机器学习模型正日益增强人类流程，既能加速重复性任务执行，又能提供系统性见解以辅助人类认知。加州大学伯克利分校天文学家在模拟引力微透镜事件时，发现上述两种优势同时显现，并据此提出了一项新的统一理论。
引力透镜效应与“简并”现象
当遥远恒星等天体的光线经过观测者与光源之间的较近天体时发生弯曲，即产生引力透镜效应，使远处天体短暂呈现更明亮但变形的影像。通过分析光线弯曲方式及已知背景信息，可获取大量关于透镜恒星、行星或系统的参数。
例如，亮度瞬间尖峰通常表明有行星体穿过视线。此类读数异常被称为“简并”（degeneracy），已被用于发现数千颗系外行星。受限于观测条件，除质量等基础概念外，很难对这些事件进行精确量化。传统观点认为简并现象仅属两类：远处光线更靠近系统中的恒星或行星。在实际研究中，歧义通常需借助其他观测数据调和，如确认行星体积过小不足以造成观测到的扭曲程度。
AI模型揭示新简并类型
随着天空扫描频次与精度的提升，透镜事件数量激增。加州大学伯克利分校博士生张克明致力于研究快速分析分类此类事件的方法。团队利用已知成因和配置的引力微透镜数据训练机器学习模型，并将其应用于大量低量化程度的事件。
结果出人意料：该模型不仅准确识别了两种主要简并类型，还发现了大量不属于这两类的情况。
张克明表示：“此前两种简并理论仅涵盖背景恒星看似经过前景恒星或行星附近的情形。AI算法展示了数百个反例，包括恒星既不靠近恒星也不靠近行星的情况，这是既往理论无法解释的。”尽管初期怀疑源于模型参数调整或置信度问题，但团队最终确信人工智能捕捉到了人类观察者系统性地忽略的现象。
经反复验证，团队提出了新的“统一”理论来解释观测中的简并现象，而原有两种理论仅为其中最常见的情形。
人机协作推动理论革新
团队查阅二十余篇近期微引力透镜论文后发现，天文学家长期将相关现象错误归类，而新理论能更好地拟合数据。
论文共同作者、俄亥俄州立大学天文学教授斯科特·高迪（Scott Gaudi）指出：“人们一直在观测这些事件，它们实际上表现出新的简并性，但当时未被察觉。正是机器学习对成千上万事件的分析，使这一现象无法被忽视。”
需明确的是，新理论的提出完全归功于人类智慧，人工智能并未直接构建理论。然而，若无AI系统自信的计算输出，简化但不准确的旧理论可能延续多年。正如人类逐步信任计算器与计算机一样，我们也在学会信任特定AI模型，让其输出摆脱先入之见的客观真相——前提是未将人类偏见编码进模型之中。
该新理论及其推导过程已发表于《自然·天文学》（Nature Astronomy）。对于天文学界而言这并非全新消息（去年曾以预印本形式发布），但对机器学习与科学领域的爱好者来说，这一进展极具价值。