NASA 噴氣推進實驗室 Chien ： 人工智慧在太空探索中的終極考驗是什麼?
想像一下，一個星際探測器可以自己選擇軌道，自己拍攝照片，然後在沒有人類幫助的情況下，將探測器發送到遙遠的星球表面。這是NASA希望使用人工智慧的一個例子，該機構已經在地球和火星的任務中使用了AI技術。
據雷鋒網了解，去年12月，NASA正式宣布在一個恆星周圍發現由8顆行星組成的行星系統——開普勒90系統，科學家有史以來第一次發現了一個和太陽系類似的8顆行星的星系。這次發現離不開AI的助攻，NASA利用谷歌的機器學習分析開普勒太空望遠鏡的數據，實現了更高的分析效率。
其實NASA早就利用AI做到了很多事。
對於天文、宇宙這方面的工作來說，到底適不適合應用人工智慧技術呢？
答案是當然的。第一，由於載人成本過高、危險係數大，宇宙探索、星球探索這類工作都在無人化傾斜；第二，NASA所做的工作中有很大一部都是對感測器回傳圖片資料進行分析，分析圖像當然是人工智慧最擅長的工作；第三，另外就是航空、天文領域是一個數字化、信息化程度相當高的領域，適合挖掘歷史數據，訓練各種幫助科學家工作的演算法模型。
和以往相比，利用機器人探索太陽系尋找生命跡象的最大困難就在於，它們無法像人類一樣有效地進行直觀甚至創造性的決策。
人工智慧方面的最新進展有望縮短這個差距——目前還沒有計劃派遣人類去探索火星的地下洞穴，或者在木衛二Europa的冰冷水域里尋找熱液噴口。有生之年，這些角色很可能會被更智能的探測器和潛艇所替代，即使與地球失聯數周甚至數月，它們也能承受惡劣的環境並進行重要的科學實驗。
20世紀90年代中期，當Steve Chien接手美國宇航局噴氣推進實驗室（JPL）的人工智慧團隊時，彼時的人工智慧更像是存在於科幻小說中，沒有人能夠想到它會在NASA 2020年的火星任務中發揮重要的作用。 Chien一直有一個願望，那就是讓人工智慧技術成為美國宇航局裡不可或缺的一部分。但是，那時候的人工智慧並沒有獲得足夠的重視，用不那麼複雜的演算法運行在老舊的計算機上，技術根本無法勝任太空任務。
不過，Chien很耐心。他的團隊正在利用技術將太空任務自動化，並改進長期依賴於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），並利用它幫助NASA在20世紀80年代初進行的第二次帕洛馬山脈調查中發現的物體進行自動分類。只要SKICAT獲得足夠多的圖像來進行訓練，就能夠對調查中成千上萬個模糊、低解析度的物體進行分類。
雷鋒網了解到，經過多年的漸進式改進，當NASA要求他們設計用於EO-1衛星自動化的軟體時，Chien和他的團隊獲得了突破性的進展。NASA於2003年將JPL的自主科學技術實驗(ASE)軟體應用到該衛星上，並在十多年的時間裡幫助研究了洪水、火山爆發和其他自然現象。在3月份EO-1停用之前，ASE軟體有時還會收到來自其他衛星或地面感測器發出的警報，並在地面上的人類意識到事件發生之前自動提示EO-1捕獲圖像。
JPL在ASE和其他項目上的工作給了NASA信心，認為人工智慧可以在「火星2020」的任務中發揮重要作用。Chien和他的團隊正在開發一種新型的探測車，它比任何其他車輛都要先進得多，可以在星球崎嶇不平的表面上行駛。在火星上尋找生命跡象的時候，「火星2020」探測器在選擇研究和實驗目標時擁有相當大的自由度。
最近，美國宇航局噴氣推進實驗室的技術小組主管、實驗室任務規劃和執行部門的高級研究科學家Chien在接受《科學美國人》採訪時談到了太空旅行對人工智慧系統的需求。隨著人類探索的目光越來越遠，對智能的需求越來越大，「終極」的人工智慧太空任務將會是什麼樣子？
以下是雷鋒網編輯整理內容
問：控制EO-1衛星的ASE軟體是不是NASA在AI應用方面的里程碑？
這絕對是人工智慧的一個里程碑，不僅僅是對於JPL和NASA，還包括整個AI生態圈。那是因為ASE的巨大成功加上它的長壽。這個軟體是相當不可思議的——它控制了航天器超過12年。在這段時間裡，它發出了大約300萬條指令，進行了六萬多次觀測，實際上達到了高於人類操作飛船的可靠性。這樣的一種成功實際上可以使太空資源變得民主化。我們就有一個網頁，世界各地的機構可以在上面提交請求，直接向航天器發送。
問：NASA願意向人工智慧交付多少任務？
人工智慧在NASA面臨的挑戰之一是，由於我們正在處理太空任務，因此需要花費大量的時間和很長的時間來考慮。我們必須確保人工智慧始終保持良好的運行狀態，即收集科學知識，保護太空船。但是這並不意味著你可以準確預測它將要做什麼。有人想擺脫這種微觀管理水平，希望人工智慧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。有些人擔心取代優秀的科學家，但這遠遠不夠，我們不必為此擔心。
問：你如何準備用AI來了解未知的世界？
無監督學習對分析未知情況非常重要。人類能夠做的很大一部分是解釋不熟悉的數據。在NASA會有許多這樣的問題。你會看到一些數據，而這些數據的某些部分卻不合適。以Lewis和Clark探索西北地區為例，他們沒有每10英尺畫一張地圖（這是目前大多數探測器所做的工作），但是Lewis和Clark的探險隊描述了山脈、河流和其他特徵——將它們置於環境中。我們想要人工智慧系統做同樣的事情。
為了開發這樣一個系統，我們讓一個學生在一次越野飛行中用數碼相機拍攝圖像。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。我們希望人工智慧自己知道有山、森林、河流，學習有雲、白天、夜晚等等。
問：人工智慧在即將到來的「火星2020」漫遊者任務中扮演什麼角色？
這項任務應用到了三個方面的人工智慧技術。首先是「漫遊者」的自動駕駛技術，這項技術可以追溯到「探路者」，也是MER（火星探測漫遊者）計劃的一部分。自主駕駛就像是一個撥號盤，你可以嚴格控制它，告訴「漫遊者」去哪裡，或者你可以讓它們駕駛，在速度和安全性方面都有不同的權衡。
人工智慧的第二個領域包括將幫助漫遊者進行科學研究的系統。定位能力將會好得多，而且會有更多的儀器 - 不僅僅是漫遊者的SuperCam - 它將提供成像，化學成分分析和礦物學。SuperCam是早期火星探測器上特有的ChemCam的一種演變，可以通過激光進行掃描並研究產生的氣體來了解岩石的化學成分。先前的火星探測器、火星科學實驗室和現在的M2020，已經越來越有能力選擇目標，並根據科學標準（如目標形狀、質地或紋理）進行後續圖像研究，這種能力被稱為自主探索收集增加科學（AEGIS）系統，使得「漫遊者」可以在更短的時間內進行更多的科學研究。
第三，「火星2020」漫遊者也將擁有更複雜的調度系統，使他們更具活力。如果工作提前或落後，探測車將自動調整行程，從而提高生產率。
問：AI如何幫助「漫遊者」探索火星的洞穴？
當我們探索火星的表面時，科學家們想調查火星上的熔岩洞穴。因為深入到山洞內部就類似於一場「接力賽」，這樣的任務也許只能持續幾天，因為「漫遊者」完全依靠電池供電，洞穴勘探將需要大量的人工智慧。人工智慧必須在有限的時間內儘可能有效地協調、繪製和探索儘可能多的洞穴。我們一直在研究的方法之一就是動態區域分配，它可能是以這種方式開始的：你有四個探測器，想要在火星上的一個洞穴里走100英尺。第一個漫遊車的地圖為0至25英尺，第二個為25至50英尺，依此類推。它們將逐步地繪製洞穴地圖。這是經典的分治法。
它們也利用彼此將數據從洞穴中傳遞出去。將「漫遊者」送入洞穴意味著它們無法繼續與外界交流。所以它們開始做我們所謂的「sneaker netting」 ——第一個「漫遊者」進入洞穴，直到它離開通信範圍、完成觀察，然後返回射程內發送數據。第二輛車進入山洞深處，但只需要返回到第一輛火星車的範圍之內，為了覆蓋100英尺，每一個探測器都在洞穴中逐漸深入。探測器不會從洞穴中出來，但它們收集的數據是可以出來的。這將是一個為期3天或4天的任務，因為電池只能撐這麼長時間。
問：在太空探索中人工智慧的終極考驗是什麼?
人工智慧在太空中的最終考驗是「時間」。例如，Europa潛水器不得不獨自存活數年，可能每30天才能與地球接觸一次。當你想要等到冰蓋融化的稅後再將潛水器降落在地球的表面，這需要一年的時間。此外，探測器想要在赤道到兩極間尋找熱液噴口，就像山洞裡的「漫遊者」一樣，為了和外界溝通，它必須走出去再回來。在這種情況下，「漫遊者」可能會在六個月或一年的時間內獨自生存。為了模擬這一點，我們設計了一個由AI控制的潛水器來研究冰層下的熱液噴口。科學家們想要在南極冰架下研究氣候變化的影響——這些任務需要類似的技術。
即便如此，與星際任務相比，這也算不了什麼，因為宇宙飛船將完全自主地運行，往返於Proxima Centauri（最近的星系）的通訊之旅可能長達9年。如果你去Trappist-1（一顆表面溫度極低的紅矮星），這個星系裡是至今最有可能在太陽系以外存在生命的星球，距離我們大約有40光年。由於通信的延遲，飛船更多地要靠自己，所以執行這樣的任務時，你就需要一個足夠強大的AI。
TAG:雷鋒網 |