據了解，5438年6月+去年2月，美國國家航空航天局正式宣布發現開普勒90系統，這是壹個由圍繞壹顆恒星的八顆行星組成的行星系統。科學家在歷史上首次發現了壹個類似太陽系的由八顆行星組成的星系。這壹發現離不開AI的輔助，美國國家航空航天局使用谷歌的機器學習來分析開普勒任務的數據，實現了更高的分析效率。
事實上，美國國家航空航天局已經用人工智能做了很多事情。
人工智能技術應用於天文學和宇宙是否合適？
答案當然是。
第壹，由於載人成本高，危險系數大，太空探索和行星探索都是無人駕駛；
其次，美國國家航空航天局的工作很大壹部分是分析傳感器發回的圖像數據，分析圖像當然是人工智能最好的工作；
再次，航空、天文是數字化、信息化程度較高的領域，適合挖掘歷史數據，訓練各種算法模型，幫助科學家工作。
與過去相比，使用機器人探索太陽系和尋找生命跡象的最大困難是，它們無法像人類壹樣有效地做出直覺甚至創造性的決定。
人工智能的最新進展有望縮短這壹差距——目前還沒有計劃派遣人類探索火星的地下洞穴，或者在歐羅巴的寒冷水域尋找熱液噴口。在他們的有生之年，這些角色很可能會被更智能的探測器和潛艇取代。即使他們與地球失去聯系數周甚至數月，他們也能承受惡劣的環境，進行重要的科學實驗。
在20世紀90年代中期，當錢誌軍接手美國國家航空航天局噴氣推進實驗室(JPL)的人工智能團隊時，當時的人工智能更像是科幻小說，沒有人能想到它會在美國國家航空航天局2020年的火星任務中發揮重要作用。簡壹直有壹個願望，讓人工智能技術成為美國國家航空航天局不可或缺的壹部分。然而，在當時，人工智能並沒有得到足夠的重視。由於在舊計算機上運行的算法不太復雜，技術根本無法勝任太空任務。
然而，錢很有耐心。他的團隊正在利用技術實現太空任務的自動化，並改善長期以來依賴研究人員艱苦觀察的工作。例如，利用決策樹的決策模型，JPL創建了天空圖像分類和分析工具(SKICAT)，並使用它來幫助美國國家航空航天局對20世紀80年代初第二次帕洛馬山調查中發現的物體進行自動分類。只要SKICAT獲得足夠多的圖像進行訓練，它就可以對調查中成千上萬的模糊和低分辨率的對象進行分類。
據悉，經過多年的逐步改進，錢學森和他的團隊在美國國家航空航天局要求他們設計EO-1衛星自動化軟件時取得了突破。2003年，美國國家航空航天局將JPL的獨立科學技術實驗(ASE)軟件應用到衛星上，並幫助研究洪水、火山爆發和其他自然現象長達十多年。在EO-1於3月份被叫停之前，ASE軟件有時會收到來自其他衛星或地面傳感器的警報，並在地面上的人意識到這壹事件之前自動提示EO-1捕捉圖像。
JPL在ASE和其他項目上的工作讓美國國家航空航天局相信，人工智能可以在“火星2020”任務中發揮重要作用。錢和他的團隊正在開發壹種新型的探測車，這種探測車比其他任何交通工具都要先進得多，可以在地球崎嶇不平的表面上行駛。在尋找火星生命跡象時，火星2020探測器在選擇研究和實驗目標方面有相當大的自由度。
最近，美國國家航空航天局噴氣推進實驗室技術團隊負責人、該實驗室任務規劃與執行部門的高級研究科學家簡(Chien)在接受《科學美國人》采訪時談到了太空旅行對人工智能系統的需求。隨著人類探索的視野越來越遠，對智能的需求越來越大，“終極”人工智能太空任務會是什麽樣子？
以下是整理內容
問:用於控制EO-1衛星的ASE軟件是否是美國國家航空航天局在人工智能應用方面的裏程碑？
這絕對是人工智能的壹個裏程碑，不僅對JPL和美國國家航空航天局來說，對整個人工智能生態系統來說也是如此。這是因為日月光的巨大成功和它的長壽。這個軟件相當不可思議——它控制飛船已經超過12年了。在此期間，它發出了約300萬條指令，進行了6萬多次觀測，實際上實現了比人類操作航天器更高的可靠性。這種成功實際上可以使空間資源民主化。我們有壹個網頁，世界各地的組織可以提交請求並直接發送到航天器上。
問:美國國家航空航天局願意向人工智能交付多少任務？
人工智能在美國國家航空航天局面臨的挑戰之壹是，它需要很多時間和很長時間來考慮，因為我們正在處理太空任務。我們必須確保人工智能始終處於良好的工作狀態，即收集科學知識和保護航天器。但這並不意味著妳能準確預測它會做什麽。有人想擺脫這種微觀管理層面，希望人工智能成為科學家的助手而不是機器，因為機器必須是微觀管理的。有些人擔心會取代優秀的科學家，但這遠遠不夠，所以我們不必擔心。
問:妳準備如何用AI去了解未知的世界？
無監督學習對於分析未知情況非常重要。人類能做的很大壹部分是解釋不熟悉的數據。在美國國家航空航天局會有很多這樣的問題。妳會看到壹些數據，這些數據有些部分並不合適。以劉易斯和克拉克的西北探險為例。他們沒有每65，438+00英尺繪制壹張地圖(這是目前大多數探測器的做法)，但劉易斯和克拉克的探險隊描述了山脈、河流和其他特征——將它們放在環境中。我們希望人工智能系統做同樣的事情。
為了開發這樣壹個系統，我們讓壹名學生在壹次跨國飛行中用數碼相機拍照。然後，我們將不同的無監督學習方法應用於我們捕獲的數據。我們想讓人工智能知道有山，有森林，有河流，還有學習雲，白天，黑夜等等。
問:人工智能在即將到來的火星2020漫遊任務中扮演什麽角色？
這個任務應用於人工智能技術的三個方面。首先是火星車的自動駕駛技術，這可以追溯到探路者，也是MER(火星探索火星車)計劃的壹部分。自動駕駛就像壹個表盤。妳可以嚴格控制，告訴“漫遊者”去哪裏，也可以讓他們開。在速度和安全性方面有不同的權衡。
人工智能的第二個領域包括幫助火星車進行科學研究的系統。定位能力會好得多，會有更多的儀器——不僅僅是火星車的超級攝像機——提供成像、化學成分分析和礦物學。SuperCam是早期火星探測器特有的ChemCam的演變。通過激光掃描和研究產生的氣體可以了解巖石的化學成分。之前的火星探測器，火星科學實驗室和M2020現在有越來越多的能力根據科學標準(比如目標的形狀、紋理或質地)選擇目標並進行後續的圖像研究。這種能力被稱為自主探索和收集增強科學(AEGIS)系統，它使火星車能夠在更短的時間內進行更多的科學研究。
第三，“火星2020”火星車還將擁有更復雜的調度系統，使它們更加動態。如果工作提前或落後，漫遊車將自動調整其行程，從而提高生產率。
問:人工智能如何幫助火星車探索火星上的洞穴？
當我們探索火星表面時，科學家們想調查火星上的熔巖洞穴。因為深入洞穴類似於壹場“接力賽”，這樣的任務可能只會持續幾天，因為“漫遊者”完全由電池供電，洞穴探索將需要大量的人工智能。人工智能必須在有限的時間內協調、繪制和探索盡可能多的洞穴。我們壹直在研究的方法之壹是動態區域分配，可能是這樣開始的:妳有四個探測器，想在火星上的壹個洞穴裏行走100英尺。第壹個漫遊者的地圖是0到25英尺，第二個是25到50英尺，以此類推。他們將逐漸繪制洞穴地圖。這是壹個經典的分而治之的方法。
他們還互相利用來傳輸洞穴裏的數據。將“漫遊者”送入洞穴，意味著他們無法繼續與外界交流。於是他們開始做我們稱之為“球鞋織網”的事情——第壹個“漫遊者”進入洞穴，直到它離開通信範圍並完成觀察，然後返回範圍發送數據。第二輛車深入洞穴，但只需要回到第壹輛火星車的範圍。為了覆蓋65，438+000英尺，每個探測器逐漸深入洞穴。探測器不是從山洞裏出來的，但是它收集的數據可以出來。這將是壹個三天或四天的任務，因為電池只能持續這麽長時間。
問:人工智能在太空探索中的終極考驗是什麽？
人工智能在太空的終極考驗是“時間”。比如木衛二潛水器要獨自生存好幾年，可能每30天才和地球接觸壹次。當妳想等到冰蓋融化後再讓潛水器降落到地球表面時，需要壹年的時間。此外，探測器要尋找赤道和兩極之間的熱液噴口，就像洞穴中的“漫遊者”。為了與外界交流，它必須出去再回來。在這種情況下，漫遊者可能會獨自生活半年或壹年。為了模擬這壹點，我們設計了壹個人工智能控制的潛水器來研究冰下的熱液噴口。科學家們想研究南極冰架下氣候變化的影響——這些任務需要類似的技術。
即便如此，這與星際任務相比也不算什麽，因為飛船將完全自主運行，往返比鄰星(最近的星系)的通信旅程可能會持續9年。如果妳去Trappist-1(壹顆表面溫度極低的紅矮星)，這個星系是太陽系外最有可能存在生命的星球，距離我們大約40光年。由於通訊的延遲，飛船更多的是依靠自身，所以在執行這樣的任務時，妳需要壹個足夠強大的AI。