天文學家把 GPU 用完了，這事比你想像的嚴重

> Meta Shift

我認為科學研究開始搶 GPU 這件事，不只是資源競爭的問題，而是整個 AI 基礎設施瓶頸的預警。當天文學家都要跟 OpenAI 搶顯卡時，代表我們已經進入算力稀缺時代的新階段。

這不是什麼遠在天邊的科學新聞，而是直接影響你我工作的結構性問題。

數據洪水淹沒了天文學家

最近 NASA 宣布 Nancy Grace Roman 太空望遠鏡將在 2026 年 9 月提前發射，比原計畫早了 8 個月。這台新望遠鏡在整個生命週期內，預計會傳回 20,000 TB 的資料給天文學家。

聽起來很厲害？那你看看現在的狀況：

James Webb 太空望遠鏡從 2021 年開始工作，每天下傳 57 GB 的影像資料。智利山區的 Vera C. Rubin Observatory 今年稍晚開始巡天觀測，估計每晚會產生 20 TB 的資料。相比之下，曾經的金標準 Hubble 太空望遠鏡每天只產生 1-2 GB 的感測器資料（來源：TechCrunch）。

數字很直觀 — 新一代望遠鏡的資料產出比上一代多了幾個數量級。而人工分析這些資料？不可能了。

UC Santa Cruz 的天體物理學家 Brant Robertson 過去 15 年一直在跟 Nvidia 合作，把 GPU 應用到太空科學問題上。他的觀察很直接：「我們已經從分析少數幾個天體，進化到對大規模數據集做基於 CPU 的分析，再進化到這些分析的 GPU 加速版本。」

Robertson 和當時還是研究生的 Ryan Hausen 開發了一個叫 Morpheus 的深度學習模型，專門用來處理大數據集並識別星系。他們的 AI 分析 Webb 資料時，發現了意外多的特定類型盤狀星系，還為宇宙發展理論添了新的變數。

現在 Morpheus 也在跟上時代 — Robertson 正在把它的架構從 CNN 換成 transformer（沒錯，就是 LLM 背後那套）。升級後的模型分析面積可以比現在多好幾倍，速度更快。

科學家開始搶 GPU 的三個原因

第一個原因：資料量爆炸性成長。

這不是線性成長，而是數量級的跳躍。從 Hubble 的每日 1-2 GB 到 Webb 的 57 GB，再到 Rubin 的每晚 20 TB，你算算這個成長曲線。傳統的 CPU-based 分析方法根本跟不上這個資料產出速度。

而且這還只是天文學。其他科學領域也在經歷類似的資料洪水 — 基因體學、氣候模擬、粒子物理，哪個不是在跟時間賽跑處理 petabyte 級的資料集？

第二個原因：AI 方法論的滲透。

十年前科學家還在寫 CPU 程式處理資料，現在直接跳到深度學習模型。Robertson 從 CNN 升級到 transformer，這個路徑跟商業 AI 應用幾乎一模一樣。科學研究不再是封閉的小圈子，而是跟產業界用同一套工具、同一套硬體。

這意味著科學家現在跟 OpenAI、Google、Meta 在同個市場上競爭同樣的資源。

第三個原因：時間壓力。

太空望遠鏡的觀測窗口有限，資料保存成本高昂，延遲分析就是浪費資源。Morpheus 升級到 transformer 不只是為了效能，更是為了在資料還新鮮的時候就能快速得出結果。

這讓我想到 2017-2018 年的加密貨幣挖礦熱潮。當時礦工把 GPU 市場買空，遊戲玩家抱怨買不到顯卡。但那時候至少挖礦跟遊戲用的是不同等級的 GPU。現在科學研究跟商業 AI 用的是同一批 H100、A100，競爭更直接、更激烈。

Meta 判讀：算力稀缺時代來了

我把這個趨勢判定為 Meta Shift，原因有三：

**首先，這改變了科學研究的遊戲規則。**過去科學家可能花幾年時間寫 CPU 程式分析資料，現在沒有 GPU cluster 就等於出局。這不是效率問題，而是能不能做研究的問題。

**其次，這揭示了 AI 基礎設施的結構性瓶頸。**當天文學家都要跟 ChatGPT 搶 GPU 時，說明整個 AI ecosystem 已經超出現有硬體供應能力。Nvidia 一家獨大的局面讓這個瓶頸更嚴重。

**最後，這會重新定義科技公司的優先順序。**未來可能會看到 Google、Microsoft、Amazon 開始跟學術機構合作，不是因為 CSR，而是因為科學運算能力本身就是競爭優勢。誰能提供更強的科學運算服務，誰就能吸引更多研究人才和資料。

從投資角度看，算力基礎設施的稀缺性會推高相關公司的估值。但同時也要注意，過度依賴單一供應商（Nvidia）的風險正在放大。任何能打破這個瓶頸的技術或公司，都值得關注。

給工程師和投資者的建議

如果你是工程師：

現在就開始關注科學運算市場。不只是商業 AI，科學研究的運算需求同樣龐大，而且通常資金充足（政府預算、研究經費）。學會 CUDA、熟悉分散式運算框架，這些技能在科學運算市場同樣吃香。

另外，別只盯著 LLM 和聊天機器人。電腦視覺、訊號處理、數值模擬這些「老技術」在科學領域依然有巨大需求，而且競爭沒那麼激烈。

如果你在關注投資機會：

算力基礎設施的投資邏輯正在改變。不再只是「誰能訓練更大的模型」，而是「誰能滿足多樣化的運算需求」。雲端服務商開始提供專門的科學運算服務，這個市場值得關注。