NASA 喷气推进实验室 Chien ： 人工智能在太空探索中的终极考验是什么?

想象一下，一个星际探测器可以自己选择轨道，自己拍摄照片，然后在没有人类帮助的情况下，将探测器发送到遥远的星球表面。这是NASA希望使用人工智能的一个例子，该机构已经在地球和火星的任务中使用了AI技术。

据雷锋网(公众号：雷锋网)了解，去年12月，NASA正式宣布在一个恒星周围发现由8颗行星组成的行星系统——开普勒90系统，科学家有史以来第一次发现了一个和太阳系类似的8颗行星的星系。这次发现离不开AI的助攻，NASA利用谷歌的机器学习分析开普勒太空望远镜的数据，实现了更高的分析效率。

其实NASA早就利用AI做到了很多事。

对于天文、宇宙这方面的工作来说，到底适不适合应用人工智能技术呢？

答案是当然的。第一，由于载人成本过高、危险系数大，宇宙探索、星球探索这类工作都在无人化倾斜；第二，NASA所做的工作中有很大一部都是对传感器回传图片资料进行分析，分析图像当然是人工智能最擅长的工作；第三，另外就是航空、天文领域是一个数字化、信息化程度相当高的领域，适合挖掘历史数据，训练各种帮助科学家工作的算法模型。

和以往相比，利用机器人探索太阳系寻找生命迹象的最大困难就在于，它们无法像人类一样有效地进行直观甚至创造性的决策。

人工智能方面的最新进展有望缩短这个差距——目前还没有计划派遣人类去探索火星的地下洞穴，或者在木卫二Europa的冰冷水域里寻找热液喷口。有生之年，这些角色很可能会被更智能的探测器和潜艇所替代，即使与地球失联数周甚至数月，它们也能承受恶劣的环境并进行重要的科学实验。

20世纪90年代中期，当Steve Chien接手美国宇航局喷气推进实验室（JPL）的人工智能团队时，彼时的人工智能更像是存在于科幻小说中，没有人能够想到它会在NASA 2020年的火星任务中发挥重要的作用。 Chien一直有一个愿望，那就是让人工智能技术成为美国宇航局里不可或缺的一部分。但是，那时候的人工智能并没有获得足够的重视，用不那么复杂的算法运行在老旧的计算机上，技术根本无法胜任太空任务。

不过，Chien很耐心。他的团队正在利用技术将太空任务自动化，并改进长期依赖于研究人员艰苦观察的工作。例如，利用决策树的决策模型，JPL创建了天空图像分类和分析工具（SKICAT），并利用它帮助NASA在20世纪80年代初进行的第二次帕洛马山脉调查中发现的物体进行自动分类。只要SKICAT获得足够多的图像来进行训练，就能够对调查中成千上万个模糊、低分辨率的物体进行分类。

雷锋网了解到，经过多年的渐进式改进，当NASA要求他们设计用于EO-1卫星自动化的软件时，Chien和他的团队获得了突破性的进展。NASA于2003年将JPL的自主科学技术实验(ASE)软件应用到该卫星上，并在十多年的时间里帮助研究了洪水、火山爆发和其他自然现象。在3月份EO-1停用之前，ASE软件有时还会收到来自其他卫星或地面传感器发出的警报，并在地面上的人类意识到事件发生之前自动提示EO-1捕获图像。

JPL在ASE和其他项目上的工作给了NASA信心，认为人工智能可以在“火星2020”的任务中发挥重要作用。Chien和他的团队正在开发一种新型的探测车，它比任何其他车辆都要先进得多，可以在星球崎岖不平的表面上行驶。在火星上寻找生命迹象的时候，“火星2020”探测器在选择研究和实验目标时拥有相当大的自由度。

最近，美国宇航局喷气推进实验室的技术小组主管、实验室任务规划和执行部门的高级研究科学家Chien在接受《科学美国人》采访时谈到了太空旅行对人工智能系统的需求。随着人类探索的目光越来越远，对智能的需求越来越大，“终极”的人工智能太空任务将会是什么样子？

以下是雷锋网编辑整理内容

问：控制EO-1卫星的ASE软件是不是NASA在AI应用方面的里程碑？

这绝对是人工智能的一个里程碑，不仅仅是对于JPL和NASA，还包括整个AI生态圈。那是因为ASE的巨大成功加上它的长寿。这个软件是相当不可思议的——它控制了航天器超过12年。在这段时间里，它发出了大约300万条指令，进行了六万多次观测，实际上达到了高于人类操作飞船的可靠性。这样的一种成功实际上可以使太空资源变得民主化。我们就有一个网页，世界各地的机构可以在上面提交请求，直接向航天器发送。

问：NASA愿意向人工智能交付多少任务？

人工智能在NASA面临的挑战之一是，由于我们正在处理太空任务，因此需要花费大量的时间和很长的时间来考虑。我们必须确保人工智能始终保持良好的运行状态，即收集科学知识，保护太空船。但是这并不意味着你可以准确预测它将要做什么。有人想摆脱这种微观管理水平，希望人工智能成为科学家的助手而不是机器，因为机器必须是微观管理的。有些人担心取代优秀的科学家，但这远远不够，我们不必为此担心。

问：你如何准备用AI来了解未知的世界？

无监督学习对分析未知情况非常重要。人类能够做的很大一部分是解释不熟悉的数据。在NASA会有许多这样的问题。你会看到一些数据，而这些数据的某些部分却不合适。以Lewis和Clark探索西北地区为例，他们没有每10英尺画一张地图（这是目前大多数探测器所做的工作），但是Lewis和Clark的探险队描述了山脉、河流和其他特征——将它们置于环境中。我们想要人工智能系统做同样的事情。

为了开发这样一个系统，我们让一个学生在一次越野飞行中用数码相机拍摄图像。然后，我们将不同的无监督学习方法应用于我们捕获的数据。我们希望人工智能自己知道有山、森林、河流，学习有云、白天、夜晚等等。

问：人工智能在即将到来的“火星2020”漫游者任务中扮演什么角色？

这项任务应用到了三个方面的人工智能技术。首先是“漫游者”的自动驾驶技术，这项技术可以追溯到“探路者”，也是MER（火星探测漫游者）计划的一部分。自主驾驶就像是一个拨号盘，你可以严格控制它，告诉“漫游者”去哪里，或者你可以让它们驾驶，在速度和安全性方面都有不同的权衡。

人工智能的第二个领域包括将帮助漫游者进行科学研究的系统。定位能力将会好得多，而且会有更多的仪器 – 不仅仅是漫游者的SuperCam – 它将提供成像，化学成分分析和矿物学。SuperCam是早期火星探测器上特有的ChemCam的一种演变，可以通过激光进行扫描并研究产生的气体来了解岩石的化学成分。先前的火星探测器、火星科学实验室和现在的M2020，已经越来越有能力选择目标，并根据科学标准（如目标形状、质地或纹理）进行后续图像研究，这种能力被称为自主探索收集增加科学（AEGIS）系统，使得“漫游者”可以在更短的时间内进行更多的科学研究。

第三，“火星2020”漫游者也将拥有更复杂的调度系统，使他们更具活力。如果工作提前或落后，探测车将自动调整行程，从而提高生产率。

问：AI如何帮助“漫游者”探索火星的洞穴？

当我们探索火星的表面时，科学家们想调查火星上的熔岩洞穴。因为深入到山洞内部就类似于一场“接力赛”，这样的任务也许只能持续几天，因为“漫游者”完全依靠电池供电，洞穴勘探将需要大量的人工智能。人工智能必须在有限的时间内尽可能有效地协调、绘制和探索尽可能多的洞穴。我们一直在研究的方法之一就是动态区域分配，它可能是以这种方式开始的：你有四个探测器，想要在火星上的一个洞穴里走100英尺。第一个漫游车的地图为0至25英尺，第二个为25至50英尺，依此类推。它们将逐步地绘制洞穴地图。这是经典的分治法。

它们也利用彼此将数据从洞穴中传递出去。将“漫游者”送入洞穴意味着它们无法继续与外界交流。所以它们开始做我们所谓的“sneaker netting” ——第一个“漫游者”进入洞穴，直到它离开通信范围、完成观察，然后返回射程内发送数据。第二辆车进入山洞深处，但只需要返回到第一辆火星车的范围之内，为了覆盖100英尺，每一个探测器都在洞穴中逐渐深入。探测器不会从洞穴中出来，但它们收集的数据是可以出来的。这将是一个为期3天或4天的任务，因为电池只能撑这么长时间。

问：在太空探索中人工智能的终极考验是什么?

人工智能在太空中的最终考验是“时间”。例如，Europa潜水器不得不独自存活数年，可能每30天才能与地球接触一次。当你想要等到冰盖融化的税后再将潜水器降落在地球的表面，这需要一年的时间。此外，探测器想要在赤道到两极间寻找热液喷口，就像山洞里的“漫游者”一样，为了和外界沟通，它必须走出去再回来。在这种情况下，“漫游者”可能会在六个月或一年的时间内独自生存。为了模拟这一点，我们设计了一个由AI控制的潜水器来研究冰层下的热液喷口。科学家们想要在南极冰架下研究气候变化的影响——这些任务需要类似的技术。

即便如此，与星际任务相比，这也算不了什么，因为宇宙飞船将完全自主地运行，往返于Proxima Centauri（最近的星系）的通讯之旅可能长达9年。如果你去Trappist-1（一颗表面温度极低的红矮星），这个星系里是至今最有可能在太阳系以外存在生命的星球，距离我们大约有40光年。由于通信的延迟，飞船更多地要靠自己，所以执行这样的任务时，你就需要一个足够强大的AI。

。