18岁高中生用AI挖出150万未知天体，首批ChatGPT原住民毕业¶

Ch01.250 18岁高中生用AI挖出150万未知天体，首批ChatGPT原住民毕业¶

📊 Level ⭐⭐ | 14.4KB | entities/18岁高中生用ai挖出150万未知天体首批chatgpt原住民毕业.md

核心事件¶

2026年，OpenAI上线「ChatGPT Futures」页面，展示了26位年轻创新者的项目，每人获得1万美元奖金及前沿模型访问权限。这一项目旨在为「AI时代的优秀年轻人」树立标杆，标志着第一代「ChatGPT原住民」正式进入公众视野。

Matteo Paz：AI发现150万未知天体¶

背景与成就¶

Matteo Paz是一名在Caltech完成突破的高中生。2023年3月，他参与了Caltech的Summer Research Connection暑期研究项目，由IPAC资深天文学家Davy Kirkpatrick担任导师。此前，他在八年级就修完了AP Calculus BC（大学先修微积分BC），并在2022年夏天进入Caltech的Planet Finder Academy（行星发现学院）。

技术方法¶

Paz开发了一个名为VARnet的机器学习算法，处理了NEOWISE十余年红外巡天攒下的近200TB数据、约2000亿行记录。NEOWISE是NASA的退役红外巡天望远镜，其数据集包含了过去十年的所有探测记录。Davy Kirkpatrick形容：「这张表已经逼近2000亿行，记录了我们过去十年的每一次探测。」

发现成果¶

VARnet算法从中标记并分类出190万个红外变源天体，其中约150万个为此前未记录的潜在新发现，包括超大质量黑洞、新生恒星、超新星等。这一工作远超预期——Kirkpatrick原本只指望「找几颗变星出来，告诉天文界这数据里还有宝」，但Paz给出了完整目录：190万个变源天体，分十大类，全部归档。

荣誉¶

Paz的论文发表在《Astronomical Journal》（《天文学杂志》），并于2026年3月获得Regeneron Science Talent Search（雷杰纳隆科学天才奖）头奖。按Caltech的描述，这是「一个本地高中生在Caltech实现了突破」。

ChatGPT Futures 26位入选者¶

OpenAI将26位入选者分为三类：

类别	英文名	方向
创造者	Creators	产品开发
探索者	Explorers	学术研究
倡导者	Advocates	推广普及

入选者来自MIT、斯坦福、哈佛、牛津、Berkeley、耶鲁等20多所大学和机构，基本覆盖了北美和英国的研究第一梯队。

代表性项目¶

AION-Search：自然语言搜索1.4亿张星系图¶

Nolan Koblischke开发的AION-Search系统让1.4亿张星系图变得「可被自然语言搜索」。传统天文图像检索只能依靠图像相似度或预定义类别，而AION-Search使用GPT-4.1-mini为27.5万张星系图自动生成文字描述（成本仅150美元），再用对比学习训练图文共享检索空间。

在检索效果上，传统图像相似度算法在前10个结果中几乎全错，而AION-Search在前10个中有相当一部分正确。行业用nDCG@10指标衡量检索准确性，AION-Search达到0.180，传统方法仅为0.015——这是10倍以上的提升。

WiFind：用WiFi信号穿透瓦砾找幸存者¶

由Nayel Rehman、Arhan Menta、Rushil Kukreja、Aayush Tendulkar组成的团队开发了WiFind项目。该项目利用AI处理WiFi信号，试图穿透墙壁和瓦砾在灾区找到幸存者。WiFi路由器在全球各地无处不在，每一台都成为潜在的「生命探测器」。WiFind目前是Springer会议论文及Conrad Challenge获奖项目，尚在原型阶段。

其他项目¶

Crystal Yang（18岁）：为20万视障学生开发了「以听代看」的学习游戏
Anshi Bhatt（19岁）：反诈系统已帮助1.8万人避开网络骗局
Amrita Bhasin（25岁）：物流系统让超过500万磅滞销库存绕开了垃圾填埋场
Zeyneb Kaya：用AI保护濒危语言
Kyle Scenna（24岁，Waterloo）：创业者，表示「从发现一个问题到把它做出来，这个距离能这么短」
Michelle Lawson（20岁，Smith College）：「AI让想象成真」
Nolan Windham（23岁）：知名对冲基金AI主管

第一代ChatGPT原住民¶

背景¶

2022年11月30日ChatGPT发布时，2026届新生刚入学两个多月。这意味着2026届毕业生是第一届在整个大学经历中都能「随时使用」ChatGPT的群体——他们被称为「第一代ChatGPT原住民」。

AI作为默认基础设施¶

这一代人的共同特点是将AI视为默认基础设施，就像上一代互联网原住民看待Wi-Fi一样。他们不再把AI当作「工具」，而是将其整合到学习和生活的各个层面。

门槛并未消失，只是挪了位置¶

Matteo Paz的完整背景¶

分析认为，Paz的成功并非「普通高中生加ChatGPT」，而是「数学先修到大学水平、有Caltech顶级导师陪了两年、能直接调用IPAC计算资源的高中生」再加AI。他早在2022年夏天就进入Caltech的Planet Finder Academy，2023年参加Summer Research Connection项目，中学阶段已完成AP Calculus BC。

AI的局限性¶

AION-Search论文也提到了其局限：VLM会漏掉细微的天文结构，会把GPT-4.1-mini本身的偏见带进系统。整套方法在天文领域能跑通，本身也得益于Galaxy Zoo等人工标注数据已被GPT当训练语料喂过。AI找到的，主要还是天文学家以前就知道该怎么标注的现象。

真正的启示¶

AI抹平的是「重复劳动的门槛」，它并没有抹平「品味、判断、长期训练」。门槛并没消失，它只是从「能不能做到」，挪到了「能不能想到」。Paz故事的重点，不在于AI让任何高中生都能做天文学，而在于一个本来就要做出天文发现的高中生，把这件事提前了十年。

深度分析¶

洞察一：AI降低的是「执行门槛」，而非「成就门槛」¶

Paz的案例揭示了一个关键悖论：AI使处理2000亿行数据成为可能，但取得天文发现的核心仍然取决于研究者的领域素养。VARnet算法能够标记190万个红外变源天体，但识别「超大质量黑洞」与「新生恒星」并对其进行分类，仍需要天文学专业知识作为判断基础。这一现象表明，AI并未降低科学发现的准入门槛，而是将人力从数据清洗、重复标注等重复性劳动中解放出来，使研究者能专注于更高层次的科学推理。

洞察二：「第一代ChatGPT原住民」代表 generational shift 的基础设施认知¶

2026届毕业生将AI视为像Wi-Fi一样理所当然的基础设施——这是互联网原住民一代对技术认知的又一次范式转变。此前的技术革命（PC、互联网、移动端）改变的是「获取信息的方式」，而AI原住民则将AI整合进思维过程本身，成为学习与创造的默认协作对象。这种认知转变意味着，未来的创新者不会刻意「使用AI」，而是自然地在AI辅助下构思和执行复杂项目。

洞察三：顶尖机构的「陪跑」机制是AI时代创新的隐性杠杆¶

Paz的成功离不开Caltech提供的Planet Finder Academy、Summer Research Connection项目以及IPAC的计算资源。这揭示了一个重要事实：AI工具的民主化并未消除机构资源的重要性，反而在某种程度上强化了「有人带你走通这条路」的价值。OpenAI的ChatGPT Futures计划本质上也是在扮演这一角色——1万美元奖金加前沿模型访问权限，为年轻创新者提供了「机构级」的支撑体系。

洞察四：AI的「发现」本质上是模式识别，而非真正的科学创新¶

AION-Search论文坦承的局限性具有重要的警示意义：VLM会漏掉细微天文结构，且系统依赖于天文学家已标注的训练数据。AI找到的主要是「以前就知道怎么标注的现象」。这说明当前AI天文发现工具的能力边界在于：它们擅长在已知模式内找到更多样本，但难以发现全然未知的天文现象。真正的科学突破仍需人类的直觉与创造性假设。

洞察五：「门槛挪位」重塑了教育投资方向¶

AI将门槛从「能不能做到」推向「能不能想到」，这一转变对教育政策具有深远影响。当执行层面的技能（代码编写、数据处理）逐渐被AI自动化后，「品味、判断、长期训练」等难以被量化的能力变得更具价值。Paz在八年级修完AP Calculus BC、在Caltech行星发现学院提前两年接触科研训练，这些积累而非AI本身，才是他在18岁实现突破的根本原因。未来的教育竞争，可能不再围绕「会不会用工具」，而是「有没有能力提出好问题」。

实践启示¶

行动一：先建立领域深度，再叠加AI能力¶

个人学习路径应遵循「领域素养优先」原则。Paz的案例表明，没有天文学专业知识，即便拥有VARnet级别的算法工具，也无法从190万个变源天体中区分出超大质量黑洞与新生恒星。建议在本科阶段专注于一到两个领域的深度学习，待形成成熟的领域直觉后，再借助AI工具放大研究效率。

行动二：主动寻求「陪跑」资源，放大个人努力¶

Caltech的导师制与OpenAI的奖金加模型访问计划都表明，机构资源在创新过程中具有显著的杠杆效应。年轻研究者应积极寻找暑期研究项目、导师辅导计划或类似的支撑体系——这些资源提供的不仅是资金或计算能力，更重要的是「有人知道这条路走得通」的方向确认。

行动三：以「提出好问题」为目标重新定义学习¶

AI降低了执行层面的技能门槛，但「能不能想到」成为新的竞争焦点。学习重心应从「记忆知识点」和「掌握工具用法」转向「培养问题意识」：如何识别一个领域内未被解决的问题？如何将模糊的直觉转化为可验证的假设？这些能力的培养需要持续的跨领域阅读、批判性思考和与专家的深度讨论。

行动四：为AI系统建立「人类在环」的质量校验机制¶

AION-Search和VARnet的实践表明，AI输出需要人类专业知识进行质量评估。在实际项目中，应建立系统化的校验流程：AI初筛结果→领域专家抽检→反馈优化模型。这一机制不仅能捕捉AI漏掉的细微信号，也能识别AI引入的系统性偏见，避免「用AI找到了天文学家已知的现象」的局限。

行动五：关注「AI作为默认基础设施」时代的新兴机会¶

ChatGPT Futures名单揭示的机会图谱表明，AI的真正价值在于使此前「需要机构才能做」的事情变得个人可及。从WiFind用WiFi路由器探测灾区幸存者，到AION-Search让1.4亿张星系图可被自然语言搜索，这些项目的共同特点是「用常见基础设施解决以前需要专用设备的问题」。个人创新者应关注那些依赖AI将专用能力平民化的领域，这其中存在大量「从0到1」的机会。