比了解数据更了解仪器的误差
第谷·布拉赫在乌拉尼堡把每一台仪器互相校准比对,并列表记录每一台的系统误差,最终以肉眼达到约一角分的精度。这个习惯以现代规则的形式流传下来:毁掉结果的往往是系统误差,而非统计误差——先弄清仪器本身,否则你发现的宇宙其实只是你的探测器。
格子越深,表示该主题在这项指标上越高。
低高
对研究岗位而言,事实上是的:没有任何国家颁发天文学家执照,但大学、天文台与航天机构都把博士学位当作入门资历,望远镜观测时间与经费申请资格也大多以此为前提。也有人不持有博士学位却从事天文相关工作——望远镜操作员、仪器工程师、软件开发者与科普人员——业余爱好者至今仍能做出真正的发现,但主导性的研究工作是博士的天下。
从中学毕业到第一份独立研究岗位,大约需要九到十二年:三到四年物理或天文学学士,欧洲通常还要读硕士,再加三到六年博士。拿到一份永久工作往往还要更久——多数天文学家会经历几份多年期的博士后合同,通常要到三十五岁到三十九岁之间才能落定一份长久的职位。
如今几乎没有区别:这两个头衔在招聘广告和系办公室门牌上是可以互换使用的。从历史上看,天文学(astronomy)意味着测量位置与运动,而诞生于十九世纪中叶光谱学兴起之时的天体物理学(astrophysics)意味着解释其背后的物理原理。既然如今几乎所有现代天文学家都在用物理学工作,“天体物理学家”不过是一个更新的说法;“天文学家”则是更古老、更宽泛的那个。
美国劳工统计局公布,2023年天文学家的薪酬中位数约为12.8万美元,但这描述的是资深人士:博士生靠约3万至4.5万美元的津贴生活,博士后则是6万至7.5万美元(美国,2024–25)。德国、英国与澳大利亚的学术薪级在名义值上略低,印度研究机构的薪酬则更是低出许多。
几乎不再用肉眼贴着目镜看了——探测器在一个多世纪前就取代了肉眼,如今多数大型望远镜都以排期方式运行:由工作人员或机器人观测,数据通过网络传来。许多成果斐然的天文学家甚至从未去过自己所用的望远镜现场,相当一部分论文完全是根据哈勃、盖亚和斯隆巡天等档案数据写成的。
天文学是研究那里实际存在什么的科学;占星术则是相信行星位置左右人间事务的信念,它未能通过任何一次受控检验。这两者曾在数千年间是同一门行当——开普勒靠占卜星象来资助自己真正的轨道力学研究——直到十七、十八世纪才在欧洲分道扬镳。此后再没有任何天文台、大学系所或期刊雇佣过占星术。
公众印象中的天文学家是一个贴着目镜的人;现实中的天文学家是一个在判断图上一个凸起是否真实的人。现代天文学建立在用代码完成的统计推断之上:天空由机器人巡天与排期观测者测量,而天文学家的手艺在于从嘈杂、有偏、不完整的数据中提炼出一个站得住脚的主张——再说服审稿人,让这个主张能经受住每一种平淡无奇的解释。
更古老的手艺并未消亡,而是变得更加集中。总要有人理解探测器的异常行为、逐小时规划一整夜的观测、并用标准星对新数据做校准——这些技能从第谷的仪器日志,经照相底片时代,一路传到今天的巡天流水线。同时掌握统计学与仪器学的天文学家,依然是最先发现新事物的那些人。
从噪声与偏差中分离出信号是日常工作;拟合模型、量化不确定性并抵制一厢情愿的想法,与任何一台望远镜同样是这门行当的核心。
Python、流水线与版本控制是日常工具:一篇典型论文背后是数千行分析代码,作用于数太字节的巡天或模拟数据。
每一次解读都要经过物理学——辐射转移、引力、等离子体——以及把一条光谱或光变曲线与那里真正发生的事情联系起来的数学。
论文与望远镜时间申请决定着职业生涯;在一台8米望远镜上争取一夜观测时间,靠的是在六比一的竞争中写出两页论证紧凑的科学理由。
现代成果来自分布在各大洲、各仪器的团队;在智利、欧洲与夏威夷之间开一场电话会议,不过是稀松平常的一个周二。
曾经是全部的工作,如今是一门专精手艺:光学、探测器、校准,以及山顶一夜逐小时的纪律。
一天从查看arXiv上一夜新增的预印本清单开始,如今几乎所有天文学成果在正式发表前都会先出现在这里——快速浏览看看有没有抢先发表、支持或补充当前项目的结果。
核心工作时段:调试归约流水线,为上个月的光谱拟合模型,或是折腾一条针对盖亚档案的查询。这段不受打扰的时间是这份工作里最稀缺的资源。
多数院系会在午餐时间安排一场报告或论文讨论会;这是不同领域相互启发、评估来访者、以及研究生学习如何在公开场合提问的地方。
指导会议、按智利与夏威夷时区安排的合作电话会议、审稿意见,以及维持整套机制运转的委员会工作——时间分配、招聘、课程设置。
论文与申请书,是这份职业生涯真正被计数的产出。大型望远镜的申请截止日期每年两次,往往会让接下来几周的整个日程都围着它转。
陪家人、睡觉,一年中也有几次会反转过来:一次从黄昏到黎明的观测班次或远程观测,或是凌晨三点被闹钟叫醒,因为一条超新星警报需要在天象改变之前有人做出判断。
从业者真正口耳相传的技艺——不是鸡汤。
第谷·布拉赫在乌拉尼堡把每一台仪器互相校准比对,并列表记录每一台的系统误差,最终以肉眼达到约一角分的精度。这个习惯以现代规则的形式流传下来:毁掉结果的往往是系统误差,而非统计误差——先弄清仪器本身,否则你发现的宇宙其实只是你的探测器。
光度测量只有相对于一个参照才有意义,因此观测者会在整夜中,用已知亮度、处于相近大气质量的标准星把科学目标括标起来。数代人都参照阿洛·兰多尔特自1970年代起数十年间反复测量的赤道标准星场进行校准。
宇宙线撞击、卫星轨迹、内部反射与探测器缺陷都会伪装成发现,每一个巡天项目的警报流大多是假象。经训练形成的反射动作是:在允许自己兴奋之前,先调出原始帧、检查真正的像素——大多数“新源”就死在这一眼之下。
在看到答案之前先确定好筛选标准、模型与统计检验,这样希望就无法左右结果。LIGO把这项纪律制度化为秘密的“盲注入”演练——2010年,合作组织曾把一个看似的发现写成论文,最后打开信封才发现那是一个植入的测试信号。
经典的观测手艺:整晚的安排都提前写成脚本——目标按大气质量排序、校准穿插其中、为多云或大风准备好备用清单——因为凌晨三点疲惫时做出的决定往往是糟糕的。现代天文台的排期观测,正是把这套纪律变成了软件。
1967年乔斯林·贝尔·伯内尔发现一个脉动射电源时,剑桥团队花了数周排除干扰、仪器故障,甚至绕轨发射器的可能——他们半开玩笑地把这个源标记为LGM-1,意为“小绿人”——才敢宣称这是一种新的恒星。在天空中另一处发现第二颗脉冲星,才最终敲定了这一结论。
从1668年牛顿那面六英寸的镜子,到正在智利阿马逊斯山崛起的39米极大望远镜,这个“接光桶”本身——如今已实现分块、自适应与计算机指向——依然是这门职业最具代表性的仪器。
1969年在贝尔实验室发明的电荷耦合器件(2009年获诺贝尔奖),用几乎能捕获每一个光子的硅片,取代了会浪费98%入射光的照相底片——这是这门职业史上单次最大的灵敏度飞跃。
把光展开成各个波长成分,揭示化学组成、温度与运动。像HARPS这样的精密光谱仪能测出恒星每秒约一米——步行速度——的微弱摆动,这正是称量其他恒星周围行星质量的方法。
由社区共建的开源Astropy生态系统,已成为这个领域共享的工作台,被数千篇论文引用;熟练使用它如今和熟练使用微积分一样理所当然,天文学家本身也是它的核心维护者之一。
盖亚绘制的近二十亿颗恒星星图、斯隆数字巡天与哈勃档案本身就是一种仪器:如今相当一部分论文,包括许多关于哈勃的论文,完全是根据作者从未亲自获取过的数据写成的。
2014年3月,BICEP2团队在同行评审之前就在新闻发布会上宣布发现了原初引力波;不到一年,普朗克卫星的数据表明星系尘埃就足以解释这个信号。这段插曲如今被当作经典警示来讲授:一个结果越可能成就一个人的职业生涯,就越应该在事前受到最无情的怀疑。
在不同国家连续签下两到三年的合同,可能吞噬博士毕业后整整十年,永久职位却从无保证;伴侣的职业与家庭计划也要为此承担代价。表现最好的天文学家会提前定好自己的退出标准,而不是从一份合同漂到下一份合同。
在这个功劳归于已发表分析、而非归于观测本身的领域里,完美主义是致命的:维斯托·斯里弗最早测出了星系红移,但那条膨胀定律却以哈勃的名字命名。望远镜数据的独占期终会到期,档案会开放,一个被抢先的结果一文不值。
不限同一领域,六项评分最接近的职业。
受过训练的往昔审问者——从希罗多德、司马迁到数字化档案库,把脆弱的文献变成可供核实的历史记述。
抗AI 70 🎓公开讲授一门学问并以此谋生的学者——从柏拉图学园到终身教职与 AI 助教,二十五世纪的教学与发现史。
抗AI 76 🎬通过决定每一个镜头、每一次表演和每一处剪辑,把剧本变成一部完成的电影,再说服制片人、制片厂和观众相信这份投入值得那笔预算。
抗AI 73 🧮从巴比伦文士到菲尔兹奖得主,再到AI辅助证明:这门职业把难题一个定理接一个定理地变成永恒的确定性。
抗AI 70 🏺研究生命本身的科学家,从Linnaeus手工命名物种,到用CRISPR编辑基因组,仍然在针对一个活生物体测试每一种想法.
抗AI 64衍生并测试关于物质,能量,空间和时间的数学定律,从一个孤独的粉笔板到3000个作者的粒子对流器纸.
抗AI 65 🧬研究生命本身的科学家,从Linnaeus手工命名物种,到用CRISPR编辑基因组,仍然在针对一个活生物体测试每一种想法.
抗AI 64 🧪亲手制造并测量物质本身的科学家——从塔普提在巴比伦蒸馏香水的年代到今天的机器人实验室,仍是那个判断谱图意味着什么的人。
抗AI 70 📊从数据中寻找规律、构建预测模型——一个2008年才出现的职位名称,建立在三个世纪计数、检验与可视化证据的传统之上。
抗AI 38 🧮从巴比伦文士到菲尔兹奖得主,再到AI辅助证明:这门职业把难题一个定理接一个定理地变成永恒的确定性。
抗AI 70 🧿构建、测量和控制利用量子态进行计算、传感、通信和材料研究的设备。
抗AI 78 🧫使用临床、试验和卫生系统数据生成可靠的证据,以实现更安全的护理、研究和运营决策。
抗AI 68