中国科学院国家天文台部署的AI调度系统，首次实现望远镜群完全自主观测：从规划到执行、从应急响应到数据归档，全程无需人工介入。系统采用强化学习动态规划，将观测计划生成时间从2小时压缩至2分钟，日均观测目标从40个提升至180个。
在为期3个月的实地测试中，AI调度系统管理了国家天文台位于兴隆、丽江、南山三地的12台光学望远镜，覆盖从1米级到2.4米级多个口径。以下为核心对比数据：
注：对比基线为人工调度模式（计划生成约120分钟，日均目标约40个，应急响应约20分钟，利用率约65%）。所有数据来自国家天文台2025年Q4实测报告。
更关键的是调度准确率：在3172次自主调度决策中，仅15次因极端天气或设备异常触发人工复核，自主决策成功率99.5%。系统在晴天利用率上达到92%，几乎做到「天好必用、分秒不浪费」。
传统天文观测调度依赖人工排班，天文学家提前数周提交观测申请，由台务组统一编排。这种方式在面对突发天象（如超新星爆发、伽马暴）时反应迟缓，且无法动态优化。
——AI调度系统彻底改变了这一局面。
对比维度基于同一组望远镜（12台）在相同观测季的实际运行数据。AI调度系统在晴天利用率、应急响应、目标覆盖率三个维度上均显著优于人工调度。
天文观测调度本质上是一个多目标动态优化问题：需要同时考虑科学优先级、天光条件、目标可见性、气象窗口、设备状态等十多个变量，且环境每30秒变化一次。
传统规则系统无法应对这种复杂度。AI调度系统的核心是一个基于深度强化学习（DRL）的决策引擎，训练数据来自过去5年的观测日志、气象记录和设备状态数据。
系统每30秒运行一次完整的调度循环：读取当前气象、目标位置、设备状态，运行DRL模型生成最优观测序列，然后下发指令。每次决策都包含短期最优（当前夜剩余时间）和长期目标（季度科学产出）的平衡。
技术细节：模型采用PPO算法，状态空间包含47个维度，动作空间覆盖12台望远镜 × 3种观测模式 × 200+目标。训练在4张A100上耗时约2周。
一个诚实的注脚：
系统在极端天气（突发沙尘、强风）和设备故障场景下仍有约0.5%的人工接管率。但团队表示，这与其说是缺陷，不如说是一种审慎的设计——在关键科学目标面前，保留人类最终判断权是必要的。
天文观测正面临一个结构性矛盾：望远镜越来越多、越来越精密，但天文学家的数量几乎没有增长。全球每年产生约100PB的观测数据，而人类调度员能有效管理的望远镜集群正在触及上限。
AI调度系统的出现，不是要取代天文学家，而是要解决这个瓶颈。当望远镜可以自主规划、自主调度、自主响应，天文学家的角色就从「调度员」转变为「科学决策者」——把精力集中在最重要的科学问题上，而不是纠结于今晚看哪个目标。
这套系统最令人兴奋的地方在于：它证明了AI可以管理复杂的科学基础设施，并且做得比人类更好。这不是实验室里的Demo，而是已经在真实的天文台里、在真实的观测任务中验证过的产品。
AI调度系统正在将天文学家从重复性规划工作中解放出来，但最终的科学发现权仍属于人类。真正的突破不是AI「取代」了谁，而是它让望远镜的每一寸镜面都离星辰更近了一步。
AI调度系统核心引擎已通过国家天文台「星云平台」向国内外研究机构开放API调用，支持远程提交观测任务与实时查看调度状态。
xingyun.nao.cas.cn → 提交观测申请（注：平台面向注册科研机构免费开放，具体使用方式以官网公示为准）