判断，Agentic AI 的引入可以放在 Breakthrough Listen 10 年演进的背景下理解：前期以人工操作和批处理分析为主，中期引入自动化脚本和机器学习管线，而 Agent 化代表了一个质变——系统能根据实时数据和自然语言指令自主决策，而非仅执行预定义的流程。

5. 下一步：开放模型与月球背面

NVIDIA 博客还透露了团队的下一步计划：正在评估包括 NVIDIA Nemotron 在内的开放模型（open models），用于「数据本地性和周转时间最重要的场景」（cases where data locality and turnaround matter most），以及「未来可能在月球背面离线运行的天文台」（observatories that may someday run offline on the far side of the moon）。

博客提到未来天文台可能在月球背面离线运行；笔者理解，离线运行意味着推理必须在本地完成，不能依赖云端。笔者认为，这可能是团队关注开放模型和本地推理能力的原因之一。

NVIDIA Nemotron 作为候选模型被提及。笔者判断，这表明 NVIDIA 正在推动自己的模型进入科学仪器的边缘推理场景，这与 NVIDIA 提供从硬件到平台（Holoscan）到模型（Nemotron）完整栈的策略方向一致。

6. 科学仪器 Agent 化的意义与局限

意义方面，ATA 的案例展示了 3 个可推广的模式：

第 1，自然语言接口降低了操作门槛。传统射电望远镜的操作需要专业的天文仪器知识和编程能力，笔者认为，Nexus 的自然语言界面可能降低操作门槛，使得不具备这些技能的科学家也能更方便地与仪器交互，这对于跨学科协作可能有实际价值。

第 2，实时闭环提升了对瞬态事件的响应能力。如 3I/ATLAS 这类星际天体的观测窗口有限，时间敏感。笔者推测，如果 Agent 能在检测到异常信号后更快调整观测策略，这在时间敏感的观测中可能是优势；但博客没有说明系统是否会在无人决策的情况下自主改变观测计划。

第 3，传感器数据直通 GPU 显存、在途处理不落盘的架构模式，对其他高数据率科学仪器可能有参考价值。笔者设想，粒子物理实验或引力波探测器等领域也面临类似的实时数据处理需求，但这仅为笔者设想，目前在已验证参考资料中没有相关部署的证据。

局限方面，需要正视几个问题：

Agent 幻觉风险。 大语言模型的幻觉问题在科学仪器操控场景中尤其危险。如果 Agent 在解析自然语言指令时产生错误理解，可能导致望远镜指向错误目标、应用错误的校准参数、或对数据做出错误的预处理。NVIDIA 博客没有披露系统的错误处理机制或人类监督层的设计细节。截至本文发布时，已验证参考资料中也没有关于该系统误报率或错误率的公开数据。

信号检测的信噪比挑战。 SETI 搜索的核心难题是在极低信噪比环境中区分潜在的外星技术签名与自然天体物理现象和人为射频干扰。AI 模型在这种场景中的鲁棒性——特别是假阳性率和假阴性率——将直接决定系统的科学价值。可作参照的是，据 SETI 研究所 2025 年 11 月的新闻稿，Breakthrough Listen 与 NVIDIA 此前在 ATA 上部署的、同样基于 Holoscan 的快速射电暴（FRB）检测 AI 系统，比现有流水线准确率高 7%、误报减少近十倍 [6]；但那是另一套检测系统的指标，NVIDIA 博客没有给出本文所述代理系统的误报率或漏报率数据。

认识论悖论。 NVIDIA 博客引述的「外星文明可能比人类古老数十亿年，其技术可能包括 AI 形式」这一假设，引出了一个根本性的认识论问题：如果我们不知道外星 AI 的信号会是什么样子，我们如何训练自己的 AI 去识别它？一个真正「alien」的信号——按定义超出人类已知模式空间的信号——可能恰恰是当前 AI 最容易遗漏的。这是方法论的根本限制。

对 NVIDIA 叙事的审视。 这篇博客发布于 NVIDIA 官方博客，也是产品营销内容——展示 Holoscan、RTX PRO 6000 Blackwell、Nemotron 等产品在前沿科学场景中的应用。博客中「首次实时 AI 探测蟹状星云脉冲星」的表述尚未经过独立的同行评审验证。Data Phoenix 在同日（2026 年 10 月 30 日）的报道中转述了 NVIDIA 博客的内容，但作为二手来源，不构成独立验证。

7. 结语：效率提升之后的真正问题

NVIDIA 博客原文说：「Agents compress what would take humans weeks or years into hours.」这句话描述的是效率提升，而效率提升在科学中的价值取决于它是否能带来新的发现。更快地处理数据、更自动地操控仪器，如果最终搜索的信号模式空间没有扩大，那么加速的只是「更快地确认没有发现」。

真正的突破可能在于 Agent 化带来的另一种可能性：当观测-分析的闭环足够快，科学家可以在一次观测会话中探索更多的参数空间——不同的频率、不同的时间分辨率、不同的指向策略。这种探索能力的提升，而非单纯的速度提升，才是 Agent 化对科学发现的潜在贡献。

Andrew Siemion 说的「a breakthrough in translation」或许是最准确的定位：Agentic AI 是人类与仪器之间的翻译层，也可能成为人类与未知信号之间的翻译层。但翻译的前提是双方都有语言——而我们至今不知道宇宙的另一端是否有人在说话。

NVIDIA 博客以万圣节为主题，提到了「little green men」和「things that go beep in the night」。据 NVIDIA 博客所述，AI 代理在蟹状星云中实时探测到了脉冲星的脉冲——工具的强大从未如此明显，但问题的答案仍然遥远。

主题分类：技术突破

参考资料

  1. Things That Go Beep in the Night: Agentic AI Joins the Search for Extraterrestrial Signals — NVIDIA 官方博客, 2026-10-30
  2. The First Decade of Breakthrough Listen — arXiv, 2026-10-05
  3. A Search for Radio Technosignatures from Interstellar Object 3I/ATLAS with the Allen Telescope Array — arXiv, 2025-12-19
  4. SETI Institute Looks for Signs of Technology in Interstellar Visitor 3I/ATLAS — SETI 研究所, 2026-06-03
  5. NVIDIA details AI agents at Allen Telescope Array — Data Phoenix（二手来源，转述 NVIDIA 博客内容）, 2026-10-30
  6. Revolutionary AI System Achieves 600x Speed Breakthrough in the Search for Signals from Space — SETI 研究所, 2025-11-05