天体物理学家如何利用 Codex 辅助黑洞模拟

来源：OpenAI Blog 作者/主角：Chi-kwan Chan（亚利桑那大学/斯图尔德天文台研究员，事件视界望远镜 EHT 团队成员） 时间：2026年

背景

黑洞周围的引力极端强大，一旦物质或光线靠近到足够近的距离，便无法逃脱。天体物理学家如 Chi-kwan Chan 主要依靠计算机模拟和天文观测来研究黑洞。然而，现有的算法和计算能力限制了模拟的真实度。

黑洞是检验爱因斯坦广义相对论的最佳场所之一。该理论认为，引力并非一种将物体拉在一起的力，而是质量和能量弯曲时空结构的结果。Chan 是国际事件视界望远镜（Event Horizon Telescope, EHT）合作项目的成员，该团队于 2019 年发布了首张黑洞照片。目前，团队正收集观测数据，旨在制作首段超大质量黑洞的视频，重点关注 M87 星系中心的黑洞。

将观测数据转化为科学理解，需要处理海量数据、运行大规模计算工作流，并构建能够模拟宇宙中最极端物理现象的模拟程序。由于光线无法从黑洞内部逃逸，科学家转而研究其周围称为“事件视界”的区域，这是物质无法逃脱的边界。Chan 指出：“这是一个不归面。”在事件视界外侧旋转的物质会发出光，天体物理学家可以观察、测量并模拟这些光。

2019 年 EHT 发布的图像显示，黑洞的阴影嵌入在事件视界附近发光的等离子体中。Chan 帮助开发了团队用于解释观测结果的模拟和计算工具。此后，随着团队从静态图像向视频过渡，Chan 及其同事不断改进其仪器和观测能力。

核心内容

螺旋式难题：等离子体模拟的计算瓶颈

Chan 及其团队面临的最大障碍之一是模拟黑洞周围的等离子体。等离子体是由带电电子和离子组成的超热物质。

在许多模拟中，科学家将等离子体简化为流体，使用已知方程来模拟其围绕黑洞的运动。在电子和离子频繁碰撞的致密等离子体中，这种方法效果尚可。但在 Chan 和同事研究的超大质量黑洞附近，某些区域变得极其高温且稀薄，粒子很少相互遭遇。“它们实际上并不相互碰撞，”Chan 说。相反，粒子主要沿着磁力线螺旋运动。

要正确模拟这种行为，研究人员需要追踪数万亿个电子和离子，观察它们围绕黑洞快速螺旋前进。标准模拟必须计算每一次微小的转弯，迫使计算机采用极小的时间步长。结果是，即使是最快的超级计算机，也将大部分时间花费在计算这些微小的粒子运动上，而不是模拟科学家真正想要研究的宏观行为。

“几十年来，这限制了我们模拟黑洞等离子体的真实程度，”Chan 说。

利用 AI 构建更好的数字孪生

Chan 怀疑新的数学技术可以帮助绕过这些限制。基本思路是通过数学手段改变模拟追踪粒子运动的方式，使计算机不再需要直接追踪每一个微小的螺旋轨迹。

“但手动探索所有数学可能性将耗费大量时间，”Chan 说。因此，他转向使用 Codex 来推导候选算法，并将其与已知解进行对比测试。

Codex 生成了许多潜在的方法——并非所有方法都是正确的。“但这没关系，”Chan 说，“大多数科学想法都会失败。重要的是这些算法是可测试的。一旦找到一种有效的方法，它就可能解锁以前不可能实现的模拟。”

一些 AI 系统可以在不展示推导步骤的情况下返回结果。但 Chan 的团队使用 Codex 提出并实施数值方案，以便他们能够检查、测试并从物理角度理解这些方案。

大型语言模型仍然会犯错，许多科学家对将 AI 用于研究持谨慎态度。但 Chan 认为，科学可能是当今 AI 系统最好的应用领域之一，因为科学思想可以经过严格的测试。“我们不会因为一个想法来自爱因斯坦、聪明的学生或 AI 模型就接受它，”他说，“只有在经过反复测试后，我们才会接受它。”

Chan 将 AI 视为一种工具，可以帮助研究人员探索更多想法，更快地进行测试，并在坚持验证和可重复性的前提下加速发现。如果 Chan 使用 Codex 测试的方法取得成功，这些新算法最终将允许科学家模拟黑洞周围的数万亿个粒子。这将使研究人员能够研究几十年来一直遥不可及的物理现象。

关键要点

• 物理挑战：在超大质量黑洞附近，等离子体处于高温稀薄状态，粒子沿磁力线螺旋运动而非频繁碰撞。模拟这种“无碰撞”等离子体需要追踪数万亿粒子，导致计算成本极高，限制了模拟的真实性和规模。
• AI 辅助算法推导：Chi-kwan Chan 利用 OpenAI 的 Codex 生成新的数学算法，以改变模拟追踪粒子运动的方式，从而避免计算每一个微小的螺旋轨迹，提高计算效率。
• 可解释性与验证：与“黑盒”AI 不同，Chan 团队使用 Codex 生成的数值方案必须经过人工检查、物理理解和严格测试。科学界接受任何想法（包括 AI 生成的）的唯一标准是反复验证。
• 从图像到视频：EHT 团队正从 2019 年的静态黑洞图像迈向制作黑洞视频，这需要更强大的模拟工具来解释动态观测数据。
• 未来潜力：如果新算法成功，将能模拟黑洞周围数万亿粒子的行为，揭示几十年来无法触及的极端物理现象。

意义与影响

Chi-kwan Chan 的案例展示了 AI 在基础科学研究中的独特价值：作为假设生成和算法优化的加速器，而非替代科学验证。

1. 突破计算极限：通过 AI 辅助寻找更高效的数学近似方法，科学家有望克服传统数值模拟在极端物理环境下的算力瓶颈，实现从“流体近似”到“粒子级精确模拟”的跨越。
2. 科学方法的严谨性：Chan 强调“可测试性”和“可重复性”，表明 AI 在科学领域的应用必须建立在严格的物理验证之上。这为其他领域使用 AI 提供了范式：AI 提供可能性，人类科学家负责验证和解释。
3. 推动天体物理学进展：更逼真的黑洞模拟将直接支持 EHT 等项目的后续工作，帮助科学家更好地理解黑洞吸积盘、喷流形成以及广义相对论在极端条件下的表现，从而深化人类对宇宙基本规律的认识。