在专业天文台每晚产生海量数据、而天文学家数量有限的今天，一个根本性的矛盾日益凸显：机器可以拍摄数百万张星系图像，却无法像人脑一样在模糊的光斑中辨认出引力透镜的弧线，或是在噪声中捕捉到一颗小行星拖出的微弱尾迹。Zooniverse 正是为解决这一矛盾而生的平台。它不建造望远镜，却让全球数十万普通人的视觉判断力成为天文研究链条中不可或缺的一环。对于纳视（NASAEYE）的读者而言，理解 Zooniverse 的运作逻辑，比单纯浏览其上的项目列表更有价值——它揭示了一种正在改变天文研究范式的协作模式。
一、Zooniverse 是什么：从 Galaxy Zoo 到全球最大的公众研究平台
Zooniverse 的起源可以追溯到 2007 年的 Galaxy Zoo 项目。当时，天文学家需要为斯隆数字巡天（SDSS）中的近百万个星系做形态分类，人工逐一完成显然不现实，而计算机算法在当时对旋臂、棒状结构等特征的识别精度远不及人眼。项目上线后，来自世界各地的志愿者在数月内完成了数千万次分类，其效率与质量超出了研究团队的预期。这一成功直接催生了 Zooniverse 平台：一个由牛津大学与芝加哥阿德勒天文馆等机构协作运营、面向所有学科领域的公众研究基础设施。
今天的 Zooniverse 早已不限于天文学。从企鹅行为监测到历史文献转录，平台上常年活跃着数十个项目。但在天文学领域，它的意义尤为特殊：天文观测产生的图像数据具有高度的视觉判断依赖性，许多关键特征——星系的形态、超新星的候选体、小行星的活动迹象——恰恰是人类视觉系统在模式识别上优于现有自动化流程的地方。Zooniverse 所做的，是将这种分散在数百万人身上的认知能力，汇聚到专业研究者设定的任务框架中。
二、天文学项目如何运转：分类、讨论与发现的闭环
Zooniverse 上一个典型的天文学项目，其工作流程可以概括为“教程引导—逐图分类—讨论聚合”三个环节。志愿者注册后进入项目分类页面，首先完成一段简短的交互式教程，学习识别目标特征的基本标准。随后系统逐张呈现图像，志愿者根据所见做出选择：这是一个螺旋星系还是椭圆星系？是否存在引力透镜的弧形特征？图像中是否有小行星的移动痕迹？每次判断通常只需数秒到十数秒。
关键在于“重复分类”机制。每一张图像会被呈现给多位志愿者独立判断，研究团队通过统计一致性来评估分类的可靠程度。这种冗余设计使得个别误判被稀释，而多数人的共识往往与专业天文学家的判断高度吻合。Galaxy Zoo DECaLS 项目的数据表明，基于志愿者投票训练的深度学习模型，对星系形态参数的预测精度可以达到与专业标注相当的水平。
更值得关注的是讨论区所催生的意外发现。Milky Way Project 的志愿者在分类过程中注意到一类在 Spitzer 红外图像中呈现黄色的紧凑天体，并在讨论板上用“#yellowball”标签聚集了数百个类似目标。研究团队随后跟进分析，确认这些“黄球”是处于演化早期阶段的致密恒星形成区，相关成果发表在专业期刊上。类似地，荷兰教师 Hanny van Arkel 在 Galaxy Zoo 中发现了一个无法归类的绿色云雾状天体，后来被证实为类星体光回声，并以她的名字命名为“Hanny’s Voorwerp”。这些案例说明，Zooniverse 的价值不仅在于批量处理数据，更在于它构建了一个研究者与志愿者之间持续对话的空间，而发现往往从对话中涌现。
三、当前值得关注的天文学项目与科学目标
截至 2026 年，Zooniverse 上天文学相关项目覆盖了从太阳系内天体到深空宇宙学的多个方向。以下几个项目在科学目标与参与方式上具有代表性。
Space Warps（欧几里得任务） 。该项目于 2026 年 5 月上线，利用欧几里得空间望远镜的成像数据，动员志愿者搜寻强引力透镜候选体。强引力透镜是前景星系团或大质量星系将背景星系光线扭曲成弧状或环状的现象，其数量统计可以帮助约束暗物质在星系尺度上的分布，并为暗能量研究提供独立探针。由于透镜特征形态多样且常被噪声掩盖，自动化搜寻的完备性有限，人眼判断在此类任务中仍具优势。
Active Asteroids（活跃小行星） 。该项目自 2021 年启动，使用暗能量相机（DECam）的 archival 数据，寻找那些表现出彗发或彗尾特征的小行星。活跃小行星是太阳系中的稀有族群，其活动机制可能涉及水冰升华、旋转解体或碰撞抛射，对理解地球水的来源和行星形成过程具有重要意义。截至已发表的结果，约 8300 名志愿者审阅了超过 43 万张图像，确认了 15 颗此前被认为不活跃的小行星存在活动迹象，其中包括一颗半人马天体和多颗木星族彗星。
Artifact InSPECtor（欧几里得与罗曼任务） 。这是一个性质略有不同的项目：志愿者并非直接寻找天体，而是帮助识别图像中的仪器伪影和数据处理缺陷。欧几里得的光谱成像数据中，宇宙射线撞击、探测器电子学异常和望远镜结构反射光都可能留下看似天体的假信号。志愿者的判断被用于训练和校正自动化流程，从而提升后续科学分析的可靠性。这类“为 AI 纠错”的任务，反映了公众科学在数据质量保障环节的新角色。
四、对专业研究与公众参与的双重意义
从研究者的角度看，Zooniverse 提供的是一套经过验证的众包基础设施：项目创建工具、分类界面模板、数据管理系统和志愿者社区运营经验，使得即使没有技术团队的小型研究组也能发起大规模视觉分类任务。平台背后的 Panoptes API 和机器学习流水线，将志愿者的分类结果转化为可供统计分析和模型训练的结构化数据。对于天文学中那些“自动化难以胜任、但人工又无力承担”的任务，这提供了一条切实可行的路径。
从参与者的角度看，Zooniverse 降低了天文研究的准入门槛，却没有降低科学问题的严肃性。志愿者不需要理解引力透镜的广义相对论推导，也不需要掌握小行星轨道动力学，他们只需要运用基本的视觉判断力，在教程的引导下完成分类。但正是这些看似简单的点击，汇聚成了专业论文中的样本量和统计显著性。更重要的是，讨论区的存在让愿意深入的人有机会了解背后的科学逻辑，甚至提出研究者未曾预料到的观察角度。
一个需要正视的局限是：Zooniverse 无法替代系统性巡天和自动化流程。它最有效的场景，是那些目标特征需要人类视觉判断、且数据量超出少数专家处理能力的任务。当机器学习模型在特定任务上被训练到足够可靠之后，志愿者的角色可能会从“主要分类者”转向“模型验证者”或“边缘案例仲裁者”——Artifact InSPECtor 已经在实践这一模式。这种演变本身并不削弱公众科学的价值，反而说明它正在嵌入天文研究更精细的分工之中。
五、如何开始：给纳视读者的参与建议
如果你希望从浏览者转变为参与者，步骤并不复杂。在 zooniverse.org 注册账号后，通过学科筛选找到天文学项目，完成教程即可开始分类。建议初次参与者从任务界面简洁、分类标准明确的目入手，例如 Galaxy Zoo 的形态分类或 Planet Hunters TESS 的光变曲线判读。每张图像的判断通常只需数秒，但建议保持一定的专注度：研究团队依赖的是你真实的观察，而非随机点击。如果遇到拿不准的图像，讨论区通常已有其他志愿者发起的讨论帖，阅读这些帖子本身就是学习识别特征的过程。
六、关于 Zooniverse 的常见问题
问：参与 Zooniverse 需要天文学背景吗？
不需要。每个项目都提供交互式教程，用示例图像教会你识别目标特征。平台明确说明“不需要博士学位，只需要好奇心和几次点击”。绝大多数志愿者没有专业天文训练。
问：我的分类真的会被用于研究吗？
会。分类结果经过多志愿者一致性统计后，由研究团队分析并发表在同行评议期刊上。Galaxy Zoo、Milky Way Project、Active Asteroids 等项目均有基于志愿者数据的正式发表成果。
问：Zooniverse 上天文学项目是免费的吗？
完全免费。平台和所有项目均免费参与，注册仅需用户名、邮箱和密码。
问：一张图像会被多少人看？
不同项目的设计不同，但通常每张图像会被呈现给多位志愿者（常见为 5 至 20 人以上），以冗余判断确保可靠性。
问：如果我看不懂某张图像怎么办？
可以跳过，也可以到讨论区提问。讨论区常有其他志愿者和项目科学家参与，许多有价值的发现正是从“这张图有点奇怪”的讨论中开始的。
问：参与时间可以计入志愿服务时长吗？
可以。Zooniverse 支持生成志愿者证书，记录你的分类数量和参与时长，可供学校或机构认定服务小时使用。
问：Zooniverse 和 NASA 是什么关系？
Zooniverse 本身是一个独立运营的平台，但多个项目由 NASA 资助或与 NASA 任务相关，例如 Planet Hunters TESS 使用 TESS 卫星数据，Active Asteroids 是 NASA 合作伙伴项目，Artifact InSPECtor 服务于欧几里得（NASA 参与贡献）和罗曼望远镜的数据准备。
问：除了分类，还有别的方式参与吗？
有。部分项目允许志愿者在讨论区发起讨论、标记异常目标，甚至参与后续的数据分析。有编程能力的志愿者还可以通过平台提供的 API 获取分类数据，进行独立分析。
Zooniverse 并不宣称自己能解决天文学的所有数据难题，它只是在一个特定的环节上——人类视觉判断仍然不可替代的环节——搭建了一座桥。桥的这一端是专业研究者面对的海量图像，那一端是散布在全球各地、愿意花几分钟认真看一眼星空的普通人。天文研究的专业化程度日益加深，但观察本身的门槛，并不必然随之升高。