2025年標誌著天文探索領域的一個關鍵轉捩點，其核心在於成功整合了尖端人工智慧技術，以有效管理並解讀現代天空普查所產生的龐大數據流。這項技術的融合代表了一種根本性的變革，以前所未有的精確度，將原始觀測數據轉化為結構化、全新的科學洞察。
谷歌的 Gemini 大型語言模型（LLM）的部署，在《自然天文學》（Nature Astronomy）上發表的一項研究中得到了關鍵驗證。研究人員利用 Gemini 模型，對 Pan-STARRS、MeerLICHT 和 ATLAS 等主要觀測計畫的廣泛夜空檔案進行了細緻的審查。該模型展現出卓越的分類能力：對 Pan-STARRS 數據的準確度達到 94.1%，MeerLICHT 觀測數據為 93.4%，而 ATLAS 數據則為 91.9%。這一表現強有力地證明了先進 AI 框架處理大規模天體物理普查中固有「數據洪流」的巨大潛力。
此外，相關的平行研究證實，像 Gemini 這樣的通用型 LLM 即使在極少提示的情況下，也能充當專業級的輔助工具。僅需使用 15 個範例圖像和文字指令，該模型在分類瞬態天文事件（例如超新星）時，準確度仍可達到約 93%。這種易用性暗示著複雜數據分析正在走向普及化，讓缺乏深厚 AI 編程專業知識的研究人員也能對科學發現做出有意義的貢獻。
將機器智慧融入科學流程，是 2025 年 10 月在中國杭州舉行的「AI + 天文學國際研討會」上的核心議題。會中討論聚焦於大型模型如何加速光譜分析、成像以及時域數據解讀等領域的發現。在相關的努力中，由多個機構共同設立的 SkAI 研究所，於 2024 年 10 月獲得 2000 萬美元的資助，並在 2025 年 6 月推進了其工作，旨在設計專門的 AI 模型，能夠以工業規模處理多模態天體物理數據——包括圖像、光譜和時間序列。這項工作預示著在 Vera C. Rubin 天文台等普查數據到來之前，天體物理學理解將迎來一場革命。
這一新時代的成就，更透過高中生 Matteo Paz 在 2025 年 4 月的突破性工作得到了進一步彰顯。Paz 在加州理工學院（Caltech）的 Davy Kirkpatrick 指導下，開發了一套 AI 演算法，成功編目了 150 萬個先前未被識別的天體。Paz 的模型篩選了來自美國太空總署（NASA）已退役的 NEOWISE 紅外線望遠鏡中未被充分研究的數據，偵測到因數據量龐大而被忽略的變星物體所發出的微弱紅外線波動。這項開創性的工作，最終在《天文學雜誌》（The Astronomical Journal）上發表了經同儕審查的論文，證實了創新應用現有工具能夠極大地擴展深層次發現的能力。