2025年，随着尖端人工智能技术成功融入对现代巡天项目海量数据流的管理与解析，标志着天文学探索迈入了一个关键的转折点。这种技术上的融合代表了一种根本性的变革，它以前所未有的精确度，将原始的观测数据转化为结构化的、全新的科学洞察。
谷歌的Gemini大型语言模型在这一领域的应用成果，已在《自然·天文学》（Nature Astronomy）上发表的一项研究中得到了详细阐述。研究人员利用Gemini模型，对包括泛星计划（Pan-STARRS）、MeerLICHT以及ATLAS在内的主要观测项目的夜空档案进行了深入细致的审查。该模型展现出卓越的分类准确性，其性能令人瞩目：在Pan-STARRS数据上达到了94.1%，在MeerLICHT观测数据上达到了93.4%，而在ATLAS数据上则实现了91.9%的精度。这一表现强有力地证明了先进人工智能框架在处理大规模天体物理巡天所固有的数据洪流方面的巨大潜力。
此外，同步开展的研究证实，像Gemini这样的通用型大型语言模型，即使在极少的提示下，也能充当专业的辅助工具。仅需提供15张示例图像和相应的文本指令，该模型在对超新星等瞬态天体事件进行分类时，准确率便能达到约93%。这种易用性预示着复杂数据分析的“民主化”，使得缺乏深厚人工智能编程背景的研究人员也能有效地为科学发现做出贡献。
机器智能融入科学研究流程是2025年10月在中国杭州举行的“人工智能+天文学国际研讨会”的核心议题。会议的讨论聚焦于大型模型如何加速光谱分析、成像以及时域数据解释等多个领域的发现进程。在相关努力中，由多家机构联合成立的SkAI研究所，在2024年10月获得2000万美元资助后，于2025年6月进一步推进了其工作。该研究所致力于设计专业的AI模型，旨在以工业规模处理多模态天体物理数据——包括图像、光谱和时间序列，这预示着在Vera C. Rubin天文台等未来巡天项目数据到来之前，天体物理学理解将迎来一场革命。
这一新时代的到来，还通过高中生马特奥·帕兹（Matteo Paz）在2025年4月取得的成就得到了进一步彰显。在加州理工学院（Caltech）的戴维·柯克帕特里克（Davy Kirkpatrick）的指导下，帕兹开发出一种人工智能算法，成功编目了150万个先前未被识别的星体。帕兹的模型筛选了来自美国宇航局（NASA）已退役的NEOWISE红外望远镜中未被充分研究的数据，检测到了因数据量庞大而被忽略的变星发出的微弱红外波动。这项突破性的工作，最终发表在同行评审期刊《天文学杂志》（The Astronomical Journal）上，确认了创新性地应用现有工具能够极大地增强深度发现的能力。