人工智能会率先发现外星生命吗？

重要提示

亲爱的读者朋友，微信又改版啦！如果没有加星标，或者不常读我们的文章，我们的文章就不会在您的“订阅号消息”里大图展示，甚至不被推送，太容易错过了。ಥ_ಥ

请星标Nature Portfolio，常读常新不失联！

原文作者：Alexandra Witze

SETI，一项寻找地外智慧生命的研究项目，正在开发机器学习算法，过滤地球的干扰并挖掘人类可能错过的信号。

从西弗吉尼亚州的山丘到澳大利亚的乡野平原，一些世界上最大的望远镜正在监听来自遥远外星文明的信号。寻找外星智能（Search for Extraterrestrial Intelligence，缩写为 SETI）项目，致力于寻找人造电磁辐射信号——可能来自遥远恒星系统中的技术先进文明。1月30日发表的一项研究[1]描述了使用机器学习（人工智能的一个子类）帮助天文学家们从此类搜索所产生的海量数据中快速筛选数据的一项工作。AI已经重塑了诸多科学领域，它将为寻找地外生命带来怎样的愿景？

机器学习擅长筛选出可能来自外星人的非常规信号。来源：Universal Pictures / Allstar / Alamy

“有了机器学习技术，这是SETI研究新纪元的开启。”加利福尼亚州SETI 研究所的行星天文学家Franck Marchis说。

大数据对于SETI来说是一个相对较新的难题。数十年来，该领域受限于数据量极少。天文学家Frank Drake于1960年开创了SETI——当时他将位于西弗吉尼亚州格林班克的望远镜指向了两颗恒星监听无线电信号。随后的大多数SETI搜索也仅限于少数恒星。

但在2015年，亿万富翁Yuri Milner在加利福尼亚州伯克利资助了有史以来最大的SETI计划：“突破聆听”计划（Breakthrough Listen），该计划旨在搜索一百万颗恒星以寻找智慧生命的迹象。该项目利用位于西弗吉尼亚州、澳大利亚和南非的望远镜，寻找来自恒星方向且频率稳定变化的无线电发射信号——若是某颗行星上有外星信号发射器相对地球移动，地球上就能收到此类规律的信号。

数据风暴

问题在于，这些搜索会产生海量数据——包括了手机、GPS和其它现代技术等地球干扰源产生的误报。

SETI研究所的天文学家Sofia Sheikh说：“如今我们搜寻SETI信号的最大问题不再是获取数据——而是区分开来自人类或地球技术的信号，和我们要寻找的来自银河系其他地方的信号。”

位于西弗吉尼亚州的绿湾射电天文望远镜（Robert C. Byrd Green Bank Telescope）是在寻找外星文明的几个望远镜之一。来源：Jim West/Alamy

手动处理这些数以百万计的观测数据是不现实的。一种常见的替代方法是使用算法来寻找与天文学家所预设的外星信标相匹配的信号。但这些算法可能会忽略与天文学家预期略有不同、然而潜在值得关注的信号。

机器学习有了用武之地。机器学习算法利用大量数据进行训练，可以学习识别源自地球的干扰信号的特征，从而可以极佳地滤除噪音。

被忽略的信号

加州大学伯克利分校的SETI科学家Dan Werthimer说，机器学习也擅长挑选出与传统模式不符的候选地外信号，而此前的方法可能会忽略这类信号。

加拿大多伦多大学的数学和物理学家、这篇论文的第一作者Peter Ma同意这个说法：“我们不总能预计地外文明会发什么给我们。”

“突破聆听”使用100米口径的绿湾射电望远镜（Robert C. Byrd Green Bank Telescope）观测820颗恒星，Ma和他的同事筛选了来自这些恒星的信号。他们开发了机器学习软件来分析这些数据：软件捕获了近300万个目标信号，但将大部分归于来自地球的干扰并将其移除。然后，Ma手动检查了两万多个信号，并锁定了八个有希望的候选信号。

然而搜索最终一无所获——当研究团队再次监听时，所有八个信号都消失了。但是这些方法可以用于其它数据，例如“突破聆听”项目于12月启用MeerKAT阵列（由南非64台射电望远镜组成）带来的海量观测数据。Ma说，机器学习算法还可以用于已存档的SETI数据，来寻找以前可能被忽视的信号。

SETI公民科学计划

机器学习也是将于下月启动的另一项SETI工作的重心。2月14日，加州大学洛杉矶分校的天文学家启动一项社区科学项目，其中公众志愿者将对无线电信号图像进行分类，并归类其潜在的干扰类型，以训练一个机器学习算法搜索从绿湾望远镜获取的SETI数据。

人工智能也有助于SETI流程的其它部分。Werthimer和他的同事利用机器学习对一项正在进行的SETI项目中的待观测恒星进行了排名。该项目使用了世界上最大的单口径望远镜，即中国的500米FAST射电望远镜。

然而，加州大学洛杉矶分校的天文学家Jean-Luc Margot说，SETI可能仍会继续同时使用经典方法和机器学习方法来分类数据。他说，经典算法在识别候选信号方面仍然表现出色，而机器学习“不是万用灵丹”。

Werthimer对此表示赞同：“机器干不了所有事，至少目前还不行。”

参考文献：

1. Ma, P. X. et al. Nature Astron. https://doi.org/10.1038/s41550-022-01872-z (2023).

原文以Will an AI be the first to discover alien life?为标题发表在2023年3月15日《自然》的NEWS EXPLAINER版块上

© nature

doi: 10.1038/d41586-023-00258-z

点击阅读原文查看英文原文