2.1 M87* 黑洞#

在距離地球約 5500 萬光年的室女座星系團中心，坐落著一個名為梅西耶87（Messier 87, M87）的巨型橢圓星系。在其心臟地帶，潛伏著一個質量高達太陽 65 億倍的超大質量黑洞，天文學家稱之為M87*。這個宇宙巨獸之所以成為天文學家們夢寐以求的觀測目標，不僅因為它巨大的質量和相對較近的距離，使其在地球視角下擁有天空中最大的事件視界之一，更因為它從中心噴射出長達數千光年的相對論性噴流。這一壯觀現象使 M87* 成為研究黑洞如何吞噬物質、增長演化並影響其宿主星系的理想天然實驗室。

科學家們的核心目標，是以前所未有的分辨率直接“看到”黑洞的輪廓。根據愛因斯坦的廣義相對論，黑洞強大的引力會使其周圍時空發生極度彎曲。光線在經過黑洞附近時會被扭曲，形成一個明亮的光環，光環的內部則是一個黑暗的區域，這就是所謂的“黑洞陰影”（black hole shadow）。這個陰影並非黑洞本身，而是黑洞投射在背後發光氣體上的一個“剪影”。能夠直接成像這個陰影，將為檢驗廣義相對論在極端引力條件下的正確性提供最直接的證據。

2.2 事件視界望遠鏡（EHT）與甚長基線干涉測量（VLBI）#

要觀測到 M87* 那直徑僅約40微角秒（microarcseconds）的陰影——相當於在地球上看清月球上的一個橙子——需要一台口徑與地球直徑相當的望遠鏡。建造如此巨大的單一望遠鏡在物理上是不可能的。為此，科學家們構想並實現了“事件視界望遠鏡”（Event Horizon Telescope, EHT）項目。

EHT並非一台獨立的望遠鏡，而是一個由全球各地射電望遠鏡陣列組成的虛擬網絡，這些望遠鏡通過一種名為“甚長基線干涉測量”（Very-Long-Baseline Interferometry, VLBI）的技術協同工作。其原理是，將分布在夏威夷、西班牙、智利、南極等地的多台射電望遠鏡同時對準 M87*，並利用原子鐘精確記錄下各自接收到的無線電波信號。通過後期將這些數據進行精確的時間對齊和關聯處理，EHT等效於一台口徑與望遠鏡之間最遠距離（即地球直徑）相當的虛擬望遠鏡，從而獲得了前所未有的角分辨率。

然而，EHT“拍攝”到的並非一張直接的圖片。每一對望遠鏡（構成一個“基線”）在某一時刻只能測量到源圖像在二維傅裡葉空間（也稱“uv平面”）中的一個點，這個測量值被稱為“可見度”（visibility）。這好比我們想了解一首複雜的交響樂，但每次只能聽到其中一個單一頻率的音符。我們擁有了樂曲的部分頻率成分，卻遠未掌握其完整的旋律和和聲。

2.3 謎題：一個稀疏、帶噪且不適定的逆問題#

從EHT收集到的數據重建出一張黑洞圖像，面臨著三大嚴峻挑戰，使其成為一個典型的“逆問題”（inverse problem）。在逆問題中，我們已知的是結果（測量數據），需要反向推斷出原因（源圖像）。

1. 數據稀疏性（Sparsity）：由於EHT網絡中的望遠鏡數量有限（2017年觀測時為 8 台），它們在 uv 平面上採集到的數據點非常稀疏，就像一張巨大的拼圖只找到了寥寥幾塊。uv 平面的絕大部分區域都是空白的，這意味著我們丟失了圖像的大量信息。
2. 噪聲（Noise）：望遠鏡接收到的信號不可避免地會受到多種噪聲的汙染。一方面是望遠鏡電子設備自身產生的熱噪聲；另一方面，更嚴重的是，當無線電波穿過地球大氣層時，大氣湍流會使信號的相位發生隨機抖動，對不同位置的望遠鏡造成不同的影響。
3. 不適定性（Ill-posedness）：正是由於數據的稀疏和帶噪特性，這個逆問題是“不適定的”。這意味著，理論上存在無窮多張完全不同的圖像（其中絕大多數是毫無意義的噪點圖），它們經過傅裡葉變換後，都能與EHT實際測量到的稀疏數據點完美匹配。這就好比只給了幾個音符，卻要你還原整首交響樂，答案顯然不是唯一的。

2.4 解決方案：至關重要的“先驗”#

為了從無窮多的可能性中找到唯一且最合理的解，我們必須在圖像重建過程中引入額外的約束或假設。這些假設的作用是告訴算法，什麼樣的圖像是“合理”的，從而將搜索範圍縮小到一個可控的子集內。在貝葉斯統計的框架下，這組外加的假設被正式地稱為**“先驗”（prior）**。

“先驗”是一個概率分布，它編碼了我們在看到任何觀測數據之前，對於“一張好圖像應該是什麼樣子”的信念。打個比方，這就像在玩一個只填了幾個字母的填字遊戲。你會利用你對語言的“先驗知識”（比如，字母 Q 後面通常是 U，元音和輔音會交替出現）來推斷缺失的單詞。在這裡，“先驗”就是幫助算法在數據缺失的地方進行智能“填空”的規則。

這篇由 Feng 等人撰寫的論文，其核心貢獻恰恰在於對“先驗”的系統性探索。文章指出，由於我們從未親眼見過黑洞，因此不存在一個公認的“正確”先驗。任何重建出的圖像都必然受到所用先驗的影響。因此，與其假定某個先驗是最好的，不如構建一個靈活的框架，去測試一系列不同的先驗——從只包含基本圖像統計特徵的“弱先驗”，到蘊含了複雜黑洞物理模型的“強先驗”。通過比較不同先驗下的重建結果，科學家們可以評估圖像中的哪些特徵是數據本身強有力支持的，而哪些特徵可能只是我們所做假設的產物。這使得“先驗”本身從一個技術細節，變成了研究的核心變量。這種方法論上的轉變，旨在揭示 EHT 圖像背後科學結論的穩健性，並量化其中存在的不確定性。

3.1 一場有原則的猜測遊戲：貝葉斯成像框架#

為了將“數據”與“假設”在一個嚴謹的數學框架下結合起來，論文採用了貝葉斯推斷（Bayesian inference）的方法。其核心是著名的貝葉斯定理，在圖像重建領域的對數形式表現為

公式（1）：

$\log p(x|y) = \log p(y|x) + \log p(x) + \text{const.}$

讓我們來逐一拆解這個公式中的關鍵組成部分：

• $x$：代表一張我們正在評估的候選圖像。
• $y$：代表EHT望遠鏡實際採集到的測量數據。
• 後驗概率 $p(x∣y)$ (The Goal)：這是我們最終想要得到的目標。它表示在給定（conditioned on）觀測數據y的條件下，候選圖像$x$是真實源圖像的概率。我們最終重建的圖像，將是這個後驗概率分布中概率最高的樣本，代表了最可信的解。
• 似然度 $p(y∣x)$ (The Data Fit)：這個術語回答了這樣一個問題：“如果我假設的候選圖像 $x$ 是真實的，那麼EHT測量到數據 $y$ 的概率有多大？”它本質上是一個“數據擬合優度”的評分。一張能夠很好地預測EHT觀測數據的圖像，其似然度就高。
• 先驗概率 $p(x)$ (The Assumption)：這個術語代表了在完全不考慮任何觀測數據的情況下，我們認為一張圖像 $x$ 本身有多“合理”或多“可能”。它將我們對“好圖像”的所有假設（例如，“圖像應該是平滑的”、“圖像應該有個環”、“圖像應該像張人臉”）量化為一個概率值。這正是Feng等人論文中系統性改變和測試的部分。

將這些部分組合在一起，貝葉斯公式告訴我們一個深刻的道理：最佳的圖像（即後驗概率最高的x），是既能很好地擬合觀測數據（高似然度），又符合我們先入為主的假設（高先驗概率）的圖像。這是一個在“忠於證據”和“堅持背景知識”之間進行原則性權衡的過程。

3.2 教計算機藝術史：基於分數的擴散模型作為先驗#

傳統的圖像先驗通常是一些簡單的數學函數，比如總變分（total variation）正則項，它傾向於生成平滑的圖像。然而，這類簡單先驗難以產生細節豐富、視覺上引人入勝的圖像 1。論文的關鍵創新在於，採用了一種極其強大的人工智能模型——

基於分數的擴散模型（score-based diffusion model）——從一個包含大量樣本圖像的數據集中，學習一個遠比傳統方法複雜和真實的先驗 1。

下面是對基於分數的擴散模型工作原理的直觀解釋：

1. 前向過程（破壞圖像）：想像一下，我們從一個訓練數據集中拿出一張清晰、完美的圖像（比如一張貓的照片）。然後，我們給這張圖像緩慢地、逐步地添加微量的隨機高斯噪聲。這個過程重複數百次，每一步都增加更多的噪聲，直到原始圖像完全變成一堆無法辨認的靜態噪聲。這是一個固定的、可預測的“破壞”過程，其數學形式由一個隨機微分方程（SDE）描述。
2. AI的任務（學習去噪）：在這個加噪過程的每一步，我們都訓練一個深度神經網絡。這個網絡的唯一任務是：觀察當前的噪聲圖像，並預測出剛剛被添加進去的那部分噪聲。在數學上，它學習的是“斯坦因分數”（Stein score），即含噪數據對數概率密度的梯度（$\nabla_x \log p_t(x)$）。這個“分數”本質上是一個向量場，它指向能使噪聲圖像變得“稍微清晰一點”的方向——這是單步去噪的秘訣。這個被稱為“分數模型”（score model）$s_{\theta}$的AI，通過在數百萬個樣本上進行訓練，最終能對任何噪聲水平的任何圖像，都給出極其精準的去噪指導。
3. 反向過程（創造新圖像）：現在，神奇的部分來了。要生成一張全新的圖像，我們從一張純粹的隨機噪聲圖開始。然後，我們利用訓練好的分數模型 $s_{\theta}$，沿著它指示的“去噪”方向邁出一小步。這一步會讓純粹的噪聲變得稍微有些結構。我們重複這個過程數百次，每一步都由分數模型引導，完成從純粹噪聲到清晰圖像的逆向旅程。最終的結果是一張全新的、連貫的、看起來就像是從原始訓練數據集中“創作”出來的圖像。

這個訓練好的模型所能生成的所有圖像的集合，其概率分布就是我們所需要的基於分數的先驗$p_\theta(x)$。由於模型的強大能力，這個學習到的先驗可以捕捉到極其複雜和真實的圖像特徵。更關鍵的是，這個模型還提供了一種可計算的方法，能夠算出任何給定圖像 $x$ 的先驗概率 $\log p_\theta(x)$，這正是貝葉斯成像公式所必需的輸入。

這種方法之所以強大，是因為基於分數的擴散模型不僅僅學會了生成圖像，它們還學會了一個可以被明確評估和利用的“指導函數”（即分數函數）。貝葉斯成像需要計算先驗的對數概率$\log p(x)$。許多其他生成模型（如生成對抗網絡GANs）雖然能生成精美的圖像，但通常無法方便地計算任意一張給定圖像的概率。而擴散模型則不同，其核心機制是學習分數函數 $s_\theta(x,t)$。如論文附錄C所示，這個學習到的分數函數可以通過求解一個常微分方程（即概率流ODE或其ELBO近似）來計算出任意圖像 $x$ 的對數概率 $\log p_\theta(x)$。這使得它們成為理想的“即插即用”（Plug-and-Play）先驗。這個學習到的概率函數可以直接代入貝葉斯公式（$\log p(x∣y)=\log p(y∣x)+\log p_\theta(x)+...$），從而讓強大的AI先驗以一種有數學原則的方式指導圖像重建。這正是支撐Feng等人論文整個方法論的關鍵技術優勢。

附錄C.2.：

To use $p_\theta$ as a prior in an inference algorithm that optimizes the posterior log density, we need access to the function $\log p(\cdot)$. Computing the probability of an image $x$ under $p\theta$ requires inverting $x(0) = x \to x(T )$ (i.e., we need to find the $x(T )$ that would result in $x(0)$ through the reverse diffusion defined by Equation (C3)). However, although we can use Equation (C3) to sample from $p_\theta$, the presence of Brownian motion makes the sampling function not invertible. As a result, there is no tractable way to compute $\log p_\theta(x)$. Instead, we can appeal to an ordinary differential equation (ODE) for tractable log-probabilities or to the ELBO as an efficient proxy.

$d\mathbf{x} = \left[f(\mathbf{x}, t) - g(t)^2 \mathcal{S}_\theta(\mathbf{x}, t)\right] dt + g(t)d\overline{w}, \quad t \in [0, T]. \quad \text{(C3)}$

4.1 實驗設計：一個流程，四種先驗#

作者的核心策略是保持圖像重建流程（pipeline）不變，只改變其中使用的先驗。這種“控制變量”的方法使他們能夠清晰地分離出不同先驗假設對最終結果的影響。

該重建流程採用變分推斷（Variational Inference, VI）技術，並使用一個名為RealNVP的深度生成模型來近似後驗概率分布。簡單來說，由於真實的後驗分布 $p(x|y)$ 極其複雜、難以直接求解，他們轉而訓練了另一個相對簡單的生成模型（RealNVP），使其生成的圖像能夠盡可能地逼近目標後驗分布。這是一種在計算上更高效的貝葉斯推斷方法。

根據另一篇重要的背景論文 InverseBench 的分類，Feng等人的方法屬於“即插即用擴散先驗”（Plug-and-Play Diffusion Prior, PnPDP）方法中的**“變分貝葉斯”（Variational Bayes）**類別。

4.2 先驗：一個假設的光譜#

論文作者們在四個截然不同的數據集上，分別訓練了四個基於分數的先驗模型。每一個先驗都代表了一套獨特的視覺偏好或科學假設。

表1：Feng et al. (2024) 使用的先驗對比

4.3 解碼數據：從望遠鏡信號到似然函數#

如前所述，原始的VLBI可見度數據會受到台站相關的誤差（尤其是大氣相位誤差）的嚴重干擾。為了克服這一難題，天文學家們巧妙地構建了一些對這些誤差不敏感的數據產品，稱為

閉合量（closure quantities）。

• 閉合相位（Closure Phase）：由三台望遠鏡（如$i, j, k$）組成一個閉合三角，將其三條基線上的可見度相位進行特定組合（即 $v_{ij}v_{jk}v_{ki}$ 的相位）。在這個組合中，每個台站引入的相位誤差會相互抵消，最終得到的閉合相位只與真實的源圖像結構有關。其數學表達式為 $\angle(v_{ij}v_{jk}v_{ki})$ 。
• 對數閉合振幅（Log Closure Amplitude）：由四台望遠鏡（如 $i, j, k, l$）組成一個閉合四邊形，將其可見度振幅進行比率組合。這種組合方式可以消除台站相關的振幅增益誤差。其數學表達式為 $\log\left(\frac{|v_{ij}||v_{kl}|}{|v_{ik}||v_{jl}|}\right)$。

通過使用這些更加穩健的閉合量，論文構建了最終用於成像的後驗概率公式，即公式（3）：

$\log p_\theta(x|y) = \log p(y_{cp}|x) + \log p(y_{log\,cx}|x) + \log p_\theta(x) - (V(x) - \bar{V})^2 + \text{const.}$

• 讓我們來拆解這個最終的成像公式：

  • $\log p(y_{cp}|x)$ 和 $\log p(y_{log\,ca}|x)$: 這兩項共同構成了似然度。它們衡量了一張候選圖像 $x$ 與觀測到的閉合相位數據 ($y_{cp}$) 和對數閉合振幅數據 ($y_{log\,ca}$) 的擬合程度。在論文中，這兩項被建模為高斯分佈。

  • $\log p_\theta(x)$: 這一項就是基於分數的先驗。其值由預先訓練好的人工智慧模型計算得出（或使用其高效的近似 $b_\theta(x)$）。這正是實驗中被不斷替換的部分。

  • $(V(x) - \bar{V})^2$: 這是一個總流量約束項。因為閉合量對圖像的總亮度不敏感，所以需要加入這項來確保重建圖像的總亮度 $V(x)$ 在一個合理的目標值 $\bar{V}$ 附近。

這個選擇體現了科學研究中的一個常見權衡。原始的可見度振幅和相位包含比閉合量更多的信息，理論上可以重建出更清晰的圖像。然而，使用它們需要一個複雜的“自校準”（self-calibration）過程來估計和移除大氣及儀器誤差，而這個過程本身又會引入新的模型假設和需要調整的參數。作者選擇使用對誤差免疫的閉合量，正是為了避免引入自校準過程帶來的額外假設層。這一選擇使得逆問題本身變得更加不適定（因為閉合量的約束更弱），從而更加凸顯了先驗在填補信息空白中的關鍵作用。因此，這個決定強化了論文的核心論點：在一個依賴更穩健但信息更不完備的數據的場景下，研究和理解先驗的影響變得至關重要。

5.1 在模擬數據上的結果#

在處理真實數據之前，為了驗證方法的有效性，作者們首先在一系列合成的EHT數據上進行了測試。這些數據是根據已知的“標準答案”圖像（例如一個完美的圓環、一個新月、一個雙點源等）模擬生成的。

• 核心發現：重建結果清晰地反映了每種先驗的內在偏見。

  • GRMHD先驗 在重建環狀圖像時表現出色，但當面對非環狀的源（如雙點源）時，它會“固執”地將其重建為一個環。
  • CelebA先驗 則在圖像中強行加入了人臉狀的偽影。
  • RIAF先驗 傾向於生成簡單的、居中的圓盤或環狀結構。
  • CIFAR-10先驗 表現得像一個優秀的“通用型”選手，對所有類型的源圖像都能給出合理（儘管有些斑駁）的重建結果。

  

• 數據一致性：一個至關重要的發現是，所有的重建圖像，無論其視覺外觀有多大差異，都能很好地擬合模擬的觀測數據。這一點通過$\chi^{2}$（卡方）統計量得到證實，其值通常都接近。這表明，不同圖像之間的視覺差異，並非源於誰更好地擬合了數據，而是源於不同先驗在填補數據未能約束的信息空白時，做出了不同的“猜測”。

  

• 不確定性量化：結果還顯示，較弱的先驗（如CIFAR-10）會導致更高的後驗不確定性（即可能的圖像方案更多樣，變化更大），而較強的先驗（如RIAF）則會產生較低的不確定性。這是一個符合預期的、理想的貝葉斯系統特性，它誠實地反映了不同假設強度所帶來的置信度差異。

5.2 重建真實的M87*圖像#

在模擬數據上驗證了方法之後，作者們將同樣的四種先驗應用於2017年4月四個觀測日的真實EHT數據。

• 最重要的結果：所有四種先驗——包括對黑洞一無所知的CIFAR-10先驗，以及被故意設為錯誤的CelebA先驗——都清晰地重建出了一個環狀結構。
• 視覺差異分析：
  • CIFAR-10：重建的環狀結構略顯模糊和斑駁。值得注意的是，它在主環的西南部重建出了一片延展的亮區，這暗示了數據中可能本身就存在這個特徵，而CIFAR-10作為一個靈活的弱先驗，能夠容納並呈現它。
  • GRMHD：生成了視覺上最引人注目、細節最豐富的圖像：一個清晰、纖細的環，並帶有一些符合其湍流等離子體模擬訓練數據的“須狀”特徵。
  • RIAF：正如預期，它重建出了一個簡化的、乾淨的、較厚的月牙環，這與其基於幾何模型的先驗完全一致。
  • CelebA：令人驚訝的是，它也重建出了一個環，並常常將其解釋為其先驗知識中的“眼睛”。它在圖像中加入了一些面部紋理，尤其是在數據覆蓋最稀疏的4月10日那天，這種先驗的“汙染”更為明顯。

這一系列結果中最具說服力的一點是，所有先驗都指向了環狀結構的存在，這為EHT在2019年的歷史性發現提供了強有力的、獨立於先驗的證據。這在科學哲學中被稱為“穩健性論證”（robustness argument）。一個持懷疑態度的人可能會說，最初的EHT環狀圖像之所以被發現，可能是因為所用的成像算法（如CLEAN或RML）本身就偏愛簡單、緊湊的形狀。Feng等人的實驗直接回應了這一質疑。他們使用了一個在各種非天文物體上訓練的CIFAR-10先驗，它對環狀結構沒有任何內在偏好，但結果依然是環。他們甚至更進一步，使用了一個帶有強烈且錯誤的人臉偏好的CelebA先驗，結果仍然是一個環。這是因為數據中支持環狀結構的證據足夠強大，以至於能夠部分壓倒先驗的錯誤偏見。

這表明，環狀結構並非某個特定假設的產物。這個結論在不同先驗假設下是“穩健”的。正如在其他科學領域所論證的，這種穩健性是確立天體物理推斷可靠性的關鍵方法，尤其是在實驗獨一無二、無法輕易重複的情況下。這一發現將我們對M87*存在環狀結構的信心，從“貌似可信”提升到了“高度可靠”的層次。

6.1 特徵提取過程#

為了從定性的圖像走向定量的科學分析，作者們使用了一種名為REx的算法，從重建的圖像中提取關鍵的幾何與亮度特徵。分析的核心特徵包括：

直徑 (diameter, d)、寬度 (width, w)、方位角 (orientation, $\eta$)、不對稱性 (asymmetry, A)、以及中心相對亮度 (fractional central brightness, $f_c$)。

6.2 數據驅動的特徵：圖像的穩健核心#

• 環的直徑：這是最穩健的特徵。所有先驗都重建出了一個高度一致的平均直徑，約為41-43微角秒，這與EHT的原始發現完全吻合。這種穩定性是符合預期的，因為環的直徑主要由黑洞的質量和廣義相對論定律決定，它們共同規定了光子球和黑洞陰影的尺寸。EHT的最長基線提供了足夠高的分辨率來精確約束這個基本尺度。
• 方位角與不對稱性：環上最亮區域的位置（即哪一側更亮）以及這種亮度的不對稱程度，在不同先驗下也表現出高度的一致性。這表明，數據有力地支持了環的南側更亮的結論，這是物質朝向我們高速旋轉時產生的相對論性束流效應（relativistic beaming）的關鍵標誌。

6.3 假設驅動的特徵：不確定性的領域#

• 環的寬度：這個特徵高度依賴於先驗。
  • GRMHD先驗，由於在薄環模擬數據上訓練，產生了最窄的環（約9微角秒）。
  • RIAF先驗，基於更簡單的厚環幾何模型，產生了最寬的環（約20微角秒）。
  • CIFAR-10和CelebA先驗的結果則介於兩者之間。
• 中心相對亮度（$f_{c}$）：這個衡量中心“陰影”與明亮光環對比度的指標，同樣對先驗極其敏感。GRMHD先驗產生了對比度最強的圖像（即$f_{c}$值最低），而其他先驗則生成了更模糊、中心區域更亮的圖像。

表2：M87*重建圖像中穩健特徵與先驗依賴特徵的對比

這項分析提供了一種強有力的方法來解開基本物理（引力）和複雜天體物理（等離子體動力學）的貢獻。穩健的特徵（如直徑）是由引力主導的，而依賴於先驗的特徵（如寬度）則是由我們尚不完全理解的等離子體物理主導的。廣義相對論對黑洞陰影的尺寸做出了堅實的預測，這主要取決於其質量。環的直徑在所有先驗下都保持穩健，這為廣義相對論的預測和M87*的質量測量提供了強有力的驗證，是一項對基本引力理論的測試。

相比之下，吸積盤中等離子體的發射輪廓（如其分布方式、湍流程度）是一個遠為複雜且知之甚少的天體物理問題。正是這些物理過程決定了環的寬度和陰影邊緣的銳利度。這些特徵對先驗的高度依賴性表明，當前的EHT數據還不足以區分不同的吸積物理模型。因此，Feng等人的框架不僅生成了一張圖像，更生成了一幅“我們知識與無知的地圖”。它清晰地標示出哪些特徵是基本理論的堅實證據，哪些特徵代表了當前天體物理建模的前沿，需要更好的數據（例如來自下一代EHT）來最終解決。

7.1 一個方法家族：將本論文置於PnPDP的版圖中#

InverseBench 論文介紹了一個用於基準測試各種“即插即用擴散先驗”（PnPDP）算法在科學逆問題中表現的框架。這個方法家族的核心思想是將先驗（一個預訓練的擴散模型）與似然度（一個基於物理的前向模型）解耦。這種設計允許同一個強大的人工智能先驗被“即插即用”地應用於不同的科學問題，從黑洞成像到醫學成像，再到地震學。

如前所述，Feng等人的方法屬於這個家族中的“變分貝葉斯”（Variational Bayes）分支。InverseBench 將這類方法與“基於引導”（Guidance-based）的方法（如DPS）和“變量分裂”（Variable-splitting）的方法（如PnP-DM, DAPS）等進行了比較。這一背景表明，Feng等人的論文是一個充滿活力的、快速發展的研究領域中的一個重要案例研究。

7.2 科學家的兩難：強先驗與弱先驗的權衡#

這項研究清晰地揭示了科學家在選擇先驗時面臨的一個根本性困境，即在“弱先驗”和“強先驗”之間做出選擇。

• 弱先驗（例如，CIFAR-10）：
  • 優勢：它們施加的偏見最小，為從數據中發現意想不到的特徵留下了可能性。它們更“誠實”地反映了重建中的真實不確定性，雖然生成的圖像可能更模糊，但結果也更靈活。
  • 劣勢：由於缺乏特定的領域知識，它們難以生成視覺上豐富或細節清晰的圖像。
• 強先驗（例如，GRMHD, RIAF）：
  • 優勢：它們能夠生成視覺上令人驚嘆、清晰且細節豐富的圖像，這些圖像與我們當前最好的物理理論相符。它們能顯著降低最終圖像的不確定。
  • 劣勢：它們帶來了“幻覺”（hallucination）或對先驗假設過擬合的巨大風險。如果真實的源圖像與用於訓練的模擬數據不同（即“分布外”數據），強先驗可能會強迫重建結果看起來像模擬圖像，從而可能掩蓋新穎的科學發現。CelebA先驗的結果就是這種風險的極端例子，它在黑洞圖像中“幻覺”出了人臉特徵。

7.3 最終啟示：一個通往可信科學的框架#

Feng等人論文的最終貢獻，並非一張關於M87*的、獨一無二的“最終圖像”，而是一個在複雜數據和強大AI模型時代進行科學探究的原則性框架。

它雄辯地證明，與其爭論哪一套單獨的假設是“最好”的，一種更強大、更科學的方法是探索一系列合理的假設，並識別出那些在所有假設下都保持穩健的結論。

這種方法論使科學家能夠：

1. 建立信心：確定哪些特徵（如環的直徑）得到了數據的強有力支持，是穩健的發現。
2. 量化不確定性：理解哪些特徵（如環的寬度）依賴於所做的假設，並將其標記為未來研究需要關注的不確定性領域。
3. 指導未來研究：精確地指出在哪些方面需要更好的數據或更完善的物理模型來減少不確定性，例如，為了最終確定環的真實寬度。

從本質上講，這篇論文提供了一份路線圖，指導我們如何使用複雜的人工智能工具。我們不應將其視為提供“標準答案”的黑箱，而應將其作為透明的儀器，用以探索數據、模型和科學信念之間的相互作用。通過這種方式，我們才能從模糊的信號中提煉出更可信、更細緻的科學發現。