科学中的人工智能
我在科学中运用AI的思路是：以数据为中心，结果可以核查。我用物理学改进AI学习所用的数据，让模型学到的是天空，而不是仪器；同时，AI帮我产出的一切都要符合同一条标准：无论AI帮了多少忙，我交付的成果都是白箱。此前我的论文中已经用到机器学习（Cao and Pinsonneault 2025；Cao 2026b）；以AI为重点的工作，则始于我在MIDAS的施密特“科学中的人工智能”博士后项目，大部分工作还在后面。
AI模型过程可能不透明
交付成果：白箱
- 公开的评分标准
- 开源代码
- 公开的每日表格
- 每个分数都标明由AI生成
- 分数是指引，不是评判
我的立场
我在AI中做的是两端的工作：让输入大型模型的数据和模型产出的结果都可以核查，而不是自己开发模型。
在精密科学中，系统误差（systematics）是一个伦理问题：一条有偏差的管线可能让整个学术群体对宇宙得出错误的结论。所以我更偏爱自己能够解释的方法。我用AI来拓展对物理的理解，而不是用不透明的网络取代物理模型。防止错误的最好办法是学术群体的审视；自动化永远不应跑在科学方法的前面。
当数据和算力不再是制约天文学进步的瓶颈，AI又接手了越来越多的常规工作时，仍然稀缺的是创新和判断：想到别人没有尝试过的问题或方法，了解一种方法有哪些假设、在什么情况下会失效，并把结果转化为对物理的理解。这正是我想投入精力的地方。
- AI就绪的数据：用物理学改进AI学习所用的数据，从图像重建做起。
- 与AI合作：我在日常工作中怎样使用AI：阅读文献、写论文、教学、注明AI的使用，以及求职。
- MapHub：为一个科研群体每天给arXiv新预印本打相关性分数，公开、可以核查；这是我博士后项目的第一项交付成果。
AI在我各个研究方向中起什么作用，见研究方向。刚接触这个领域？术语表用通俗的语言解释了相关术语。
本页术语（2）
- MIDAS
- 密歇根大学数据与人工智能研究院（Michigan Institute for Data and AI in Society），密歇根大学的数据科学与人工智能研究机构，也是那里的施密特“科学中的人工智能”博士后研究员所在的单位。
- 系统误差（systematics，systematic errors）
- 把结果始终推向同一方向的误差，而不是让结果随机散开的误差。数据再多也无法把它平均掉，所以必须弄清它的来源并加以校正。未经校正的噪声图样（例如条纹）如果与信号相似，就可能变成系统误差。