---
title: "ИИ взял управление телескопом на себя: как нейросеть оптимизирует астрономические наблюдения"
description: "ИИ впервые полностью управлял крупным телескопом в Чили, самостоятельно планируя наблюдения с учетом погоды и Луны. Эффективность алгоритма уже сравнялась с работой человека, что критически важно для грядущей эры петабайтных данных от обсерватории Веры Рубин 🌌🔭🤖"
date: 2026-08-02T15:53:06.000Z
lang: ru
url: https://xab.info/posts/ii-uzal-upravlenie-teleskopom-na-sebe-kak-nejroset-optimiziruet-astronomicheskie-nablyudenija
tags: [artificial-intelligence, astronomy, fermilab, vera-rubin-observatory, dark-energy-survey]
publisher: "XAB.info"
---

# ИИ взял управление телескопом на себя: как нейросеть оптимизирует астрономические наблюдения

![Астрономическая обсерватория под звездным небом с Млечным Путем — символ внедрения ИИ в управление телескопами для оптимизации наблюдений](https://xab.info/media/2026/08/02/ii-uzal-upravlenie-teleskopom-na-sebe-kak-nejroset-optimiziruet-astronomicheskie-nablyudenija/ii-uzal-upravlenie-teleskopom-na-sebe-kak-nejroset-optimiziruet-astronomicheskie-nablyudenija-1.webp)

В астрономии наступила новая эра: впервые в истории система искусственного интеллекта полностью взяла на себя управление наблюдениями крупного национального телескопа. Ученые из Северо-Западного университета, Чикагского университета и Национальной лаборатории Ферми продемонстрировали, что алгоритмы глубокого обучения способны принимать сложные решения в реальном времени, сопоставимые с опытом профессиональных астрономов.

### Алгоритм против погоды и Луны

Испытания прошли в обсерватории Чили на 4-метровом телескопе Víctor M. Blanco. Система управляла работой 570-мегапиксельной камеры Dark Energy Camera (DECam). Задача, с которой столкнулся ИИ, оказалась нетривиальной: необходимо было самостоятельно определять, куда направить инструмент, и мгновенно корректировать план наблюдений.

В отличие от статичных программ, алгоритм учитывал динамические факторы: изменение облачности, яркость Луны и текущее состояние атмосферы. Обычно такие решения принимают люди, вынужденные искать компромисс между погодными условиями, ограниченным временем и научной ценностью целей, чтобы максимально эффективно использовать дорогостоящие часы работы телескопа.

### Обучение на опыте предшественников

Разработчики выбрали нестандартный путь обучения модели. Вместо того чтобы вручную прописывать правила, накопленные астрономами за десятилетия, исследователи обучили нейросеть на архиве наблюдений проекта Dark Energy Survey.

Модель изучала последовательности прошлых наблюдений, пытаясь предсказать следующий объект в списке. Решения алгоритма сравнивались с реальными действиями специалистов, а ошибки становились основой для дообучения. В результате система научилась интуитивно учитывать влияние лунной фазы и атмосферных условий без явного программирования этих зависимостей.

### Эффективность и перспективы

Весной и летом текущего года система успешно отработала две полноценные наблюдательные кампании. По словам разработчиков, эффективность ИИ уже сопоставима с работой человека. Однако цель проекта не ограничивается автоматизацией рутинных действий.

Следующий этап — научить модель находить более эффективные стратегии планирования, которые человек мог бы не заметить. Это особенно актуально в преддверии ввода в эксплуатацию обсерватории имени Веры Рубин (Vera C. Rubin Observatory). Новый гигант будет ежедневно собирать беспрецедентные петабайты данных.

Авторы проекта уверены: интеллектуальные системы планирования помогут координировать работу нескольких телескопов, оптимизировать каждую ночь наблюдений и освободят ученых от рутины, позволив сосредоточиться на анализе данных и фундаментальных открытиях.