“猎星”这个词，在天文圈里有一种微妙的歧义。对一位架着望远镜守在郊野的爱好者来说，它意味着在星图中辨认出某个预期之外的光点；而对一位盯着屏幕滚动光变曲线的研究者来说，它可能意味着从三万条噪声信号中挑出那条真正的“U形凹陷”。同一个词，指向两种截然不同的劳作方式，却共享同一种渴望：在浩瀚中锁定那个不该被忽略的例外。本文试图厘清“猎星”在当代天文学中的双重含义，并追问一个容易被忽略的问题：当算法和公众都加入猎星者的行列，发现这件事本身发生了什么变化。
一、猎星的第一层含义：在恒星亮度里“钓”行星
公众对猎星的直觉想象，往往停留在“用望远镜看星星”。这并没有错，但它描述的是十九世纪的天文学。现代系外行星猎星的核心动作，恰恰是不看行星本身。
行星不发光。一颗围绕遥远恒星运行的行星，其反射光与母恒星相比微弱到可以忽略。天文学家采取的策略是监视恒星。当行星的轨道面恰好侧对地球时，行星每绕一圈就会从恒星前方经过一次，遮挡住极小一部分星光。恒星亮度因此出现周期性的、幅度极浅的下降。开普勒空间望远镜的光度计能够检测到恒星亮度十万分之一量级的变化，正是这种精度让“凌日法”成为系外行星猎星的主力工具。
这里的关键在于：猎星者捕捉的不是一个“天体”，而是一条光变曲线上的凹陷形状。真正的行星凌日会产生边缘平缓、底部较平的“U形”信号；而双星系统中较小伴星遮挡主星时，信号往往更接近“V形”。此外，恒星黑子、仪器噪声、宇宙线击中探测器，都可能伪造出类似的亮度下降。猎星的工作，本质上是从大量假阳性中甄别出极少数真实的凌日事件。
二、阈值之下：被人工筛掉的猎星线索
在开普勒任务的手动筛查时代，天文学家设置了一道信噪比门槛：只有超过阈值的信号才会被提取出来供人工检测。这道门槛是必要的，因为待检信号数量远超人力所能承受的上限。据当时披露的数据，超过三万个信号经过了手动检测，其中约两千五百个被验证为系外行星。
但门槛的代价同样明确：低于阈值的信号被直接丢弃，而潜在宜居的类地行星恰恰是最容易落在这条线以下的群体。它们半径小、母恒星暗，凌日信号极其微弱。换句话说，猎星者最想找的那类目标，最有可能被筛掉。
这正是谷歌Brain团队与天文学家Andrew Vanderburg合作引入卷积神经网络的直接动因。他们用已人工分类的三万个开普勒信号训练模型，让算法学会在低信噪比数据中识别行星凌日的特征。模型输入的是光变曲线的两个视图：一个宽视野用来排查双星等次级信号，一个放大视图用来区分“U形”与“V形”的形态差异。猎星在这里变成了一项模式识别任务：算法不“理解”行星是什么，它只学会了在噪声的纹理中辨认某种特定的形状。
三、猎星的第二层含义：公众科学中的“人肉筛查”
与算法猎星并行的，是另一条更晚兴起却同样改变格局的路径。2015年上线公众超新星搜寻项目（PSP），把星明天文台拍摄的实时图像向注册用户开放，让普通人在比对星图的过程中寻找新出现的亮斑。上线两个月后，一位十岁的合肥小学生提交了项目历史上第一颗超新星候选体。
这条路径的猎星逻辑与凌日法截然不同。公众猎星者不需要理解光变曲线的数学形态，他们做的是视觉比对：将当前图像与历史参考图并置，用肉眼判断某个位置是否多出了一个不该存在的光点。2025年，PSP参与者与AI辅助页面配合，发现了一颗位于M33星系中的新星候选体，后续光谱观测确认了它的性质，并引发了对它是否为该星系首颗再发新星的讨论。
值得注意的是，PSP项目近年来已经开始引入AI筛选页面作为“兜底”机制，让算法先过一遍图像，管理员再查缺补漏。猎星的技术栈在公众科学领域同样在迭代，但人的判断始终没有被完全替代。原因很简单：算法擅长处理已知类型的特征，而猎星在本质上是在寻找尚未被预期的东西。一颗超新星的出现在时间上是不可预测的，一颗再发新星的确认需要跨年份的位置比对和光谱证认，这些环节依赖的恰恰是人类猎星者那种“多看一眼”的警觉。
四、两种猎星的共同前提：假阳性才是常态
无论算法还是人眼，猎星者面对的最主要对手都不是“找不到”，而是“找错”。凌日信号可能来自双星；超新星候选体可能是图像处理伪影；新星的光谱可能显示它只是一颗普通恒星的活动。开普勒数据中手动检测过的三万个信号里，最终确认为行星的只占不到十分之一。PSP项目自2015年上线至2026年初，累计发现候选体二百余颗，其中获得光谱证认的超新星为四十一颗。
这组数字揭示了一个猎星者心照不宣的事实：绝大多数“发现”最终会被证伪。猎星的日常不是庆祝，而是排除。算法被训练来降低假阳性率，公众科学平台建立多级验证机制，专业望远镜的光谱证认作为最后关口，所有这些工序都在做同一件事：把“可能是”压缩成“确实是”。
五、猎星之后：发现的意义正在位移
回到开篇的问题。当算法能以远超人类的速度筛查低信噪比信号，当公众能以数万人的规模并行比对图像，猎星这件事是否变得廉价了？
答案取决于如何定义“发现”。如果发现仅仅意味着“第一个看到某个光点”，那么算法确实正在接管大部分工作。但如果发现意味着赋予一个信号以天文学意义，情况就不同了。谷歌的神经网络发现了两颗系外行星，但论文的作者名单里既有机器学习专家也有天体物理学家，因为从“信号符合行星特征”到“这是一颗行星”之间，隔着对恒星性质、轨道参数、统计显著性的系统论证。PSP的公众发现者被列入天文电报的共同作者，同样是因为他们的提交触发了一整条从光谱观测到分类确认的专业链条。
猎星的门槛降低了，猎星者的数量增加了，但猎星产出确定性知识的环节仍然紧密地编织在专业观测和同行验证的网络之中。算法和公众改变的，是发现漏斗的入口宽度；漏斗底端的那个出口，依然狭窄而审慎。
问答
问：凌日法猎星为什么要求行星轨道面恰好侧对地球？
答：只有当行星从地球与母恒星之间的连线附近经过时，它才会遮挡住恒星发出的光，从而产生可观测的亮度下降。如果轨道面倾斜角度太大，行星从恒星上方或下方掠过，就不会产生凌日信号。这也意味着凌日法天然只能发现一小部分系外行星。
问：开普勒望远镜为什么不直接拍摄系外行星的照片？
答：系外行星距离极远且自身不发光，在母恒星的强光旁，直接成像的对比度要求远超当时望远镜的能力。凌日法绕开了这个难题，不去“看”行星，而是测量恒星亮度被遮挡的微小变化。
问：神经网络在猎星中取代了天文学家吗？
答：没有。神经网络做的是筛选：从大量低信噪比信号中挑出“像行星凌日”的候选者。确认这些候选者是否真的是行星，仍然需要天文学家结合恒星参数、轨道周期、其他观测手段进行综合判断。算法加速了流程的前端，但没有替代后端的科学论证。
问：PSP项目的公众猎星者需要专业天文知识吗？
答：入门门槛很低。参与者主要做的是比对图像，发现某个位置上是否出现了参考图中不存在的光点。不需要理解光谱分类或光变曲线拟合。但持续参与的人会逐渐积累关于暂现源、图像伪影和候选体上报流程的实践知识。
问：为什么很多超新星候选体最终没有被确认？
答：图像上的一个亮斑可能来自多种原因：小行星划过视野留下的痕迹、光学系统的反射鬼影、图像叠加时的对齐误差，或者本身就是一颗亮度变化的变星。确认超新星需要光谱观测，而光谱资源有限，绝大多数候选体无法获得后续证认。
问：再发新星和普通新星有什么区别？
答：普通新星是白矮星从伴星吸积物质后，表面发生热核爆发的一次性事件。再发新星则是同一颗白矮星在积累足够物质后再次爆发。确认再发新星需要精确比较两次爆发的位置是否重合，最好还能获得两次爆发的光谱。2025年M33星系中发现的候选体之所以引起关注，正是因为如果位置重合得到证实，它将是该星系中已知的第一颗再发新星。
问：猎星者如何处理“假阳性”带来的挫败感？
答：从项目设计上，假阳性被默认为流程的一部分，而非失败。开普勒团队设置了信噪比阈值来管理假阳性的数量，PSP建立了多级验证机制来过滤伪影。对参与者而言，每一次排除错误候选体，本身就是在缩小真实信号的搜索空间。