一个产品经理用 AI 找到行星候选体：真正值得学的是他如何验证 AI

一名独立研究者借助 AI 编码工具分析 NASA 的 TESS 观测数据，报告了一个可能由行星凌日造成的信号。它还不是已确认的行星，但这项工作已进入新的卫星观测检验。这个故事的启发，不在于“AI 替人发现了什么”，而在于研究者怎样把预测和判断标准提前写清楚。

从星光变暗开始

系外行星很难被直接看见。NASA 的凌日系外行星巡天卫星 TESS 于 2018 年发射，通过持续测量恒星亮度，寻找行星从恒星前方经过时造成的周期性微弱变暗。

研究者 Pavel Rabtsevich 在公开说明中称，他使用 Claude Code 等 AI 编码工具处理 TESS 光变数据，对编号为 TIC 4206066 的恒星发现了一个约每 3.18 天重复的变暗信号，幅度约为万分之五。若信号来自这颗恒星，可能对应一颗半径约为地球 1.4 倍的行星。

这里要特别注意“候选体”三个字：目前还不能说他发现了一颗已确认的行星。恒星本身的变化、仪器误差，或附近另一颗恒星，都可能制造相似信号。候选信号需要进一步观测和独立分析。

TESS 项目办公室的公开名单显示，这颗恒星已获批进行两分钟采样的后续观测，列在项目 100 中。TESS 项目办公室的观测名单 研究者预先发布的检验方案则将观测安排在 2026 年 10 月 31 日至 11 月 26 日，并列出了预期凌日时间和判断结果的规则。预注册方案索引 获得观测机会意味着这个信号有了接受检验的机会，不等于 NASA 已确认行星存在。

最值得学的步骤：先写清楚什么结果算失败

在新数据到来前，Rabtsevich 先固定了预测：若主要信号确实来自凌日，观测期间应在特定时间出现预期的亮度变化。他也提前列明了几种可能结论：信号出现、与预测不符、足以排除候选体，或数据不足以判断。

这就是预注册的核心做法：在看到新结果之前，先公开预测、分析步骤和判定标准。这样，结果出来后就不容易临时改变规则，把不符合预测的数据也解释成“支持”。

这套做法很适合迁移到日常 AI 学习和工作中。让 AI 解题、写代码或整理资料时，可以先问自己三个问题：我要验证什么？什么证据能支持答案？什么结果说明答案不成立？接着，再让 AI 执行，并用原始资料、独立计算或另一种方法复核。

AI 做得快，人要负责设标准

从公开资料看，AI 编码工具参与了数据处理和分析脚本编写；研究者则需要判断研究问题、审视结果，并为后续观测设定检验办法。换句话说，AI 扩大了一个人能执行的工作量，却没有替他承担“什么才算可靠证据”的责任。

普通人参与天文学研究早有先例。NASA 的 Planet Hunters TESS 项目邀请公众查看恒星光变曲线，寻找可能的凌日信号；NASA 也说明，参与者标出的可疑信号还要由研究人员后续确认或排除。

与此同时，观测数据规模仍在扩大。薇拉·鲁宾天文台启动为期十年的时空巡天后，将持续采集夜空图像；天文台公布的数据规模估算显示，原始图像数据每晚约 20 TB。鲁宾天文台对首次影像与巡天数据的介绍 数据越多，自动化分析和人类判断就越需要配合。不过，“数据多到天文学家不够用”并不能概括整个领域的研究瓶颈；更准确地说，庞大数据集让筛选、复核和跟进信号成为持续的工作。

学 AI，也要练习独立完成

一项涉及 1,222 名参与者的随机对照研究报告称，参与者短暂使用 AI 后，在没有 AI 帮助的后续任务中表现较差，也更容易放弃。该研究目前以预印本形式发布，结论应按研究本身的范围理解：它观察的是实验中的任务表现，不能据此断言短时间用 AI 会造成长期能力下降。

对学习者而言，比较稳妥的做法不是拒绝 AI，而是给自己保留独立判断的练习：先尝试理解问题，再请 AI 提示或解释；把关键步骤用自己的话复述；最后合上 AI，独立完成一道相似任务。若结果不对，再比较错在概念、步骤还是工具生成的内容。

Pavel 的行星候选体仍待后续观测检验。无论信号最终是否成立，这个案例都提供了一套可借鉴的协作方法：人来定义问题和验证标准，AI 来协助执行；重要结论要允许被数据推翻。

关注本站，每天分享跨境电商前沿资讯（ Ctrl + D 收藏本站/收藏为书签 ）