银河系数据科学家到底是谁？这事儿得从一个宇宙数据部说起

有天晚上我蹲在阳台啃西瓜，抬头看见银河像一条打翻的牛奶河横在天上，脑子里突然蹦出一个特别不严肃的念头：要是银河系是个大公司，那它的数据科学家会是谁？

我知道这个问题听起来像科幻迷喝多了胡思乱想，但你仔细琢磨一下，银河系里大概有一千亿到四千亿颗恒星，每颗恒星又可能带着几颗行星，还有数不清的星云、星团、暗物质晕——这个数据量，不是开玩笑的，如果真有人能处理得了这种级别的大数据,那肯定不是我们这种还在折腾SQL调优的普通数据人。

后来我查了不少资料,发现这个问题的答案远比我想象的要有意思。

一个你可能从没听过的名字

我们先说一个真实存在过的人，她叫亨丽埃塔·斯旺·莱维特（Henrietta Swan Leavitt），1900年代初期，她在哈佛大学天文台工作，职位是“计算员”——说白了，就是当时的天文数据标注员，工资按小时算,一小时不到30美分。

她的日常工作枯燥到让人头皮发麻：盯着天文照相底片上成千上万颗星星的亮点，测量它们的亮度变化，然后记录在表格里，放到今天，我们大概会写个Python脚本搞定，但那时候全靠肉眼和铅笔，莱维特就是在这样日复一日的枯燥劳动中,注意到了一件极其反常的事情。

她发现一类叫“造父变星”的恒星，光变周期和真实亮度之间存在着严格的数学关系，周期越长，星星本身就越亮，这个发现有多重要？我给你打个生活的比方——就像你突然发现，所有汽车的喇叭声大小其实和发动机马力有固定换算公式,你只要听到喇叭声就能准确知道那辆车能跑多快。

这个关系被称为“周光关系”，它给了天文学家一把量天尺，只要找到一颗造父变星，测出它的光变周期，就能推算出它的真实亮度，再对比我们在地球上看到的暗淡程度，就能算出它离我们有多远，一下子，人类突然能量出银河系的大小了,也能量出其他星系离我们多远了。

所以如果你要问谁是银河系最早的数据科学家，莱维特绝对算一个，她在海量天文数据中发现了一个隐藏模式，建立了一个模型，这个模型到今天还在被使用，这跟今天数据科学家做的事情本质上完全一样：从噪音里找信号，用数学描述规律,然后用规律去预测未知。

银河系如果真的有个数据科学家，他会怎么工作？

好，上面说的是真实历史，现在我们把脑洞再开大一点，假设银河系本身就是一个活的生命系统，它拥有某种类似“数据科学部门”的存在，那这个人（或者这个角色）大概会干什么？

我猜他首先要搞定的，是银河系最棘手的数据接入问题，银河系的数据源分散得离谱：猎户座悬臂的恒星形成率、银心超大质量黑洞的活动指数、暗物质晕的引力透镜信号、球状星团的运动轨迹……每一项数据都分布在跨度达十万光年的空间里，而且时间尺度完全不一样，黑洞的一次打嗝可能持续几百万年,而一颗超新星爆发几天就结束了。

换成我们数据人的行话，这就是典型的多源异构实时离线混合数仓架构的噩梦，而且数据延迟是物理规律决定的——你观测到一万光年外的一件事，那件事其实一万年前就发生了，这种“宇宙级时效性问题”会让任何一个做实时流计算的人当场崩溃。

然后是特征工程，银河系数据科学家大概要在“恒星生命周期”这个特征族上花费大量精力，一颗恒星的质量是多少？金属丰度如何？处于主序星阶段还是已经膨胀成红巨星？是不是双星系统？有没有行星盘？这些特征共同决定了一颗恒星最终会成为白矮星、中子星还是黑洞，你可以想象他有一个巨大的特征存储库，里面标签满天飞：“此恒星已离线120亿年”、“推荐标签：高概率超新星候选”。

最让我觉得有意思的，是这个角色的业务目标，银河系作为一个整体，它的“核心业务指标”到底是什么？如果让我猜,大概有一张看起来很像OKR的表格：

目标层级	指标名称	当前状态
核心指标	恒星形成率	逐年下降，已过峰值期
风险指标	银心黑洞活跃度	休眠中，长期波动待监控
增长指标	重元素丰度扩散范围	缓慢扩展至外晕
留存指标	球状星团轨道稳定性	少数星团存在逃逸风险

你看，这不就是一个超大尺度上的运营看板吗？银河系数据科学家每天打开仪表盘，看到恒星形成率持续走低，可能会叹口气说：“原材料不够了，气体耗尽速度比预想的快。”然后给“星云资源调度系统”提个优化需求。

那些在现实中干着类似事情的人

上面那段全是脑洞，但在现实中，确实有一群人在做着最接近“银河系数据科学家”的事情，他们分布在全球各地的天文研究所，职位可能叫天体物理学家、计算天文学家,或者干脆就是天文数据科学家。

盖亚卫星（Gaia）的数据处理团队就是一个活生生的例子，盖亚是欧洲空间局2013年发射的一颗天体测量卫星，它的核心任务简单到令人发指：精确测量超过十亿颗恒星的位置、距离和运动速度，听起来像人口普查对吧？但你要知道，处理盖亚传回来的数据,涉及到的技术栈几乎覆盖了数据科学的所有分支：

• 需要用机器学习做恒星分类，把恒星、星系、类星体自动分开
• 需要用图算法处理恒星之间的引力关联结构
• 需要用时间序列分析处理变星的周期性规律
• 需要用计算机视觉从堆叠的星场图像中分离出每一颗星
• 还要处理因为卫星自转、温度变化带来的系统性误差

这些人的工作成果，直接改写了银河系的“档案信息”，在盖亚之前，我们只能模糊地知道银河系大概是个旋涡状圆盘，现在我们可以精确描绘出旋臂的弯折形态，发现银河系其实是个扭曲的螺旋，像一个被压扁后又扭了一下的草帽，这个发现来自一篇2019年的研究文献《A dynamically young and perturbed Milky Way disk》，当时的团队分析了盖亚释放的第二批数据，发现银盘外缘的恒星存在显著的垂直不对称运动——说人话就是，银河系在几十亿年前可能被某个矮星系撞了一下，到现在还在“抖”。

这不就是数据科学家最爱干的活儿吗？从数据里挖出一个别人看不到的故事。

这个问题其实没有标准答案

写到这儿我发现，最开始那个问题——“银河系数据科学家是谁”——其实问得不够准确，因为如果按历史贡献来算，亨利埃塔·莱维特是不折不扣的开创者，她用最原始的工具从数据里炼出了黄金般的规律，让整个人类重新认识了自己在宇宙中的位置，如果按职责描述来算，今天的盖亚数据处理团队、斯隆数字巡天项目的数据工程师们，每天都在为银河系建立越来越精细的数字孪生,他们就是当代的银河系数据科学家。

而如果纯粹从科幻的角度看，也许某一天我们真的会发现，银河系本身就是一个巨大的计算系统，恒星之间的引力场和信息传递之间存在着某种我们还无法理解的深层联系，到那时候，银河系数据科学家就不是一个比喻，而是一个真实的职业了，说不定招聘启事会这么写：要求精通跨星系分布式计算，十年以上恒星演化建模经验，对暗物质特征工程有独到理解。

我合上电脑，看了眼窗外，银河还是安安静静地挂在那里，像一堆等待被处理的原始数据，也像一个已经被解答了无数次但依然神秘的谜题，风从阳台灌进来,西瓜皮该扔了。