天体物理学家Brice Ménard利用Claude Science协调多个AI Agent，处理GALEX约3.8万次观测，并融合Swift‑UVOT、FIMS/SPEAR、TD‑1、Gaia和Planck等公开数据，制作出首张没有空白区域的高细节远紫外、近紫外全天图。地图还加入了约1.19亿颗Gaia恒星的实测或推算紫外通量，并逐像素标注数据来源和不确定性。不过，“完整”不等于整个天空都被望远镜拍摄过：约28%的远紫外和27%的近紫外区域主要依靠统计模型补全，典型误差约12%至14%，其有效分辨率也远低于实测区域。补全模型并非Claude或生成式图像模型，而是由Claude帮助构建的梯度提升决策树；AI Agent还两次漏过了明显的圆形观测伪影，最终由人类目视发现。因此，这项工作的意义更接近AI加速大型科学数据工程，而不是模型自主完成了一项天文学发现。
文章作者、来源：Brice Ménard
“完整”不是说每个像素都被拍摄过
紫外线会被地球臭氧层吸收，所以紫外天文观测必须依靠太空望远镜。现有最大规模的数据来自NASA的GALEX任务：它在2003年至2013年间完成约3.8万次观测，覆盖约64%的远紫外天空和76%的近紫外天空。
GALEX会主动避开可能损坏探测器的明亮恒星，因此银河系恒星最密集的平面和许多亮星周围，恰好留下大量空洞。Swift‑UVOT、韩国的FIMS/SPEAR和早期TD‑1卫星补充了一部分区域，但此前仍没有一张兼具较高细节、远近两个紫外波段、恒星层及逐像素来源说明的无缺口全天图。
这并不意味着过去没有紫外全天制图。研究者早在2010年就已利用GALEX整理过覆盖约四分之三天空的弥散紫外图，FIMS/SPEAR数据及后来的机器学习项目也曾生成全覆盖但分辨率更低、波段或内容较有限的产品。此次“第一张完整地图”更准确的含义，是首张没有空白、同时整合两个紫外波段、弥散背景和恒星，并公开来源与误差层的详细全天产品。
Claude承担了大量繁琐的数据工程
Ménard先向Claude给出总体目标：寻找所有可用紫外巡天，把不同仪器的数据放到统一亮度尺度、坐标和分辨率上，再补全没有观测的区域。
Claude Science随后协调多个Agent搜索和下载数据，校准不同时期的GALEX图像，去除大气辉光、黄道光和亮星散射光，比较重叠观测，并把各项巡天重新投影到统一网格。Agent还要确定不同望远镜之间的亮度换算关系，再按照“实测优先、粗分辨率测量其次、预测最后”的顺序融合数据；任何已有实测值都不会被模型生成值覆盖。
最终产品在每个波段包含约5000万个、边长约1.7角分的采样像素。这里的1.7角分只是网格间距，不是所有区域的真实分辨率：GALEX实测区可以接近这一尺度，而预测区的有效分辨率只有约0.5至1度；部分仅由FIMS/SPEAR约束的远紫外区域甚至只有度级信息。
填补空白的不是“会幻想的图像模型”
Anthropic文章使用了“inpainting”一词，容易让人以为Claude像生成图片一样，凭视觉连贯性把天空补出来。项目技术页给出的说明更具体：实际执行预测的是一个由小型决策树组成的梯度提升回归模型，不是大语言模型，也不是扩散式图像生成器。
该模型使用90项输入特征，包括Planck测得的尘埃、氢原子和氢α辐射、Gaia恒星光及恒星密度，并在不同空间尺度上观察这些特征。它先从已有GALEX区域学习紫外亮度与尘埃、气体、星光之间的统计关系，再预测未观测区域的弥散紫外背景。
这意味着预测区能够反映大尺度亮度和云状结构，却不能包含真正未知的新恒星或星系——没有望远镜看到的区域，不可能仅凭回归模型产生新的观测发现。由于尘埃图本身就是模型输入，预测结果也不能再被当成一份独立的尘埃观测用于论证。
在弥散背景之上，项目又加入118.9万万、即约1.19亿颗Gaia DR3恒星的紫外通量，其中一部分来自已有测量，其余通过恒星属性推算；同时还包括约16万个河外点源、1.4万多个星系和146个球状星团。
预测区误差高于宣传中容易留下的印象
Anthropic文章将隐藏区域测试概括为预测值与真实紫外测量相差“约10%”。技术页面给出的数字更保守：模型在被故意遮住的GALEX区域上，典型误差约12%至14%，而直接拍摄区域约为5%；离真实观测越远，误差通常越大。
地图为每个像素附带来源权重和不确定性，使用者可以判断它主要来自GALEX、其他紫外仪器、近紫外换算，还是模型预测。项目方也提醒，最暗区域仍可能残留百分之几的圆形拼接痕迹，亮星附近的散射光主要是模型处理而非直接测量，不确定性分布还存在较长尾部。
因此，这张图很适合教学、巡天规划、大尺度紫外背景估计及展示银河系结构，但不应在预测区寻找新天体，或把精细纹理当成望远镜真正记录到的光子。
人类目视发现了两个AI审查轮次都没发现的问题
最能说明这种协作边界的，是GALEX圆形观测足迹。
Ménard查看一幅暗弱区域时，发现画面中存在一圈圈略亮或略暗的圆盘。每个圆盘对应一次GALEX观测；如果地球高层大气产生的微弱紫外辉光没有完全去除，拼接后就会留下边界。
Claude在项目开始时其实已经把这种现象列为已知风险，但地图随后经过两轮AI Agent审查，仍没有识别出实际存在的伪影。Ménard指出问题后，Agent才追踪到残余背景，在几个小时内重新校正全部约3.8万次观测。
这个案例既展示了AI的优势，也暴露了局限：它可以快速修改并重新运行庞大的处理管线，却可能对视觉上明显、但没有被验证规则充分覆盖的系统性错误视而不见。
它展示的是AI处理“科学积压项目”的能力
Ménard与Claude在数日内制作了十多个版本。通常由人类规划下一阶段、判断结果和提出修正方向，Claude则连续执行数小时的数据处理。作者认为，这种方式最适合完成科学界长期积压的工作：它们未必直接产生重大新发现，却能提供教学地图、校准资料、标准化数据集和其他研究者需要的公共工具。
但项目还不能被称为完整可复现的“自主AI科研”。技术论文目前是2026年10月草稿，尚未经过同行评审；项目页也明确承认，现有验证报告来自构建地图的同一个系统。部分流程已经脚本化，但数据接入、重新投影、条纹消除、跨仪器校准和若干衍生产品仍由交互式过程产生，不能从原始数据通过一个命令完整重建。