天文学是最早的"大数据科学"——每天数千万条观测记录的处理方式，决定了人类能看见怎样的宇宙。本文是"人类认知版图"系列第十六篇。
数据量的四次爆炸
- 照相底片时代（1880–1980）：哈佛天文台玻璃底片库 50 万张——1910–1920 年代"哈佛计算员"（勒维特所在的全女性团队）人工测量底片上的星点位置与亮度，手工完成恒星测光
- CCD 巡天时代（1990–2010）：斯隆巡天（SDSS）单夜产生 200 GB——超过此前人类天文数据总和；数据倒逼了"虚拟天文台"概念（数据在网上，而不是在归档磁带里）
- 千平方度巡天时代（2010–2025）：泛星计划（Pan-STARRS）、兹维基瞬变源工厂（ZTF）、盖亚（18 亿天体）——瓦拉巴定位图星表本身 1 PB；中国 LAMOST 2000 万光谱
- 亿像素时代（2025–）：鲁宾天文台每 3 天全天空 3.2 亿像素图像，10 年 60 PB——"数据雪崩"（data avalanche）
处理方法的三次进化
1. 模式识别自动化（1990–2010）
源提取（SExtractor）、图像对齐叠加（SWarp）、光谱流水线（SDSS 的 idlspec2d）——把底片时代的人眼判读变成批处理脚本。瓶颈：异常检测——2011 年开普勒光变曲线中，人工才注意到 KIC 8462852（塔比星）的诡异骤降，而流水线当噪声滤掉了。
2. 机器学习时代（2010–2023）
- 图像分类：Galaxy Zoo 公民科学（2007，30 万志愿者分类 100 万星系）产出的训练集，喂出 CNN 自动分类器（精度超人类）
- 瞬变源警报：ZTF/ASAS-SN 用随机森林每夜筛数十万候选，把超新星警报从"几周后"压缩到"15 分钟内"——第一时间触发全球望远镜（详见电磁波段篇的伽马暴接力）
- 系外行星：Kepler 光变中的凌星信号弱至 0.01%——AstroNet（谷歌）与 ExoMiner（NASA）用深度学习找回被传统算法漏掉的数百颗行星
- 引力波降噪：LIGO 数据用贝叶斯推断+神经网络实时区分真实信号与仪器毛刺
3. 基础模型时代（2023–）
AstroCLIP 等"天文版 GPT"用自监督学习从 10 亿级巡天图像预训练，微调即可通吃分类、测光、红移估计——与 NLP 的 BERT 时刻同构。仿真宇宙（如 Uchuu、Millennium）生成的数万亿粒子模拟数据，成了训练"数字宇宙孪生"的语料。
中国特色的数据基建
- LAMOST 光谱库：2000 万光谱全公开（美国同行评注："这改变了中国天文的国际存在方式"）
- FAST 脉冲星数据库：AI 预筛+人工复核的"机器+人"混合流水线，19 波束接收机数据流达 38 GB/s
- 之江实验室"天文智能计算中心"：把 10 PB 级巡天数据上云，开放算力给全国科研团队
方法论意义
天文学数据革命的启示：科学发现正在从"提出假设→验证"转向"数据挖掘→假设后补"——塔比星、快速射电暴重复源 FRB 121102、'Oumuamua 都是"数据里先出现，理论后跟上"的案例。工具链（Python/天文栈 Astropy、Jupyter 笔记本）让本科生也能处理哈勃数据——数据民主化本身，就是科学的人口红利。