天文学家抢GPU：一场被忽视的算力战争

布兰·罗伯逊在加州大学圣克鲁兹分校的办公室里，正把一套用了多年的深度学习模型推倒重来。不是出于学术兴趣，而是被逼的——NASA下月就要发射的太空望远镜，每天下来的数据量，老工具根本吞不下。

这位天体物理学家过去15年一直和英伟达合作，用图形处理器（GPU）模拟超新星爆炸。现在他面临的新问题是：数据洪流来了，而全球GPU早被大模型公司抢空了。

数据海啸倒计时

2026年9月，南希·格蕾丝·罗曼太空望远镜将提前8个月升空。NASA预计它服役期间要向地面传回2万TB数据。

这还没算已经在干的。詹姆斯·韦伯太空望远镜2021年开工以来，每天下行57GB高清影像。智利薇拉·鲁宾天文台今年晚些时候启动巡天，每晚20TB。

作为参照，曾经的标杆哈勃望远镜每天只传1-2GB传感器读数。罗伯逊对TechCrunch描述了这个跃迁：「从观察少数天体，到用中央处理器（CPU）做大规模分析，再到用GPU加速同样分析。」

三个阶段，三种算力需求。现在进入第三阶段，但GPU不够分了。

星系猎手的工具迭代

罗伯逊和当时的研究生瑞安·豪森开发了一个叫Morpheus的深度学习模型，专门在海量数据中识别星系。早期用它分析韦伯数据时，发现了一种盘状星系的数量远超预期，给宇宙演化理论添了新变数。

现在Morpheus正在架构大改——从卷积神经网络（一种专门处理图像的神经网络结构）转向Transformer（大语言模型背后的架构）。

切换之后，单次能分析的面积将扩大数倍。罗伯逊需要这个速度，因为2026年的数据管道已经铺好，工具必须提前到位。

被忽视的算力买家

天文界的GPU需求很少被计入行业分析。但罗伯逊的15年合作史说明，科学计算一直是英伟达的早期 adopters（采用者）。超新星模拟、宇宙流体动力学、引力透镜建模——这些问题的并行计算特性，天生适配GPU架构。

区别在于，以前科学家和游戏玩家、加密货币矿工抢卡，现在对手换成了OpenAI、Anthropic和各大云厂商。天文项目的预算周期以年计算，而AI公司的采购订单以周为单位。

罗伯逊的模型重构，某种程度上是被算力短缺倒逼的技术路线调整。Transformer架构的扩展性更好，但真正的驱动力是：在有限GPU资源下，必须让单次计算覆盖更多数据。

一个被低估的信号

这场静悄悄的算力战争值得科技从业者关注。它说明GPU短缺正在向上游渗透——不是只有训练大模型需要算力，任何需要处理大规模并行数据的领域都在被波及。

天文数据的特殊性在于：它无法压缩，无法采样，必须全量处理。2万TB不是估算，是NASA写在发射计划里的硬数字。罗伯逊们的工具升级，本质是在为确定到来的数据洪峰修建泄洪道。

如果你在做算力基础设施、云资源调度，或者只是关心GPU供需的下一个变量——科学计算这个沉默的需求方，可能正在排队。