“老兄，快看那東西！”美國海軍飛行員發現飛行速度驚人的UFO后喊道。2020年4月，美國國防部解密了2004至2005年間海軍飛行員拍攝的三段UFO視頻。這些UFO的飛行速度極快。視頻中這些海軍飛行員的驚嘆聲清晰可聞，他們對快速飛行也略知一二。

“我們還沒有調查清楚那些飛行物究竟是什么，但即使是對UFO的存在持堅定懷疑態度的人，看過這個視頻后也難免動搖。”

地球很可能不是宇宙中唯一承載生命的天體。銀行系中有半數以上的類太陽恒星里可能分布著宜居的行星。計算表明，至少有170億顆恒星可能適合居住。宇宙是如此浩瀚，地球怎么會是唯一存在生命的天體呢？

人工智能早已應用于探索外星生命

諸如SETI研究所（地外文明搜索）一類的組織如今正通過分析來自外太空的無線電頻率尋找外星通訊。帶有磁場的天體（例如恒星）可以產生無線電波，技術驅動型通訊也是如此，SETI正是在尋找這種通訊。

但為什么始終一無所獲呢？原因是搜索技術落后，僅僅能完成整項工作的皮毛。SETI名譽主席吉爾·塔特（Jill Tarter）說，如果將需要搜索的數據量比作地球上的海洋，那么當下的成就不過是一杯海水。如果僅舀起一杯海水來判斷海洋里是否有魚，可能就會得出海里無魚的結論。

借助人工智能，我們得以分析海量數據

簡而言之，人工智能教會電腦如何學習。這種能力十分強大，因為這樣就無需每次都設計新的指令程序。“人工智能”實際上是包括機器學習、計算機視覺和自然語言處理在內的技術的簡稱。

機器學習是與分析空間數據、探索智能生命最為相關的技術。機器學習的核心是進行大規模數據分類、獲得數據模式，從而產生人類無法擁有的洞察力。

更重要的是，人工智能可實現大規模自動化操作。通過將人工智能工具與現代計算機性能結合起來，可以處理大量的數據，這個數字遠遠超過一支工程師隊伍幾十年才能完成的目標。在人工智能領域，聽取來自太空的無線電波并不需要滿滿一屋子人都帶著耳機。整項工作基本上都由計算機完成。

SETI的艾倫望遠鏡陣列偵聽外星人談話

部分艾倫望遠鏡陣列

艾倫望遠鏡陣列（ATA）的唯一任務就是尋找外星通訊的證據。所有望遠鏡均朝向光年之外的行星系，以確定該區域的無線電波是否來自技術通訊。雖然聽起來很簡單，但ATA的功能非常強大，相比之下，其它望遠鏡都顯得像兒童玩具。

2007年，在微軟聯合創始人保羅·艾倫（Paul Allen）的支持下，望遠鏡陣列的各個部分得以組合建成，可以觀察到更廣闊的視野，這使得此陣列能夠捕獲更大范圍的頻率，收集更多的數據。

每臺望遠鏡發出的無線電信號都被送到控制室，數字化成1和0，然后組合起來，其工作效果與一臺巨型望遠鏡相當。

利用人工智能分析無線電頻率（尋找外星人）

這是引入人工智能技術的最初目的。ATA采集到的連續射頻數據流太大，人工無法處理，也很難確定哪些無線電模式異常或具有調查價值。其工作難度無異于大海撈針。

神經網絡簡化圖

神經網絡是機器學習的一個分支，可以解決上述問題。神經網絡能夠完成密集度更高的模式識別與任務分類工作。一個神經網絡模型具有的“處理層”越多，可以處理的任務就越復雜。

將ATA采集的無線電波數據輸入神經網絡模型進行分析。該模型試圖從無線電波的大量“噪音”中識別通信“信號”。這是在星系層面進行模式識別。重復且結構化的無線電波模式可能意味著通信。換句話說，該模型旨在尋找非常規現象。

神經網絡模型試圖從大量噪音中分離出信號。

神經網絡首先通過研究一小塊夜空中的無線電頻率來進行“學習”。從這個較小的數據集中，它可以學習到什么是“正常”聲音。然后憑此過濾掉較大的射頻數據集的背景信號，剩下一些“不正常”的重復信號或模式。這些剩下的光點可能代表潛在的外星通訊，將被發送給人類工程師進行進一步研究。

但這些光點也未必能證明存在外星通訊。它們可能只是模型無法識別的隨機模式。隨著時間推移，一旦模型學習了這一點，其工作也會更高效。

神經網絡的優點在于，不需要編寫代碼來告訴系統“正常”是何種狀態，而只需指示系統將數據分類存儲，然后識別出常規模式，或者異常情況。事實上，其他行業已經在應用類似的神經網絡模型。例如，銀行一直在使用類似的模型來檢測欺詐和洗錢等異常情況。

天文學領域的其他人工智能應用案例

NASA稱，自動駕駛汽車采用的人工智能方法很快就可以用于探測可能與地球相撞的小行星，以及識別類地行星（系外行星）的宜居條件。

NASA前沿發展實驗室（FDL）的機器學習軟件不僅可以創建附近小行星的3D模型，還可以準確估計這些行星的大小、形狀和自轉速率。快速計算出這類信息對于識別對地球有威脅的小行星（以及在未來改變其軌道）至關重要

在傳統軟件技術的條件下，天文學家需要花費一到三個月的時間來分析一顆小行星。而現在的機器學習算法在短短四天內就能繪制出一顆小行星的渲染。

不久，神經網絡可能會幫助人類快速識別宜居的系外行星。目前，研究利用望遠鏡數據來分析系外行星大氣中的分子吸收或發射光波的過程。這種分析可反映出該行星的化學成分信息，例如大氣中是否含有氧氣。

到目前為止，我們已經發現了數千顆系外行星，但仍處于起步階段。盡快找到“最宜居”的行星有助于集中精力和資源，避免大海撈針。

FDL團隊與Google Cloud合作開發了一個神經網絡模型，用以分析2008年發現的系外行星WASP-12b的大氣成分。神經網絡的性能優于基本的機器學習技術，甚至可以就預測結果的確定性進行打分。這個重要的特性有助于人們建立起對這些新模型的信任。

未來

為何要將人工智能技術的應用局限于地球呢？在航天器上安裝人工智能軟件，宇航員就可在外太空作出實時決策，縮短數據傳輸回地球的時間。假如我們身處《星際迷航》中的困境，我們一定希望宇宙飛船立即與可能存在的外星人聯系，而不是在等待地球確認的過程中慘遭解體。

人工智能也將擴大地球上的數據處理規模。據報道，NASA每15秒可收集2GB的數據，而傳統方法只能處理其中的一小部分。人工智能可以使乏味且耗時的數據處理工作實現自動化，從而將科學家們從這些工作中解放出來，全身心投入前沿尖端工作。

人類科學家不會即刻被人工智能取代，因為目前該技術傾向于將強大的計算能力應用于狹義的機械性任務，要求聰明才智的任務仍屬人類工作領域。

同時，有必要仔細核查人工智能生成的結果。科學家一定不希望前腳剛宣告一顆小行星正逼近地球，后腳卻意識到這是人工智能模型搞錯了。
責編AJX