知识卡片：Claude 拼出紫外线全天图，三分之一天区靠推算

一句话结论

Anthropic 展示了一张由 Claude 调度多个 Agent 生成的紫外线全天图，其中约三分之一天区无直接紫外观测、完全靠模型推算补白，但 Agent 在人工视觉审查中漏掉了明显的仪器残痕，暴露了当前自动化科学 pipeline 的感知盲区。

事件概述或研究问题

• Anthropic 于 10 月 8 日展示一张紫外线全天图。
• 约三分之一天区从未被紫外望远镜直接观测，由模型推算生成。
• GALEX 全天成像巡天仅覆盖远紫外约 64%、近紫外约 76% 的天空。
• 研究问题：能否用多波段统计关系和恒星贡献估算，补全紫外巡天未覆盖的天区？

方法/产品要点

• Anthropic 研究员 Brice Ménard 于今年夏天布置任务。
• Claude 调度多个 Agent，下载并校准公开巡天数据。
• 利用可见光、红外、射电与紫外亮度之间的统计关系进行补白。
• 依据 Gaia 数据估算上亿颗恒星的贡献。
• 验证方法：遮住已观测区，让模型补图，再与实测对比。
• 终版历经十多版迭代，逐像素标明“测得”或“预测”。

主要结果或产业意义

• 遮住已观测区再补图，预测与实测差异约 10%。
• Ménard 肉眼发现 GALEX 圆形拍摄留下的残痕，Agent 两轮审查均漏掉。
• 展示了多 Agent 协作在科学数据处理中的可行性，也暴露了纯自动化质量控制的不足。
• 产业意义：Agent 可用于天文等数据密集型科研场景，但关键质量把关仍需人类介入。

为什么重要

• 这是 Agent 在真实科学 pipeline 中的一次端到端演练，从数据下载、校准到模型推算和可视化。
• 揭示了当前 Agent 的能力边界：擅长调度和统计推算，但在需要视觉模式识别的质检环节可能失效。
• 对科学界和 AI 产业都具有参考价值：Agent 可以加速数据补全，但“人在回路”仍不可省略。
• 与已有卡片中 Claude 在编码、工具使用、自主运行方面的进展形成呼应，本条进一步展示其在跨学科科研场景中的实际应用形态。

局限与不确定性

• 约 10% 的预测与实测差异是否满足天文学精度要求，待核实。
• GALEX 残痕被 Agent 漏掉的具体原因（视觉能力不足、prompt 设计问题、数据预处理问题等），待核实。
• 终版“十多版”迭代中各版本的具体改进内容，待核实。
• 该全天图是否已在天文学界经过同行评审或正式发表，待核实。
• Ménard 与 Anthropic 的合作性质（内部项目、外部委托或独立研究），待核实。

可用于图书/PPT/简报的角度

• “Agent 做科学”：多 Agent 协作完成从数据到成图的全流程案例。
• “AI 的盲区”：Agent 两轮审查漏掉肉眼可见的残痕，说明自动化质检的局限。
• “三分之一靠猜”：模型推算补全观测空白的方法论与精度边界。
• “人在回路”：科学家肉眼发现 Agent 遗漏问题的具体案例，适合讨论人机协作分工。
• “多波段统计推断”：用可见光/红外/射电关系推算紫外的跨波段方法，可作为科普素材。

原始材料

• 来源：腾讯研究院 AI 速递 20261010
• URL：https://m.sohu.com/a/1085715291_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334