黑洞照片不是拍出來的，是四個互不通氣的團隊算出來的
2019 年那張 M87 黑洞照片，四個圖像團隊被隔離作業、互相欺騙，用 Frosty the Snowman 當測試圖，只為證明他們沒把想看到的東西算進數據裡。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
想懂知識怎麼傳遞，先看它怎麼被擋住
Galison 說他研究保密不是為了保密本身，而是把它當成反證法：要理解一輛車，得知道賽車條紋和輪胎顏色不影響功能，但拔掉火花塞車就不動了。他舉 Freud 的例子——Freud 關於潛意識壓抑與審查的理論，直接來自一戰維也納的實物審查技術：俄國審查官用他們稱為 caviar 的厚黑墨水塗掉段落，德國人則重新排版讓人看不出哪裡被刪。這些具體的阻斷技術，迴響成了 Freud 關於心靈如何壓抑創傷經驗的理論。
— Peter Galison看到圖像那一刻是雙重恐慌
團隊在正式發布前將近一年就看到了圖像，興奮之外是兩種恐慌。一種是怕消息走漏、立刻失去控制；另一種更根本——科學史上被撤回的宣稱太多了。他提到本地有過一次看似確認暴脹宇宙、後來不得不撤回的經歷，以及 60、70 年代幾十次「發現引力波」最後都被撤回，直到 LIGO 在 2015 年真正測到。Galison 的博士論文就叫 How Experiments End，主題正是人如何區分偽影與真實效應，所以接下來那一年全在問：如果它是這個呢？如果它是那個呢？
— Peter Galison四個團隊被隔離，還被互相欺騙
圖像製作組內部有四個團隊，工作時彼此不許交談，各自把窗戶遮起來，甚至對彼此在做什麼略有欺騙。流程是：先給每個團隊一批練習圖，不告訴他們是什麼，讓他們各自用最好的方法忠實復現。這些圖裡有些是從網上隨機抓的，有些是天文學圖像，有些是黑洞模擬，其中一張是 Frosty the Snowman——因為沒人可能預料到。只有當四個團隊都能準確復現一張自己不知道內容的測試圖，才把真實數據發給他們；隨後四個團隊給出了非常相似的結果，這是他們第一次真正希望這個圖像是可靠的。
— Peter Galison沒有中心的協作才構成實驗
相機本身就是一個合成物：六處站點的八臺望遠鏡，只有組合起來才能合成一臺地球大小的望遠鏡，獲得足夠分辨率。Galison 強調這不是「很多人做同一件事」——不是一群人一起數河裡的魚再加總，而是不同人在不同地方做非常不同的事，協調活動本身構成了實驗。他拿 CERN 作對比：CERN 有一個可以走進去見總幹事的辦公室，而 EHT 有主任，但資金分散、望遠鏡分散、工作分散，沒有人會同意這個實驗有單一中心。
— Peter Galison兩種成像方法，各有各的自戀風險
四個團隊用了兩類技術。兩個團隊用天文學家鍾愛的老方法 clean：把圖像看成一群點源，把模糊亮斑還原成星點，好處是能看見原本看不見的東西。另兩個用更現代的貝葉斯或前向方法：預設物體有邊緣、是凸的、大致在畫面某處，用參數偏離來構造代價函數，好處是能從噪聲裡提取本會丟失的信號——手機拍照就是這麼幹的。危險在於：假設太多，你就會得到你正在找的東西，像那喀索斯看著泉水看見自己的倒影。所以他們最怕的就是：知道想看到什麼，於是真的看到了它。
— Peter Galison讓計算機自己找參數，再拿真數據試
為了排除四個團隊共享同一套預期偏見，他們又加了一層：讓計算機在測試圖上自己搜索最能復現的參數組，再把找到的設置用到真實數據上。Galison 說這更接近 machine learning 而非今天意義上的 AI——層數不多，可追溯性沒有完全失控，按今天的標準相當簡單。他把這一年形容為「活得很危險」，不斷想新辦法去挑戰這張圖像。
— Peter Galison三個認識論階段，被倒著走了一遍
在《Objectivity》裡，Daston 和 Galison 區分了科學圖像功能的三個時代：18 世紀起的理想化（要看理想的骨架，不是我的或你的骨架）、機械客觀性（儘可能自我抹除，讓自然自己在紙面上書寫）、以及專家判斷（不是天才的統覺，而是可訓練的判斷力，比如從肌電圖上分辨不同種類的癲癇發作）。黑洞成像把這三步倒著走了一遍：先讓四個團隊各自用專家判斷，再讓計算機機械地搜參數，最後用平均圖像回到理想化。
— Peter Galison平均圖像是一場吵出來的妥協
關於要不要發布平均圖像，協作組內部大吵過。支持者說這樣沒有哪個團隊能說「這是我們的圖像」，但 Galison 覺得這個理由太甜膩、認識論上沒說服力；更有力的理由是：如果各圖一致（它們確實都在南側有亮新月），平均圖裡就會顯現出來，而且可以拿平均圖與各圖比對。他給了一個反例：如果金剛開始把帝國大廈在地上砸出一個完全同形的洞，把兩者平均，結果會是一片平坦，既不像塔也不像洞。反對者則說，平均圖不對應任何真實存在的數據。最終他們決定平均——保守、強調共性、淡化個性，這張圖在 2019 年 4 月 10 日發布。
— Peter Galison圖像的價值在於它能讓你意外
Galison 說，如果你想找一種罕見效應，通常要設計一臺裝置把它從噪聲裡挑出來——但那是你在設計著去找某個東西。圖像是反過來的：自然可以通過圖像向我們展示我們沒預料到的東西。這就是圖像製作最終極的驚喜——你能找到不在你預期結果菜單上的東西。這也是為什麼他們把 Frosty the Snowman 發下去：要確保連這麼意外的虛構角色也能顯形。
— Peter Galison原話 · 已逐字校驗
Well, for me to understand something like how knowledge is transmitted, I want to know how it's blocked. And if I understand how it's blocked, then I understand better how knowledge works.
對我來說，要理解知識如何傳遞，我就想知道它是如何被阻斷的。如果我理解了它如何被阻斷，我就能更好地理解知識是如何運作的。
Peter Galison12:11
And then with with black holes, they're the ultimate invisible object. They're the objects that reflect no light. They emit no light. They seem impossible, right?
然後是黑洞，它們是最極致的不可見物體。它們不反射任何光，不發射任何光。它們看起來不可能存在，對吧？
Peter Galison15:12
One of them was a Frosty the Snowman because we figured nobody could have anticipated that.
其中一張是 Frosty the Snowman（雪人弗羅斯蒂），因為我們覺得沒人可能預料到那個。
Peter Galison24:23
It's not just a lot of people doing the same thing. It's the coordinative activity itself that constituted the experiment.
這不只是一大群人在做同一件事。是協調活動本身構成了這個實驗。
Peter Galison26:25
The danger is if you assume too much you get what you are looking for and you end up like narcissists looking at the spring and seeing his own reflection.
危險在於，如果你假設得太多，你就會得到你正在尋找的東西，最終像那喀索斯看著泉水，看見自己的倒影。
Peter Galison29:26
Images are the other way around. They're nature can show us things that we had not anticipated. And I think that is the ultimate surprise that image making holds for us.
圖像是反過來的。自然可以通過圖像向我們展示我們未曾預料到的東西。我認為這就是圖像製作帶給我們的終極驚喜。
Peter Galison39:37
So sometimes things that seem not even real become real, fundamental and practical.
所以有時候，那些看起來甚至不真實的東西，會變得真實、根本且實用。
Peter Galison43:38
數字與實體
| EHT 圖像團隊人數（2019 年圖像完成時） | 約 200 人 | 19:16 |
| 圖像製作組內部獨立團隊數 | 4 個 | 23:23 |
| 望遠鏡站點與臺數 | 6 個站點、8 臺望遠鏡 | 25:24 |
| 望遠鏡海拔 | 13,000 英尺 | 25:24 |
| M87 黑洞圖像發布日期 | 2019 年 4 月 10 日 | 33:30 |
| LIGO 真正探測到引力波的年份 | 2015 年 | 20:17 |
| 愛因斯坦廣義相對論提出年份 | 1915 年 | 42:37 |
術語
- cleanCLEAN 算法
- 天文學老牌去卷積算法，把模糊亮斑還原成點狀星源。
- Bayesian / forward methods貝葉斯／前向方法
- 預設物體特徵（有邊緣、凸性等），用參數偏離構造代價函數來成像。
- mechanical objectivity機械客觀性
- Daston 與 Galison 提出的圖像認識論階段，主張自我抹除、讓自然自行書寫。
- tacit knowledge默會知識
- Polanyi 的概念，指難以明言、靠個人傳授與手感獲得的知識。
- photon ring光子環
- 黑洞周圍光線繞行形成的細環，是下一代望遠鏡想分辨的目標。
收聽指南
對科學知識如何被「製造」和「驗證」感興趣的工程師與研究者，尤其是做大規模分布式協作、數據管線或機器學習可解釋性的人。
開頭 0:00–11:00 的學術生涯與 HPS 學科史回憶可跳過。