 人工智能正在改變對外星智慧的探索。(圖片來源:uux.cn/Guillaume via Getty Images) （神秘的更快告訴地球uux.cn）據美國太空網（基思·庫珀）：2023年世界空間周在這里舉行，在太空時代慶祝其66周年之際，現外星生長春小姐援交（小姐上門）vx《749-3814》提供外圍女上門服務快速選照片快速安排不收定金面到付款30分鐘可到達Space.com正在關注人工智能(AI)的命會們現狀及其對天文學和太空探索的影響。在這里，人工人類基思·庫珀討論了人工智能可能如何幫助人類探測外星生命。更快告訴 把射電望遠鏡轉向天上的現外星生星星，它會立刻變聾。命會們從脈沖星到射電星系，人工人類從大氣中的更快告訴電離層擾動到來自我們自己技術的射頻干擾(RFI)，天空是現外星生無線電噪聲的不和諧聲音。在所有這些中的命會們某個地方，可能藏著一根大海撈針:來自另一個世界的人工人類信號。 60多年來，更快告訴科學家們一直在掃描天空，現外星生尋找外星生命，但尚未發現任何外星人。當你考慮到搜索空間的巨大容量——所有的星星，所有的無線電頻率——與我們迄今為止有限的搜索相比，那么我們還沒有找到ET就不足為奇了。這是長春小姐援交（小姐上門）vx《749-3814》提供外圍女上門服務快速選照片快速安排不收定金面到付款30分鐘可到達一項艱巨的任務，尤其是對人類來說。 謝天謝地，我們已經有了一些非人類的智慧來加入搜索。 在我們的日常生活和科學中，人工智能(AI)的使用正在達到臨界質量，因此毫不奇怪，它現在正被用于搜索外星智能(SETI)。我們不是在談論天網，或矩陣電影中的機器，甚至是星際迷航:下一代的數據。目前如此流行的人工智能是基于機器學習算法，旨在完成非常具體的工作，即使只是在ChatGPT上與你交談。 為了解釋人工智能如何幫助SETI，曼徹斯特大學的天文學家兼SETI研究員Eamonn Kerins將它比作大海撈針的問題。 “你基本上把數據當成了干草，”克林斯告訴Space.com·Space.com。“然后，你會要求機器學習算法告訴你，數據中是否有任何東西不是干草，希望這是大海撈針——除非大海撈針中還有其他東西。” 其他東西通常是RFI，但機器學習算法經過訓練，可以識別我們已知的所有RFI類型。那些信號——手機、本地無線電發射機、電子設備等熟悉的模式——是干草。 這種訓練包括“將信號注入數據，然后算法學習尋找類似的信號，”加州大學伯克利分校Breakthrough Listen SETI項目的天文學家Steve Croft告訴Space.com，算法學習識別這些熟悉信號的模式，并忽略它們。如果它在數據中發現了一些它沒有被訓練過的東西，那么它會將其標記為需要人類跟進的有趣的東西。  格林班克望遠鏡是世界上最大的全可控望遠鏡。它位于西弗吉尼亞州的格林班克天文臺。(圖片來源:uux.cn/ANDREW CABALLERO-REYNOLDS/AFP via Getty Images)) “最近有人試圖用機器學習算法篩選一些突破性的聽力數據，”Kerins說。“之前已經通過更傳統的方法非常仔細地梳理了這些數據，但該算法在經過我們已知的訓練后，仍然能夠挑選出新的信號。” 這個項目由Croft和多倫多大學的本科生Peter Ma領導，他編寫了算法，并將其用于分析西弗吉尼亞格林班克天文臺100米射電望遠鏡觀測的820顆恒星的數據。總計489小時的觀測數據包含數百萬個無線電信號，幾乎所有這些信號都是人為干擾。該算法檢查了其中的每一個信號，發現有八個信號與它接受過的任何信號都不匹配，并且在早期的數據分析中被遺漏了。 這八個信號似乎來自五個不同的恒星系統，盡管它們可能會產生誤導。自那以后，它們就再也沒有被探測到——看到信號重復是SETI中感興趣的信號的最基本要求——它們可能會被證明是更多的RFI。然而，即使這樣也很有用，因為它們可以用來訓練下一代機器學習人工智能，所以未來可以避免類似的RFI。 機器學習算法可以分為兩大陣營。一種被稱為監督學習，這是一種無所不知的教學方法。無監督學習有一點不同，因為你只需向算法提供數據，讓它找出什么是重要的，沒有任何人類偏見。 克羅夫特說:“在完全無人監管的情況下，你只需把所有數據扔進去，攪拌一下，讓算法自己解決問題。” 舉個平凡的例子，假設你有一個桌子和椅子的圖像數據集，你希望算法能區分它們。在監督學習中，你在大量標記為“桌子”或“椅子”的圖像上訓練算法。在無監督學習的情況下，算法必須在沒有任何事先訓練的情況下，通過將看起來相似的東西分組來區分這兩者——例如，它可能會選擇任何有靠背的東西作為椅子，任何有長頂的東西作為桌子。 Kerins強調了由NVIDIA的Adam Lesnikowski領導的一個項目的例子，他們以其顯卡而聞名，但現在是人工智能的領導者。萊斯尼科夫斯基與蘇黎世聯邦理工學院的瓦倫丁·比克爾和伯爾尼大學的丹尼爾·安格豪森一起，在一項測試中使用了無監督的機器學習，以測試它是否能識別月球上的人造物體。該算法從美國宇航局的月球勘測軌道飛行器獲得圖像，它必須找出什么是典型的月球特征，如隕石坑或峽谷，什么不是。測試是成功的——算法在月球表面挑出了阿波羅15號月球著陸器。 這個想法是，科技外星人可能已經訪問了我們的太陽系，并在行星、衛星或小行星上留下了探測器或人工制品。很有可能現在甚至有一個活躍的探測器在監視著我們。 “我的一些同事對在軌道飛行器上安裝機器學習算法的想法非常感興趣，”Kerins說。一艘宇宙飛船可以調查我們太陽系的行星表面，以尋找可能是外星人探測器的異常現象，這些異常現象可能已經有幾百萬或幾十億年的歷史了。因為無監督學習具有能夠實時運行的優勢，它將能夠在繼續前進之前評估每張圖像，而不必等待將所有數據發送回地球供人類查看。 當然，在“大數據”時代，機器學習人工智能是前進的方向，現在正被廣泛用于天文學和SETI，具有比人類做得更快更好的能力。 “確實很快，”克林斯說。"我們與人類最接近的方式是通過公民科學項目."  如果航天器上有機器學習算法，它們可能會徹底改變我們探索系外行星的方式。(圖片鳴謝:uux.cn/Nazarii Neshcherenskyi via Getty Images) 對于機器學習算法，人類仍然密切參與其中。一個信號可能會被人工智能標記為有趣，但仍然是人類必須跟進和調查。算法沒那么聰明。 然而，很快就會有一天，他們會變得如此聰明。谷歌DeepMind等地的研究人員一直在追求人工通用智能，即AGI。鑒于我們今天擁有的算法非常具體，AGI將能夠將其手投向任何東西，并在此過程中學習和成長。AGI可以迅速加速到超出人類智力的能力。 AGI改造SETI的可能性非常誘人。我們已經看到了機器學習算法是如何設計來玩國際象棋或圍棋等游戲的！正在開發一些策略來迷惑人工智能在這些游戲中擊敗的人類專家。AGI肯定能想出新的方法，超越人類偏見和經驗的限制，尋找外星生命。 “它將能夠描繪出語言和交流如何通過信號傳遞的各種可能性，”Kerins說。“它可能會消耗大量的天文星表，并決定如何以及在哪里尋找的光學策略。” 史蒂夫·克羅夫特呼應了克林斯的樂觀態度。“我希望人工智能進化到這樣一個階段，我們可以要求它摘掉眼罩，根據它所知道的關于物理、生物、化學、系外行星和技術的一切，想象它認為外星人可能正在做什么。它很可能會想出一些好主意！” 如果它能，甚至愿意，告訴我們任何事情。在某種程度上，創造一個AGI就像創造一個外星人，一個與我們非常不同的，我們可能很難理解的外星人。 “我們可能會發現很難與它直接交流，”克林斯說。“我們可能有一些翻譯層級，在這個層級的頂端是一種智能，它將決定在SETI中以更智能的方式進行搜索。如果它產生了聯系，那么這種聯系是如何滲透到生物智能、愚蠢的家伙和我們身上的？” 我們可能會得到一個中文版本的密語，相關的信息通過層級傳遞，越來越簡單，直到我們得到更簡單的版本。AGI甚至可能扣留它認為對我們來說太復雜而無法理解的信息。如果AGI成功地進行了SETI探測，我們可能無法了解全貌。 不過，這只是猜測。此時此地，人工智能是一個強大的工具，它正在加速我們對外星人的搜索。可以肯定的是，如果我們在未來確實發現了來自另一個世界的信號，我們將為此感謝人工智能。 |