NVIDIA 与 SETI 把射电望远镜交给智能体：一句话调天线，2.4 Tbps 数据在 GPU 里流式处理

NVIDIA 于 2026 年 10 月 30 日发布案例：Breakthrough Listen 与 SETI Institute 把智能体接入日常 SETI 搜索，在加州北部的 Allen Telescope Array，智能体可驾驶仪器、增强并纠正输入数据、把 AI 模型套在实时数据流上，全部由一句自然语言请求发起。系统由 Holoscan 平台库 DAQIRI 把 TB 级传感器数据直送 GPU 显存，CyberEther 做信号处理，Nexus 充当智能体编排层，在 RTX PRO 6000 Blackwell 上达到 2.4 Tbps。

这次发布的是什么

NVIDIA 于 2026 年 10 月 30 日发布一则案例，主角是 Breakthrough Listen 与 SETI Institute：两家机构把智能体接入日常的地外文明搜索工作。在加州北部的 Allen Telescope Array，智能体现在可以驾驶仪器、增强并纠正进入的数据、把 AI 模型套在实时数据流上，而这一切由一句自然语言请求发起。

SETI Institute 的 Bernard M. Oliver 讲席教授、Breakthrough Listen 首席研究员 Andrew Siemion 在文中给出的说法是：随着这类智能体化观测站伸向宇宙，它们发现的东西可能与自身更像，而不是与造它们的人更像；他把这称为一次翻译上的突破，而不是需要恐惧的事。

可用性与限制

• 不是可下载产品：这是一套研究机构的观测系统改造，外部无法直接使用。
• 数据口径：2.4 Tbps 是在 NVIDIA RTX PRO 6000 Blackwell 上达到的处理能力，官方未给完整机器配置与功耗。
• 部署范围：目前落在 Allen Telescope Array 一套系统上，其他台站未提。
• 离线场景仍在评估：远月面等极端环境要用开源模型（含 NVIDIA Nemotron），现在还只是评估阶段。
• 结论权限：公告未说明智能体是否有权独立发布观测结论，以官方后续说明为准。

主要功能

• 用自然语言指挥天线指向与聚焦。
• 在飞行中处理数据，不必先落盘再回算。
• 实时监视丢包、读频谱图、改写信号处理模块。
• 把模型输出接到信号筛选环节。
• 一套编排层统一仪器状态、算力与流水线视图。
• 把过去需要数周或数年的排查压缩到数小时。

技术原理

数据入口是 DAQIRI —— NVIDIA Holoscan 平台的一个库，它把每秒 TB 级的传感器数据直接拉进 GPU 显存，让观测在传输过程中就被处理，而不是先堆到硬盘上。

信号处理由 CyberEther 完成，这是 SETI Institute 自研的框架，靠 NVIDIA CUDA-X 里的 cuFFT 与 cuBLAS 做变换。

智能体这一层由 Nexus 承担。它是一个基于网页的观测站编排器，也是整套系统的 agent harness：给智能体一份关于仪器状态、算力资源与流水线的单一事实来源，同时让研究者能监视丢包、看实时频谱、用提示词改写信号处理块。系统在 RTX PRO 6000 Blackwell GPU 上处理 2.4 Tbps 数据，推理放在仪器旁边的本地机器上，不走云端。

这套管线已经有一个结果：在蟹状星云实现了首次实时的 AI 脉冲星检测。

实际体验

官方给的可核验点是吞吐数字与首次实时 AI 脉冲星检测这件事本身，没有给误报率、召回率，也没有与传统管线做同口径对比。所以要判断它到底强多少，目前缺数据。

值得记下的是架构选择：agent harness 放在编排层（Nexus），而不是让模型直接驱动硬件。智能体拿到的是仪器状态与可用处理块，它的动作最终要落成对处理块的改写，这样出错时的边界是清楚的 —— 最多是某段处理逻辑改错，而不是把望远镜指向别处。给内部工具接智能体时，这个思路可以直接借用。

另一个判断是：2.4 Tbps 是单台机器的处理能力，官方没有给台站实际带宽占用与峰值负载，两者不能混为一谈。

项目地址与获取方式

• 官方文章：https://blogs.nvidia.com/blog/ai-joins-the-search-for-extraterrestrial-signals/
• Holoscan 是 NVIDIA 面向实时传感器处理的开发者平台，装机与文档请从其官方渠道获取；请通过官方渠道下载，避免安装被篡改的版本。
• CyberEther 与 Nexus 由 SETI Institute 侧开发，公开获取方式以其官方仓库与文档为准。

适合谁用

• 做科学仪器与实时信号处理的工程师。
• 想给内部工具接智能体编排的团队。
• 关注 agent harness 设计与权限边界的产品与架构人员。
• 不必用：只需要通用聊天机器人、不做实时数据管线的使用者。

常见问题

智能体真的能操作望远镜吗？

按官方描述，可以：它能在单次自然语言请求里完成指向、校准、纠错与出图。但动作不是直接给电机发指令，而是通过 Nexus 编排层落到仪器状态与信号处理块上，这也是为什么文章反复强调编排层是单一事实来源。

2.4 Tbps 是什么概念？

这是系统在 RTX PRO 6000 Blackwell 上处理传感器数据的速率，官方给出的场景是射电望远镜阵列的原始数据流。它描述的是这台机器能吞下多少数据，不等于台站的对外带宽，也不代表全天候都能跑满。

为什么要在仪器旁边做推理？

因为数据量太大。把原始数据传回数据中心再算，带宽成本会先成为瓶颈；把推理放在仪器旁边，只把筛选后的结果传出去，链路压力小得多。这也是文章提到远月面等离线场景时要换开源模型的原因 —— 那里没有可依赖的云端。

这套东西能用来做别的事吗？

思路上可以：任何「传感器数据量大、需要边收边筛」的场景都能借鉴这套分层 —— 采集入库、变换、编排、模型筛选。但这篇文章讲的是天文观测，换成工业或医疗场景要重新验证，官方没有给跨领域结论。

相关工具与内容

• NVIDIA 推出 Minerva：面向 AI 工厂的可观测性运维平台
• 给智能体接一套可观测性：追踪、指标与日志
• NVIDIA 发布 Nemotron 3.5 Super VL：1200 亿参数开放权重视觉语言模型，补上端侧两款 Bolt
• AI 智能体
• 其他 AI 工具