天文學家Kevin Schawinski在研究黑洞對星系構成的影響上花了大量時間。面對海量龐雜的數據分析工作，他往往感到束手無策。他嘗試利用人工智能技術代替人力分析，卻又受限于自己編程知識的不足。

　　正當Schawinski為難之際，他在蘇黎世聯邦理工學院（ETH Zurich）的同事給了計算機科學家Ce Zhang的聯系方式。“你們應該談一談”，那名同事說。很快，Schawinski便跟Ce Zhang合作，并將前沿機器學習技術帶到天文學研究中來。最近他們發布了第一項成果：一個將望遠鏡捕捉到的模糊圖像變清晰的神經網絡系統，以使科學家能夠更好地分析圖像中的細節。

　　Schawinski跟Zhang的項目僅僅是近年天文學研究技術發展的冰山一角。智能系統在辨認，分類和分析上的工作能力上遠勝于人類。在不久的將來，機器學習會成為天文學家最常用的輔助工具之一，而不局限于分析數據這樣的幕后工作。

　　在Schawinski和Zhang的初期的研究里，他們用大量的貓科動物照片來訓練神經網絡，“教”系統辨認貓的特征。經過學習，這套系統很快掌握了技巧并可以迅速還原一張模糊的貓照片。他們命名這套系統為GAN，取自Generative Adversarial Network（生成式對抗網絡）的縮寫。這套系統由兩組對立的神經網絡構成。在訓練中，一組神經網絡會接收一張模糊的天文圖像和清晰的原圖，并盡力修復模糊的那張，使其接近原圖的效果。另一組網絡則負責對比修復好的圖像與原圖，找出兩者的區別。除了宇宙的照片以外，研究人員還會讓系統給被毀容的人們的照片做“整容手術”。

　　GAN系統揭露了當前的射電望遠鏡都不夠靈敏清晰的事實，尤其在捕捉新生恒星的圖像的時候。“我不想把它表現成俗套的‘圣杯’造型”，Schawinski說， “但是在天文學的研究中，你往往想要把圖像修復得比實際要好看”

　　當被問到他們下一步打算用神經網絡系統做什么的時候，Schawinski對Zhang說“我們還有什么沒有公開的嗎？“這讓我意識到，他們的目的不僅僅是修復天文照片那么簡單。他們兩人稱短期內沒有具體的計劃（或是他們并不愿意透露），但長期來看，這些機器學習技術會為軍事技術研究所用。Schawinski也認為科學家沒必要對深度學習和其他相關計算機科學領域作深入研究，畢竟世界上掌握這種技術的人也不多。

　　與此同時，其他天文學家也在自己的研究工作上應用機器學習。蘇黎世聯邦理工學院的一些科學家利用人工智能去解決宇宙輻射信號受到干擾的問題。他們訓練神經網絡去識別并偽裝人造無線電干擾信號，例如衛星、機場、無線路由器以及微波爐，進而找到方法去解決信號干擾，幫助天文學家更好地觀察黑洞。神經網絡的應用不僅局限于新的天文學觀察項目。以往的觀察數據也可以被重新分析、利用。正如Schawinski所說， “神經網絡能幫助我們更好地利用一切數據去了解宇宙。”

　　機器學習使得研究工作更加輕松。以往，天文學家必須艱難地反復搜索一些類似的信號，譬如脈沖星的振動、星系的懸臂、星云的光譜。而現在這些工作都可以交給一套智能系統，讓它自己分辨、分析信號，進而確認是否存在這樣一個星系。這套系統的研發人Alex Hocking稱 “我們不告訴電腦要找什么；我們 “教”它去發現需要找的東西。”

　　早在2012年，研究脈沖星的天文學家們就開發出了初級神經網絡并在測試中找出了85%的脈沖星，而一個2016年制造的智能系統則能快速有效地識別出輻射信號的來源。在光學分析方面，一個叫RobERt的神經網絡系統能夠在數秒內完成科研人員要花幾天才能分析好的星體化學成分。盡管聽起來很奇怪，但當天文學家們讓RobERt去 “猜”星體上的 “水”會是什么樣子時，它輕松地做到了。

　　至此，在天文學的一些領域里電腦已經擁有可以超越人類的能力，而且電腦會繼續改變其他科技領域，解放科學家的時間和精力，使他們可以投入到更多有趣的課題上來。 “人工智能將要全面進入科研領域” Schawinski說， “這僅僅是一場革命的開始。我們正在見證未來科學研究的劇變。”