ШІ, заснований на алгоритмах машинного навчання, став безцінним інструментом у пошуку позаземного розуму (SETI). Це не наукова фантастика, а практичне застосування можливостей штучного інтелекту. Імон Керінс, астроном і дослідник SETI з Манчестерського університету, порівнює це завдання з пошуком голки в копиці сіна.

Дивіться також Вчених здивували невідомі об'єкти у віддалених зонах Сонячної системи

Керінс пояснює:

Ви, по суті, ставитеся до даних так, ніби це сіно. Потім ви просите алгоритм машинного навчання сказати вам, чи є в даних щось, що не є сіном, і це, сподіваємось, і є та сама голка в копиці сіна – якщо тільки в копиці немає інших речей.

До таких "інших речей" зазвичай відносять радіочастотні перешкоди (RFI), такі як сигнали мобільних телефонів, радіопередавачів та електроніки. Алгоритми машинного навчання навчені розпізнавати ці знайомі сигнали та ігнорувати їх. Якщо вони помічають щось ненавчене, це позначається для дослідження людиною.

В одному з нещодавніх проєктів під керівництвом Стіва Крофта, астронома з Каліфорнійського університету в Берклі, та студента-бакалавра Пітера Ма, ШІ використовувався для аналізу даних 820 зірок, які спостерігалися за допомогою 100-метрового радіотелескопа в обсерваторії Грін Бенк у Західній Вірджинії.

Що наразі знайшов ШІ

Попри те, що дані були проаналізовані раніше, алгоритм ШІ виявив вісім сигналів, які не відповідали відомим патернам радіочастотного випромінювання. Хоча вони не повторювалися (фундаментальна вимога для зацікавленості в SETI), ці сигнали все ще цінні для навчання наступного покоління ШІ розпізнавати подібні радіочастотні сигнали в майбутньому.

Алгоритми машинного навчання можна розділити на два типи:

  • Контрольоване: Навчання під наглядом передбачає навчання алгоритму за допомогою мічених даних.
  • Неконтрольоване: Дозволяє алгоритму визначати значущі закономірності без попередніх вказівок людини.

Адам Лєсніковскі (Adam Lesnikowski) з NVIDIA разом з колегами зі Швейцарської вищої технічної школи Цюріха та Бернського університету використовували неконтрольоване машинне навчання для ідентифікації штучних об'єктів на Місяці. Цей підхід може бути корисним для виявлення потенційних інопланетних артефактів у нашій Сонячній системі, припускаючи, що технологічні прибульці могли відвідувати її в минулому.

Перспективи штучного інтелекту поширюються і на орбітальні апарати з бортовими алгоритмами машинного навчання. Ці космічні апарати можуть шукати аномалії на поверхнях планет, не чекаючи на передачу даних на Землю для аналізу людиною. Можливості неконтрольованого навчання в режимі реального часу роблять його цінним активом у цьому контексті.

Як саме ШІ допомагає?

В епоху великих даних машинне навчання ШІ прискорює і покращує астрономічні дослідження і SETI. Однак важливо зазначити, що участь людини залишається критично важливою. Хоча ШІ може виявляти інтригуючі сигнали, саме люди повинні проводити подальші дослідження.

Майбутнє має ще більший потенціал. Дослідники працюють над створенням загального штучного інтелекту (AGI), який може випередити людський інтелект у різних сферах. ЗШІ може революціонізувати SETI, виходячи за рамки людських упереджень і досвіду, розробляючи інноваційні стратегії для виявлення інопланетного життя.

Дивіться також Вибух комети, можливо, спричинив розвиток сільського господарства у стародавній Сирії

Однак створення AGI піднімає інтригуючі питання. Якщо він виявить сигнал SETI, комунікація між AGI і людьми може бути складною. Можливо, існуватиме ієрархія перекладачів, а інформація передаватиметься у спрощеному вигляді. ШІ може приховувати від нас складну інформацію, потенційно обмежуючи наше розуміння.

Сьогодні ШІ є потужним союзником у наших пошуках позаземного життя. Якщо одного дня ми отримаємо сигнал з іншого світу, ШІ зіграє ключову роль у нашому відкритті. Майбутнє SETI цілком може бути пов'язане з еволюцією штучного інтелекту.